2012 Abbes Dhaker These PDF

THÈSE
Pour l'obtention du grade de

DOCTEUR DE L'UNIVERSITÉ DE POITIERS
École nationale supérieure d'ingénieurs (Poitiers)
Laboratoire d'automatique et d'informatique industrielle - LAII
(Diplôme National - Arrêté du 7 août 2006)
École doctorale : Sciences et ingénierie en matériaux, mécanique, énergétique et aéronautique -

SIMMEA
Secteur de recherche : Génie électrique
Présentée par :
Dhaker Abbes
Contribution au dimensionnement et à l'optimisation

des systèmes hybrides éoliens-photovoltaïques
avec batteries pour l'habitat résidentiel autonome
Directeur(s) de Thèse :
Gérard Champenois, André Martinez
Soutenue le 20 juin 2012 devant le jury
Jury :
Président Mohamed Machmoun Professeur, Polytech Nantes
Rapporteur Serge Pierfederici Professeur des Universités, Université de Nancy 1
Rapporteur Cristian Nichita Professeur des Universités, Université Le Havre
Membre Gérard Champenois Professeur des Universités, Université de Poitiers
Membre Jean-Paul Gaubert Maître de conférences, Université de Poitiers
Membre André Martinez Professeur, EIGSI de La Rochelle
Pour citer cette thèse :

Dhaker Abbes. Contribution au dimensionnement et à l'optimisation des systèmes hybrides éoliens-photovoltaïques
avec batteries pour l'habitat résidentiel autonome [En ligne]. Thèse Génie électrique. Poitiers : Université de
Poitiers, 2012. Disponible sur Internet <http://theses.univ-poitiers.fr>
THÈSE
Présentée à
δ’UσIVERSITE DE PτITIERS
Pour l’obtention du Grade de
DτCTEUR DE δ’UNIVERSITÉ DE POITIERS
(ÉCOLE NATIONALE SUPÉRIEURE D’IσGÉσIEURS DE PτITIERS)
(Diplôme National - Arrêté du 7 août 2006)
ÉCτδE DτCTτRAδE DES SCIEσCES ET IσGÉσIERIE PτUR δ’IσFτRεATIτσ

SPÉCIALITÉ : GÉNIE ÉLECTRIQUE
Présentée par :
Dhaker ABBES
Maître Ingénieur
************************
Contribution au dimensionnement et à l'optimisation des
systèmes hybrides éoliens-photovoltaïques avec batteries
pour l’habitat résidentiel autonome
************************
Directeur de Thèse : Gérard CHAMPENOIS

Co-directeur de thèse : André MARTINEZ
************************
Présentée et soutenue publiquement le 20/06/2012
devant la Commission d’Examen
************************
JURY
Rapporteurs
Cristian NICHITA Professeur à l’université du Havre
Serge PIERFEDERICI Professeur à l’INPL-ENSEM de Nancy
Examinateurs
André MARTINEZ Enseignant-chercheur à l’EIGSI-La Rochelle
Gérard CHAMPENOIS Professeur à l’Université de Poitiers
Jean-Paul GAUBERT εaître de Conférences à l’Université de Poitiers
Mohamed MACHMOUM Professeur à Polytech’ σantes
Thèse préparée au sein du δaboratoire d’Automatique et d’Informatique pour les Systèmes

(LIAS) de l’université de Poitiers et à l’Ecole d’Ingénieurs de δa Rochelle
Remerciements
Au terme de cette thèse, je tiens à exprimer en premier lieu mes gratitudes à Mr. Gérard
CHAεPEστIS, Professeur à l’Université de Poitiers et à εr. André εARTIσEZ, enseignant
chercheur à l’Ecole d’Ingénieurs de δa Rochelle (EIGSI). Je les remercie vivement pour leur
présence tout au long de ces travaux. Leurs compétences scientifiques, leur disponibilité, leur
sympathie, leur sang-froid et leur bonne humeur en font des encadrants et collègues
exceptionnels. Travailler à leur côté est un plaisir. J’espère de tout mon cœur que notre
collaboration professionnelle continue.
Je remercie vivement Monsieur Serge PIERFEDERICI, Professeur des universités à
l’INPL-ENSEM de Nancy et Monsieur Cristian NICHITA, Professeur à l’université du Havre
d’avoir accepté de rapporter sur cette thèse.
Je tiens à remercier tout particulièrement Mr. Mohamed MACHMOUM, Professeur des
universités à Polytech’ σantes pour avoir accepté d’examiner cette thèse. De même Mr. Jean-
Paul GAUBERT, εaître de Conférences à l’Université de Poitiers qui nous a fait l’honneur
de participer à ce jury.
Un grand merci aux techniciens de l’EIGSI : Aurélien GUIGNARD, Bernard SOUC et
Anthony DUPAS et à mes stagiaires Khayreddine BEN SLAMA et Matthia SAUBAIN pour
leurs aides précieuses indispensables à la réalisation de ces travaux.
Je tiens également à présenter ma plus vive sympathie aux collègues : Habib Al JED,
Anna TRENTINI, Tatiana GRAINDORGE, Mohamed AMBARKI, Tchapo SINGO, Lila
CRτCI et εaxime FAσTIστ et à tous les membres de l’ÉCOLE d’Ingénieurs de La
Rochelle (EIGSI-La Rochelle).
Dédicaces
A ma famille,
A mes amis,
A tous ceux qui m’aiment…
Liste des figures
Sommaire
Introduction générale 1
Chapitre 1 : Les systèmes électriques autonomes multi-sources pour l’habitat 6
résidentiel
1.1- Introduction 6
1.2- Généralités sur les systèmes d’énergie hybrides 6
1.2.1- Les systèmes hybrides autonomes (éolien-photovoltaïque) avec stockage 9
1.2.2- Avantages et limites des systèmes hybrides (éoliens-photovoltaïques) avec 11
stockage
1.3- Composants d’un système hybride éolien photovoltaïque avec batteries 13
1.3.1- Système photovoltaïque 13
1.3.2- Système éolien 16
1.3.3- Les batteries électrochimiques 19
1.3.4- Les autres composants du système 23
1.4- Analyse bibliographique des différents travaux de recherche 23
1.5- Objectifs des travaux de recherche de la thèse 27
Bibliographie du chapitre 1 29
Chapitre 2 : Evaluations de la source et de la consommation dans un habitat 33

résidentiel en un site donné
2.1-Introduction 33
2.2- Recueil des données météorologiques 33
2.2.1- Les données du vent 33
2.2.1.1- Les données caractéristiques du vent 34
2.2.1.2- δes méthodes d’acquisition de données du vent 34
2.2.1.3- Les données du vent utilisées pour l’étude 36
2.2.2- δes données de l’irradiance 37
2.2.2.1- Les données caractéristiques de l’irradiance 37
a) Géométrie entre le soleil et la terre 38
b) Atténuation due à la traversée de l’atmosphère 40
c) Topographie 40
2.2.2.2- δes méthodes d’acquisition de données d’irradiance 41
2.2.1.3- Les données d’irradiance utilisées pour l’étude 42
2.2.3- Autres données μ la température, la pression et l’altitude 44
2.3- Evaluation des sources renouvelables du vent et du soleil en un site donné 45
2.3.1- La source du vent 45
2.3.1.1- Evaluation de la puissance du vent 45
2.3.1.2- Estimation de l’énergie du vent disponible en fonction du site 46
2.3.1.2.1- Estimation par distribution des fréquences 46
2.3.1.2.2- Estimation par intégration numérique de la puissance 49
2.3.2- La source du soleil 50
2.3.2.1- Evaluation de la puissance solaire reçue par un plan incliné 51
2.3.2.2- Estimation de la production photovoltaïque 53
a) Orientation et inclinaison fixes 53
b) Orientation et inclinaison mobiles 54
2.4- Evaluation de la consommation 57
Thèse D. ABBES
Page i
Liste des figures
2.4.1- εodélisation d’un profil de consommation type par estimation des besoins 57
énergétiques de l’habitat
a) Eclairage 58
b) Production de froid 58
c) Cuisson 58
d) Ventilation 58
e) Electroménager 58
f) Multimédia 58
g) Eau Chaude Sanitaire (ECS) 59
2.4.2- εodélisation d’un profil de consommation par acquisition de données réelles 63
2.5- Influence de la période d’acquisition des données 64
2.5.1- Cas de la vitesse du vent 65
2.5.2- Cas de l’irradiation du soleil 68
2.5.3- Cas de la consommation 69
2.6- Synthèse et conclusions 71
Chapitre 3 μ εodélisation et simulation d’un système hybride éolien-photovoltaïque 77

avec batteries
3.1- Introduction 77
3.2- Modélisation énergétique du système 77
3.2.1-εodèle de l’éolienne 78
3.2.2-Modèle du générateur photovoltaïque 79
3.2.3-Modèle du banc de stockage (banc de batteries) 80
3.2.3.1- Modèle énergétique du banc de batteries, établissement de son état de 81
charge
3.2.3.2- Modèle de tension 82
3.2.3.3- Modèle de vieillissement, détermination du nombre de remplacements 83
3.2.3.2.1- Processus de vieillissement 83
3.2.3.2.2- Modélisation du vieillissement des batteries 84
a) Modèles de post-traitement 84
b) Modèles de dégradation des performances 87
3.2.4- Modèle des paramètres énergétiques 89
3.3- Evaluation économique 90
3.3.1- Paramètres économiques utilisés dans le modèle 91
3.3.2- Détermination du coût économique selon l’analyse du cycle de vie 92
3.3.2.1- Cas des éoliennes 92
3.3.2.2- Cas des panneaux photovoltaïques 94
3.3.2.3- Cas des batteries 95
3.4- Evaluation environnementale 97
3.4.1- Etapes de l’Analyse de Cycle de Vie 98
3.4.2- Paramètres environnementaux utilisés dans le modèle 100
3.4.3- Détermination du coût énergétique selon l’analyse du cycle de vie 100
3.4.3.1- Cas des éoliennes 100
3.4.3.2- Cas des panneaux photovoltaïques et des batteries 104
3.5- Simulation dynamique du système hybride 107
3.5.1- Description du simulateur 107
3.5.2- Principe de fonctionnement du simulateur 109
a) Fonctionnement normal 110
b) Fonctionnement dégradé 110
Thèse D. ABBES
Page ii
Liste des figures
3.6- Résultats et discussions 111

3.6.1- Etude de différentes configurations 111
3.6.1.1-Cas d’un système photovoltaïque seul avec batteries 111
3.6.1.2- Cas d’une éolienne seule avec batteries 112
3.6.1.3- Cas d’un système hybride éolien photovoltaïque avec batteries 113
3.6.2- Influence de la position des panneaux 114
3.6.3-Influence du profil de consommation 115
Chapitre 4 : Optimisation du dimensionnement des systèmes hybrides éolien- 123

photovoltaïques avec batteries
4.2-Méthodes et outils de dimensionnement des systèmes hybrides éolien 123
photovoltaïques autonomes avec batteries
4.2.1- Les méthodes de dimensionnement 124
4.2.1.1- Les méthodes conventionnelles 124
4.2.1.1.1- Méthode itérative 124
4.2.1.1.2- Méthode par programmation linéaire 127
4.2.1.1.3- Avantages et limites des méthodes conventionnelles 128
4.2.1.2- Les méthodes à base de simulations dynamiques 129
4.2.2- Les principaux outils de dimensionnement 131
4.2.2.1- HOMER 131
4.2.2.2- SOMES 131
4.2.2.3- RAPSIM 131
4.2.2.4- SOLSIM 132
4.2.2.5- INSEL 132
4.3- Procédure d’optimisation du dimensionnement d’un système hybride 133
4.3.1- Rappel des critères d’optimisation 133
4.3.2- Formulation du problème d’optimisation 134
4.3.3- Description de la procédure d’optimisation 135
4.3.3.1- Principe 135
4.3.3.2- choix de la méthode d’optimisation 136
4.3.3.2.1-Cas d’une optimisation mono-objective 137
a) Evaluation des méthodes et critères de choix 137
b) Etude du relief des fonctions à optimiser et méthode retenue 140
4.3.3.2.2-Cas d’une optimisation multi-objective 144
a) Evaluations des méthodes et critères de choix 144
b) Choix et description des méthodes retenues 146
4.4- Résultats d’optimisation 151
4.4.1-Cas d’une optimisation mono-objective selon l’approche économique 151
4.4.2- Cas d’une optimisation mono-objective selon l’approche écologique 153
4.4.3- Cas d’une optimisation multi-objective 155
4.4.3.1- En appliquant la méthode scalaire 155
4.4.3.2- En appliquant la méthode NSGA-II 157
4.5- Evaluation de la solution retenue 162
4.5.1- Evaluation des performances 162
4.5.2- Evaluation économique et écologique 165
4.5.2.1- Evaluation économique 165
4.5.2.2- Evaluation écologique 166
Thèse D. ABBES
Page iii
Liste des figures
4.5.3- Evaluation avec le logiciel HOMER 168

4.6- Synthèses et conclusions 172
Chapitre 5 : Mise en œuvre expérimentale d’un système hybride éolien- 177

photovoltaïque avec batteries
5.2-Développement et implantation d’un simulateur solaire photovoltaïque 178
5.2.1- Modélisation du générateur photovoltaïque 178
5.2.1.1- Description du modèle 178
5.2.1.2- Identification des paramètres d’un panneau 179
5.2.2- Description de l’algorithme de maximisation de puissance 183
5.2.3- Développement de la chaîne de conversion photovoltaïque 185
5.2.4- εise en œuvre du simulateur solaire photovoltaïque 190
5.2.4.1- Emulateur de panneaux photovoltaïques 190
5.2.4.2- Simulateur solaire photovoltaïque 193
5.3- Développement d’un simulateur éolien 194
5.3.1- εodélisation de l’éolienne 195
5.3.2- Description de la technique de maximisation de puissance 197
5.3.3- Simulateur du système de conversion éolienne 197
5.3.4- Simulateur éolien 207
5.4-εise en œuvre expérimentale du système hybride éolien photovoltaïque avec 208

batteries
5.4.1- Description du banc d’essai 208
5.4.2- Présentation de la procédure de supervision 210
5.4.2.1- Algorithme de supervision 210
5.4.2.2- Estimation de l’état de charge des batteries 212
a) Modèle de prédiction de la tension en circuit-ouvert 212
b) Modèle de la mesure coulomb-métrique 212
5.4.3- Résultats et discussions 213
5.4.3.1- Validation de la méthode de supervision 213
5.4.3.2- Etude de sensibilité : effet de la variation des variables 216
5.4.3.3- Essai pour l’évaluation des taux de δPSP et de l’excès de production 219
Conclusion générale et perspectives 224
Annexes 228
Résumés 247
Publications 252
Thèse D. ABBES
Page iv
Liste des figures
Liste des figures

Figure 1.1: Schéma général de système énergétique hybride multi-sources, charges 7
et stockage
Figure 1.2μ Exemple d’une configuration hybride générale dédiée à un site isolé : 9
Couplage éolien photovoltaïque
Figure 1.3μ Exemple d’une configuration hybride multi-sources dédiée à un bus 10
commun continu DC
Figure 1.4μ δes différentes étapes de la production d’un système photovoltaïque 15
(Technologie cristalline)
Figure 1.5: Les composants de l’aérogénérateur 18
Figure 1.6: Schéma récapitulatif des objectifs des travaux de thèse 28
Figure 2.1 : Rose de vent enregistrée en 2009 dans le site du National Wind 37
Technology Center, Latitude: 39° Nord, Longitude: 105° Ouest, Altitude : 1855
mètres
Figure 2.2 : Schéma montrant les différentes coordonnées angulaires utilisées en 39
énergétique solaire μ φ : la latitude, l’azimut, h la hauteur, ω l’angle horaire, la
déclinaison
Figure 2.3 μ Angles de repérage d’un plan de captation incliné 41
Figure 2.4 : Irradiance globale PSP [W/m²] enregistrée au cours de l’année 2008 43
Figure 2.5 μ Hauteur du soleil en fonction de l’azimut solaire pour différents jours 43
de l’année
Figure 2.6 μ Evolution de la densité de l’air en fonction de la température et de la 44
pression
Figure 2.7 : Distribution de la vitesse du vent 47
Figure 2.8 μ Estimation de l’énergie de vent par distribution des fréquences entre 49
l’année 2002 et l’année 2010.
Figure 2.9 μ Estimation de l’énergie de vent entre les années 2002 et 2010 par 50
distribution réelle des fréquences et par intégration numérique de la puissance
Figure 2.10 : Evolution des différentes irradiances reçues sur un plan incliné en 52
fonction de l’heure au cours de l’année 2008
Figure 2.11 : Evolution du potentiel photovoltaïque en fonction de l’inclinaison et 53
de l’orientation des panneaux (cas de l’année 2008, site du National Wind
Technology Center, Latitude: 39° Nord, Longitude: 105° Ouest, Altitude : 1855
mètres)
Figure 2.12 : Evolution du potentiel photovoltaïque pour des panneaux fixes et 56
mobiles en fonction des années de 2002 à 2010
Figure 2.13 μ Profils de consommation journaliers établis pour l’habitat résidentiel 62
considéré en fonction de l’heure et de la saison
Figure 2.14 μ Profils de consommations journalière de base enregistrés dans l’habit 63
résidentiel en fonction du temps
Figure 2.15 μ Allure de l’évolution de la consommation électrique en fonction des 64
mois représentée par les facteurs de correction de la charge électrique par rapport au
mois de juin.
Figure 2.16 μ Evolution de l’énergie du vent estimée en 200λ en fonction de la 66
période d’acquisition
Figure 2.17 : Représentation de la densité spectrale de puissance des vitesses de 67
vent recueillie à la minute en 2009.
Thèse D. ABBES
Page v
Liste des figures
Figure 2.18 μ Evolution de l’irradiation solaire estimée en 2008 en fonction de la 69

période d’acquisition de l’irradiance
Figure 2.19 : Evolution de la consommation électrique de l’habitat durant l’année 70
2009 en fonction de la période d’acquisition de la charge.
Figure 2.20 : Evaluation des différents potentiels énergétiques en fonction des 72
années à partir de données mi- horaires
Figure 3.1 : Architecture du système hybride éolien photovoltaïque avec batteries 78
Figure 3.2 : Modèle idéal d’une batterie Plomb-acide 83
Figure 3.3 : Vieillissement des accumulateurs au Plomb, nombre de cycles possible 85
en fonction de la profondeur de décharge
Figure 3.4 : Energie totale échangée en KWh par durée de vie en fonction de la 86
profondeur de décharge pour l’accumulateur au Plomb-Acide considéré comme
exemple
Figure 3.5 μ l’évolution du coût du cycle de vie des éoliennes choisies ( en 93
fonction de la surface balayée par leurs rotors (Awt)
Figure 3.6 μ l’évolution du coût du cycle de vie de différentes installations 95
photovoltaïques en fonction de la surface des panneaux
Figure 3.7 μ l’évolution du coût du cycle de vie de différentes batteries en fonction 97
de leur capacité nominale
Figure 3.8μ Phases de l’analyse du cycle de vie 99
Figure 3.9μ l’évolution de l’énergie primaire incarnée par les éoliennes choisies 104
( en fonction de la surface balayée par leurs rotors (Awt)
Figure 3.10: Modélisation Simulink du système hybride éolien-photovoltaïque avec 108
batteries
Figure 3.11 : Synoptique de simulation du fonctionnement d’un système 109
Figure 3.12 μ Variation du taux d’insatisfaction de la demande δPSP(%) sur les 115
neuf ans en fonction de la position des panneaux pour deux configurations hybrides
Figure 4.1 : Principe de la procédure d’optimisation proposée 136
Figure 4.2 : Relief des fonctions à optimiser et de la contrainte 141
Figure 4.3 : Algorithme de la méthode SQP 143
Figure 4.4 : Classification des approches de résolution multi-objectif 145
« D’un point de vue concepteur »
Figure 4.5: Pour une solution S du front F, la distance de peuplement (crowding 148
distance) d’une solution Si distance, utilisée dans σSGA-II correspond au périmètre
du cuboïde formé par ses deux voisins
Figure 4.6: Algorithme de la méthode NSGA-II 150
Figure 4.7μ Résultats d’optimisation dans le cas d’une optimisation mono-objective 152
selon l’approche économique
Figure 4.8μ Estimation du coût total (€) du système hybride en fonction de Apv[m²], 153
Awt[m²], Cn[Ah]
Figure 4.9μ Résultats d’optimisation dans le cas d’une optimisation mono-objective 154
selon l’approche écologique
Figure 4.10μ Estimation de l’énergie primaire incarnée dans le système hybride 155
EE(MJ) en fonction de Apv[m²],Awt[m²], Cn[Ah]
Figure 4.11μ Résultats d’optimisation dans le cas d’une optimisation multi- 156
objective obtenus par application de la méthode scalaire
Figure 4.12: Estimation de la somme (EE + CCV) en fonction de Apv [m²], 157
Awt[m²], Cn[Ah]
Figure 4.13: Représentation de la surface de compromis Front de Pareto 159
δPSP [%] vs CCV [€]
Thèse D. ABBES
Page vi
Liste des figures
Figure 4.14: Représentation de la surface de compromis Front de Pareto 160

LPSP [%] vs EE [MJ] (Ensemble des valeurs des fonctions objectif et la surface de
compromis)
Figure 4.15: Représentation de la surface de compromis Front de Pareto dans le 161
cas d’une optimisation tri-objective μ CCV [€] vs EE [εJ] & δPSP [%]
(Ensemble des valeurs des fonctions objectif et la surface de compromis)
Figure 4.16μ Bilan énergétique de l’année 2010 avec la configuration retenue 162
Figure 4.17μ Evolution de l’état de charge des batteries en fonction des saisons au 164
cours de l’année 2010
Figure 4.18: Evolution de la puissance des batteries en fonction du temps (2010) 165
Figure 4.19: Modélisation du système hybride considéré sous HOMER 169
Figure 4.20: Récapitulatif des résultats d’évaluation avec le logiciel HOMER 170
Figure 4.21: Présentation de la fonction polynomiale de la puissance de l’éolienne 171
Aeromax Engineering (Lacota S, SC)
Figure 5.1μ εodèle idéal à une diode d’une cellule photovoltaïque et modèle 178
équivalent réaliste d’un panneau avec résistances série et parallèle
Figure 5.2μ Procédure d’identification des paramètres Rs et Rp d’un panneau 181
photovoltaïque
Figure 5.3: Courbes caractéristiques du panneau « Sharp ND-240QCJ Poly 182
(240Wc) » (G=1000W/m², Ta=25°C)
Figure 5.4: Evolution de la puissance maximale du panneau «Sharp ND-240QCJ 182
Poly (240Wc) » en fonction de de la température ambiante (Ta) et de l’irradiance
(G)
Figure 5.5: Principe de recherche avec pas variable dans un algorithme P&O 183
Figure 5.6: Algorithme MPPT P&O amélioré 184
Figure 5.7: Schéma de la chaîne de conversion photovoltaïque développé sous 185
Matlab/Simulink/Simpower
Figure 5.8: Schéma du bloc de commande MPPT développé sous Matlab/Simulink 186
Figure 5.9: Modèle moyen du hacheur en interface entre les panneaux solaires et la 186
batterie
Figure 5. 10: le tracé du diagramme de Bode pour les fonctions de transfert en 189
boucle ouverte et en boucle fermée ( et ) pour et
Figure 5. 11: Résultats de simulation de la chaîne de conversion photovoltaïque 189

sous Matlab/Simulink
Figure 5.12μ Synoptique de l’émulateur développé 191
Figure 5.13: Implémentation de la régulation de l’émulateur développé 191
Figure 5.14: Reproduction du modèle de référence d’un panneau « Sharp ND- 192
240QCJ Poly (240Wc) » pour différentes températures et différentes irradiations
avec l’émulateur développé
Figure 5.15: Schéma de câblage du simulateur solaire photovoltaïque développé 193
Figure 5.16: Photo du simulateur solaire photovoltaïque mise en place en 194
laboratoire
Figure 5.17: Synoptique du simulateur éolien développé 195
Figure 5.18μ Courbe caractéristique de l’éolienne 196
Figure 5.19: Schéma de la chaîne de conversion éolienne développée sous 199
Figure 5.20μ εodèle moyen du hacheur en interface entre l’alimentation continue et 200
le moteur à courant continu MCC1
Figure 5.21: Schéma bloc de la boucle de régulation du courant de la machine 200
Thèse D. ABBES Page

vii
Liste des figures
MCC1
Figure 5.22: le tracé du diagramme de Bode de la fonction de transfert de 201
la perturbation en boucle fermée
Figure 5.23: Modèle moyen du hacheur en interface entre la génératrice MCC2 et 202
la batterie
Figure 5.24: Schéma bloc de la boucle de régulation de vitesse 204
Figure 5.25: le tracé du diagramme de Bode de la fonction de transfert de la vitesse 205
de l’éolienne en boucle fermée et en boucle ouverte
Figure 5.26: Résultats de simulation de la chaîne de conversion éolienne sous 206
Matlab/Simulink
Figure 5. 27: Schéma de câblage du simulateur éolien développé 207
Figure 5.28: Photo du simulateur éolien mis en place au laboratoire 208
Figure 5.29μ Photo du banc d’essai hybride éolien photovoltaïque avec batterie 209
Figure 5.30: Organigramme de la méthode de supervision proposée 211
Figure 5.31μ Evolution des données d’entrée (vent, température, irradiation et 214
consommation) en fonction du temps utilisée pour la validation de la technique de
supervision
Figure 5.32μ Principaux résultats de l’essai de validation de la technique de 215
supervision
Figure 5.33μ Evolution des données d’entrée (vent, température, irradiation et 217
consommation) en fonction du temps utilisée pour l’étude de sensibilité
Figure 5.34: Principaux résultats de l’essai d’étude de sensibilité 218
Figure 5.35μ Principaux résultats du dernier essai consacré à l’émulation du 220
comportement d’un système hybride éolien photovoltaïque avec batteries

viii
Liste des tableaux
Liste des tableaux

Tableau 2.1 μ Evolution de la densité moyenne de l’air en fonction des années 45
Tableau 2.2 : Paramètres estimés des distributions du vent par Matlab 48
Tableau 2.3 : Estimation du potentiel photovoltaïque pour des panneaux fixes et 55
mobiles en fonction des années de 2002 à 2010
Tableau 2.4: Détermination des angles de position optimale des panneaux en fonction 56
des mois pour l’année 2008
Tableau 2.5μ Evolution du potentiel photovoltaïque en fonction des mois pour l’année 57
2008 en considérant des panneaux fixés avec une inclinaison de 60° et orientés plein
sud (180°)
Tableau 2.6 μ Bilan énergétique de l’habitat résidentiel choisi 60
Tableau 2.7 : Facteurs de correction de la charge électrique par rapport au mois de 64
juin
Tableau 2.8 : Evolution de l'énergie du vent estimée en 2009 en fonction de la période 66
d’acquisition
Tableau 2.9 : Evolution de l'irradiation solaire estimée en 2008 en fonction de la 68
période d’acquisition de l’irradiance
Tableau 2.10 μ Evolution de la consommation électrique de l’habitat estimée durant 70
l’année 200λ en fonction de la période d’acquisition de la charge électrique
Tableau 3.1 : Coefficients de perte de capacité pour 2 technologies d’accumulateurs 88
Plomb-Acide
Tableau 3.2 : Coûts du cycle de vie de différentes éoliennes domestiques 93
Tableau 3.3 : Coûts du cycle de vie de différents modèles de panneaux 94
photovoltaïques avec différentes surfaces
Tableau 3.4 : Coûts du cycle de vie de différents modèles de batteries plomb-acide 97
avec des capacités nominales variées
Tableau 3.5 : Hypothèses et données utilisées pour le bilan énergétique des petites 101
éoliennes
Tableau 3.6 μ Bilan d’énergies primaires de différents systèmes éoliens domestiques 103
en fonction des surfaces balayées par leurs rotors
Tableau 3.7: Hypothèses et données utilisées pour le bilan énergétique par m² de 105
panneaux photovoltaïques et par Ah de batteries en considérant les composants
supplémentaires
Tableau 3.8μ Bilan d’énergies primaires de différents panneaux photovoltaïques en 106
prenant en compte les composants additionnels nécessaires à leur bon fonctionnement
en fonction de leurs surfaces
Tableau 3.9μ Résultats de simulation d’un système photovoltaïque seul avec batteries 112
Tableau 3.10μ Résultats de simulation d’un système éolien seul avec batteries 113
Tableau 3.11μ Résultats de simulation d’un système hybride éolien photovoltaïque 114
avec batteries
Tableau 3.12μ Résultats de simulation d’un système hybride éolien photovoltaïque 116
avec batteries pour différents profils de consommation
Tableau 4.1μ Tableau comparatif des méthodes d’optimisation non linéaire sous 139
contraintes
Tableau 4.2: Paramètres utilisés dans cette application 158
Tableau 4.3 : Résultats de fiabilité de la solution retenue en fonction des années 163
Tableau 4.4 : Evaluation Economique du système hybride 166
Thèse D. ABBES
Page ix
Liste des tableaux
Tableau 4.5 : Ecobilan du système hybride Eolien photovoltaïque avec stockage 167
Tableau 4.6 : Comparaison des résultats obtenus par HOMER et par Simulink 170
Tableau 5.1: Caractéristiques électriques d’un panneau de type 180
Solar Sharp ND-240QCJ Poly (240Wc)
Tableau 5.2: Paramètres utilisés pour la simulation sous Matlab/Simulink/Simpower 185
Tableau 5.3: Paramètres utilisés pour la simulation sous Matlab/Simulink/Simpower 198
Thèse D. ABBES
Page x
Nomenclatures et principales abréviations

: Potentiel éolien mensuel multiplié par le rendement de l’aérogénérateur
: Courant de saturation du panneau

, , : Limites inférieure et supérieure des
variables de décision spécifiées par l'utilisateur.
: Facteur de coût économique par un m² de panneaux photovoltaïques
: Facteur de coût économique pour un m² de surface éolienne
: Demande mensuelle en énergie électrique de l’habitat
: Potentiel photovoltaïque mensuel éolien multiplié par le rendement des panneaux
: Coefficient de perte relatif à la technologie de l’accumulateur
: Coût de cycle de vie des batteries
: Le rayonnement extraterrestre global sur une surface horizontale pour un instant

donné
Courant de saturation nominal d’un panneau photovoltaïque

: Courant à l’entrée et à la sortie de batterie
: Courant photovoltaïque généré aux conditions nominales
: Courant photovoltaïque dû à l’irradiance
: Courant généré par un panneau photovoltaïque
: Courant nominal de court-circuit dans les conditions nominales de température et

d’irradiance
: Coefficient de variation du courant photovoltaïque en fonction de la température.
: Coefficient de variation de la tension aux bornes d’un panneau photovoltaïque en

fonction de la température
: Réserve en énergie des batteries en KWh
: Energie annuelle produite par les panneaux photovoltaïques en KWh/an
: Production annuelle de l’éolienne en kWh/an
: Besoins énergétiques totaux de l’habitat sur un an,
: Probabilité maximale d’insatisfaction de la demande autorisée par le

consommateur pour la période considérée T.
: Coût de cycle de vie d’un système photovoltaïque
Thèse D. ABBES
Page xi
: Puissance maximale expérimentale indiquée par le fabricant du panneau

photovoltaïque dans les conditions nominales
Puissance maximale du modèle de panneau photovoltaïque obtenu par la procédure

d’identification
Puissance maximale d’un panneau photovoltaïque
: Résistance de la machine à courant continu MCC1
: Tension à vide d’un panneau photovoltaïque dans les conditions nominales
: Potentiel thermique du panneau photovoltaïque

: Coût du cycle de vie des éoliennes choisies
: Energie primaire incarnée par une petite éolienne
: Facteur d’actualisation de ce coût si le produit serait racheté n années plus tard
: Vitesse de rotation basse mesurée avant le multiplicateur de vitesse
: Angle d’incidence du rayonnement solaire sur une surface inclinée

∆t : Pas de simulation
° : Degré géométrique
°c : Degré Celsius
3D : Image en trois dimensions
a : Constante d’idéalité de la diode, supposée égale à 1dans notre cas
AC : Courant Alternatif
ACV : Analyse du Cycle de Vie
AGM : Absorbed Glass Mat battery
Apv : Surface des panneaux photovoltaïques en mètres carrés

ASI : Alimentation sans interruption
a-Si : Silicium amorphe
a-Si/m-Si : Cellules multi-jonction
Awt : Surface balayée par le rotor de l’éolienne en mètre carrés
B.M.S : Battery Management System

BIPV : Building integrated photovoltaics
BOS : Composants Supplémentaires (Balance-of-System components)
C : Pas d’incrémentation pour l’algorithme εPPT P&τ amélioré,

xii
Cbat : Capacité d’une batterie élémentaire

CCmaint : Coût cumulé de maintenance
CCreplace : Coût du remplacement du matériel
CCV : Coût du cycle de vie

CdTe : Tellurure de Cadmium
CEI : Commission Electrotechnique Internationale
Ceol : Couple éolien
Kt : Indice de clarté du ciel Kt
CIGS : Gallium Diselenide/disulphid
Cinst : Coût de l’installation du matériel
CIS : Cuivre Indium Sulfide
Cn [Ah] : Capacité nominale du banc de batteries
Co : Capacité de la batterie évaluée à 27°C

Cp : Coefficient de puissance de l’éolienne
Cpmax : Coefficient de puissance maximal de l’éolienne
d : taux d’intérêt par année
DC : Courant Continu
DOD : Profondeur de décharge des batteries
DS1104 : Type de la carte Dspace
E+ Bâtiments : bâtiments à énergie positive
Ec : Energie consommée par la charge
ECS : Eau Chaude Sanitaire
EE : Energie primaire contenue ou intrinsèque
Eex : Energie échangeable par les batteries

EFC : Fonction du nombre de cycles complets équivalents (Equivalent Full Cycle) de
l’accumulateur
Eg : Energie de bande du semi-conducteur (« bandgap energy of the semiconductor »
EIGSI : Ecole d’Ingénieur en Génie des Systèmes Industriels de δa Rochelle
Elife : Durée de vie des batteries
Ep : Energie quotidienne nécessaire à produire en moyenne

xiii
EP : Probabilité d’excès de production

F : Front de Pareto
Fmincon : Fonction εatlab pour l’optimisation non linéaire
Gb : Irradiance directe sur un plan horizontal

Gh : Rayonnement global horizontal du soleil
h : Hauteur du soleil
HOGA : Hybrid Optimization by Genetic Algorithms
HOMER : δogiciel de dimensionnement des systèmes d’énergies renouvelables développé
par National Renewable Energy Laboratory
IEEE : Institute of Electrical and Electronics Engineers
Imp : Courant du panneau photovoltaïque au point de maximum de puissance
INSEL : δogiciel de dimensionnement des systèmes hybrides d’énergies renouverlables
IR : Infra Rouge
Ir : Irradiation solaire exprimé en W/m²
ISO : Organisation Internationale de Normalisation
K : Constante de Boltzmann
LCC : Life Cycle Cost : coût cumulé d’un produit tout au long de son cycle de vie
Li-ion : Lithium Ion
Lm1 : Inductance de la MCC1 + 0,01 mH (inductance additionnelle)
LPS : Pénurie de la puissance produite par le système hybride (Loss of Power Supply)
LPSP : Probabilité d’insatisfaction de la demande (en anglais : « Loss of Power Supply
Probability »)
m : Coefficient de multiplication de vitesse de l’éolienne
M.O.G.A : Multiple Objective Genetic Algorithm
Matlab : Logiciel de calcul mathématique
Mono c-Si : Monocristallines
MPP : Point de Maximum de Puissance
MPPT : Maximum Power Point Tracking (suivi du point de maximum de puissance)
n : Durée de vie du système en années
N : Nombre de panneaux photovoltaïques

xiv
N.P.G.A : Niched Pareto Genetic Algorithm

N.S.G.A : Non dominated Sorting Genetic Algorithm
Nbat : Nombre total de batteries
Nbats : Nombre total de batteries connectées en série dans chaque branche
Ncycles : Nombre de Cycles subis par les batteries
NEFC : Nombre de cycles complets équivalents subi par les batteries
Ni/Cd et Ni/MH : batteries alcalines
NREL : Laboratoire National des Energies Renouvelables aux Etats Unis

P : Pression atmosphérique
P.A.S.A : Pareto Archived Simulated Annealing
Pb-Ca : Plomb Cadium

Pb-Ca-Sn: Plomb Cadium Etain
PbOx : Oxyde de plomb
PC : Ordinateur personnel
Pdemand : Puissance demandée par la charge
PEMFC : Technologie à piles combustibles
PI : Correcteur de commande Proportionnel Intégral

Pload (t) : Puissance consommée par l’habitat résidentiel à l’instant t
Poly c-Si : Polycristalline

Pres : Puissance produite par les sources renouvelables
PV : Photovoltaïque
Pwg : Puissance produite par le générateur éolien
R : Rayon de l’aérogénérateur
RAPSIM : δogiciel commercial de simulation des systèmes d’énergies renouvelables

Rb : Facteur de forme. Il correspond au rapport de l’irradiance directe reçue par la surface de
captation sur l’irradiance directe sur un plan horizontal.
Rbat : Résistance interne équivalente d’une batterie
Ribbon c-Si : Rubans Silicium

Rp : Résistance en parallèle dans le modèle d’un panneau photovoltaïque

xv
Rs : Résistance en série dans le modèle d’un panneau photovoltaïque

S : Surface
S.P.E.A : Strength Pareto Evolutionary Algorithm
S1;S2 : Solution numéro 1 et 2 sur le front de Pareto
SETAC: The Society of Environmental Toxicology and Chemistry
SOC : Etat de charge de l’accumulateur (State Of Charge)
SOCmax : Etat de charge maximal des batteries
SOCmin : Etat de charge minimal des batteries
SOH : State Of Health of accumulator (Etat de santé des batteries)

SOLSIM : δogiciel commercial de simulation des systèmes d’énergies renouvelables
SOMES : δogiciel commercial de simulation des systèmes d’énergies renouvelables
SPA : Solar Position Algorithm
SQP : Programmation Quadratique Séquentielle
t : Instant défini
Ta : Température ambiante
Tc: Température des cellules photovoltaïques exprimée en degrés Celsius
TCO: Total Cost of Ownership: coût total de possession

Thin Film : technologie des couches minces
TKD-Lamda : Marque de l’alimentation programmable
TNOCT : Température d’utilisation de la cellule photovoltaïque : Nominal Operating Cell

Temperature
tsim : Temps de simulation
TTL : Signaux de sortie de la space
Ubus : Tension de bus continu
UV : Rayons ultraviolet
V : vitesse du vent em mètre/ seconde
Vbat : la tension aux bornes
Vi : la vitesse minimale pour exploiter la puissance du vent

VMC : Système de ventilation simple flux

xvi
Vmp : Tension du panneau photovoltaïque au point de maximum de puissance
Vo : Vitesse du vent à partir de laquelle les petites éoliennes ne produisent plus d’énergie
Voc : Tension en circuit ouvert du panneau photovoltaïque
Vpv : Tension aux bornes du panneau

VRLA : Batterie à recombinaison de gaz
W.A.R.G.A : Weighted Average Ranking Genetic Algorithm
Wn : Bande passante du filtre (fréquence haute de la bande passante pour un passe-bas)

Z : Altitude
αm1 : Rapport cyclique du hacheur
β : Pente ou Inclinaison des panneaux
βt : Coefficient de l’influence de la température des cellules photovoltaïques sur le
rendement du générateur
: Angle de déclinaison du soleil
ηacdc : Rendement du convertisseur AC/DC
ηcha : Rendement de charge des batteries
ηdcdc : Rendement du convertisseur DC/DC
ηdis : Rendement de décharge des batteries
ηg : Rendement de la génératrice éolienne
ηgb : Rendement du variateur de vitesse
ηinv : Rendement du convertisseur DC/AC

ηpc : Facteur de dégradation des panneaux
ηpv : Rendement global du module photovoltaïque
ηr : Rendement de référence du module photovoltaïque
λ : Vitesse réduite de l’éolienne

λopt : Vitesse réduite optimale
ρ : Densité de l’air
: Taux d’inflation qui est une mesure de la baisse durable de la valeur de la monnaie
φ : Latitude d’un site
Ω réf : Vitesse de référence de rotation de la génératrice éolienne

xvii
Ω : Vitesse de rotation de la génératrice

ω : Angle horaire du soleil
Ωl : Vitesse de rotation des pâles
Ф : Azimut du soleil
: Capacité nominale à l’instant t.

: Capacité nominale initiale de l’accumulateur
: Déficit d’énergie noté à l’instant t
: Puissance éolienne
� �
μ Coût du KWh produit par le système hybride avec des sources renouvelables
: Rapport cyclique des convertisseurs
: Orientation du panneau en degrés géométriques

: Rendement de l’onduleur
: Rendement global de l’éolienne
� : Facteur de prise en compte des pertes dans les fils

xviii
Introduction générale
Depuis quelques années, le monde est confronté à des enjeux énergétiques et climatiques
sans précédent pour lesquels de fortes alternatives sont attendues. Relever ces défis devra
passer par une période de transition où le recours aux énergies renouvelables, l’amélioration
de l’efficacité énergétique, et la modération de la consommation dans les comportements
seront les principaux vecteurs du changement. Les efforts à entreprendre dans le domaine des
énergies renouvelables sont considérables car leur part dans l’énergie finale n’est que de 12,4
% en 2010 alors que la cible pour 2020 est de 23 % pour la France, 20 % pour l’Union
Européenne des 27 pays. En prenant compte du fait que la majorité de cette énergie est
d’origine hydroélectrique, nous mesurons mieux le chemin restant à parcourir. Différents
facteurs climatiques, énergétiques ou économiques telles que le réchauffement climatique, la
raréfaction des énergies fossiles, la libéralisation du marché de l’énergie soutiennent une prise
de conscience accrue dans le domaine des énergies renouvelables de la part des usagers ou des
décideurs politiques. Les collectivités doivent jouer un rôle important dans le développement
des énergies nouvelles sur leur territoire en mettant en place plusieurs actions comme la
réhabilitation du patrimoine pour réduire la consommation d’énergie, le recours aux énergies
locales, l’intégration de critères durables dans la « commande publique » ou encore le soutien
aux acteurs en vue de développer de nouvelles filières. Depuis les années 70, la France a basé
son modèle énergétique sur le développement de l’électricité à bas coût et faiblement émissive
en gaz à effet de serre, en vue de réduire la dépendance aux énergies fossiles. Aujourd’hui, la
politique énergétique du pays connaît quelques incertitudes liées au renouvellement de son
parc nucléaire, aux aléas d’approvisionnements en combustible, à la sécurité même de ces
systèmes de production. C’est ainsi que depuis plusieurs années, des plans climats énergies
ont été adoptés pour favoriser le développement de la production décentralisée d’énergie, ou
encore la maîtrise de la consommation énergétique. Aujourd’hui, la production des énergies
renouvelables est revendue presque intégralement au réseau d’énergie. τr, avec la baisse
programmée du tarif de rachat de l’électricité, cette alternative risque fort dans un avenir
proche de se révéler moins rentable qu'actuellement (suppression des tarifs de rachat à
moyen/long terme). D’un point de vue économique, les installations à base d’énergies
renouvelables ne sont pas encore compétitives mais il est raisonnable de penser qu’elles le
deviendront à court terme, en particulier avec le renchérissement du prix des énergies fossiles.
De plus, la tendance est de consommer au niveau local, l’énergie produite. Dans un tel
contexte, afin de diminuer le pourcentage d'utilisation des énergies traditionnelles dans la
Thèse D. ABBES
Page 2
consommation globale, il convient de lever les difficultés liées à l'emploi des énergies
propres. L'une de ces difficultés en est l'optimisation de la combinaison de plusieurs énergies
(comme par exemple le soleil, le vent, …) et l’utilisation des dispositifs de stockage pour
pallier au caractère intermittent de ces énergies. τn peut réinjecter l’énergie provenant des
sources renouvelables directement sur le réseau électrique, en prévoyant, soit un dispositif de
stockage (des batteries par exemple), soit un système de gestion intelligente afin de mettre en
adéquation la production avec l’usage de l’énergie. C’est dans ce contexte que se situe la
problématique de cette thèse : concevoir et optimiser un système multi-sources pour satisfaire
aux besoins d’un habitat résidentiel en électricité.
Pour résoudre cette problématique, nous avons divisé cette thèse en plusieurs chapitres.
Dans le chapitre 1, nous présentons les différentes typologies de systèmes électriques
autonomes multi-sources pour l’habitat résidentiel et passons en revue les différents
dispositifs possibles de stockage de l’énergie électrique. δ’utilisation de batteries au plomb
s’avère très intéressante car c’est une technologie éprouvée et qui présente un bon ratio
performance/coût. Après avoir montré les limites d’utilisation d’une seule source pour
satisfaire aux besoins de la charge, nous nous intéressons plus particulièrement aux systèmes
hybrides éoliens-photovoltaïques car les ressources en vent et en soleil sont souvent
complémentaires. Dans le chapitre 2, nous présentons une étude d’impact sur l’évaluation du
potentiel en énergies renouvelables sur un site donné en prenant en compte la consommation
dans un habitat résidentiel (période et méthode d’acquisition des données, techniques
d’évaluation, …). Cette analyse vise à préciser les différentes pistes pour la simulation du
système hybride (éolien photovoltaïque avec batteries) dans la suite des travaux. Le chapitre 3
est consacré à la modélisation du système hybride éolien photovoltaïque avec batteries.
δ’objectif principal est le dimensionnement ainsi que l’évaluation économique et écologique
du système complet. Dans un premier temps, les modélisations énergétiques des différents
composants du système sont présentées, puis les aspects économiques et écologiques sont
définis dans le but de réaliser une évaluation globale de la solution de dimensionnement.
δ’ensemble des modèles est représenté à l’aide du logiciel εatlab/Simulink. δe
fonctionnement global du système est étudié selon différents profils de consommation et tient
compte de l’orientation et de l’inclinaison des capteurs d’énergie (PV en particulier). A la fin
de ce chapitre, des résultats de simulation sont présentés et discutés. Nous destinons le
chapitre 4 à l’optimisation du dimensionnement du système multi-sources. Après avoir passé
en revue la bibliographie, nous exposons les principales méthodes de dimensionnement
Thèse D. ABBES
Page 3
existantes en soulignant les apports et les insuffisances. Puis, une méthodologie

d’optimisation est développée et comparée à plusieurs approches, allant d’une optimisation
mono-objective à une multi-objective et évaluant le coût économique et écologique de
chacune de ces solutions. Une solution « pratique » est retenue pour les composants PV,
éolien batteries du système final afin d’évaluer la viabilité énergétique, économique et
écologique. Les résultats montrent un impact environnemental faible et un coût raisonnable du
point de vue économique ainsi qu’une satisfaction de la charge dans les limites tolérées par
l’usager. A la fin de ce chapitre, nous comparons notre propre méthode de dimensionnement à
un outil existant. Dans le chapitre 5, un banc expérimental PV-éolien avec batteries a été
développé dans nos locaux pour valider la configuration du système décrit au chapitre
précédent. δ’objectif de ce banc est de tester les différents couplages d’énergies possibles
ainsi que la gestion de l’énergie au niveau des batteries de stockage.
Finalement, nous terminons ce mémoire par des conclusions générales et quelques

perspectives pour des travaux futurs dans ce domaine.
Thèse D. ABBES
Page 4
Les systèmes électriques autonomes multi-sources
Chapitre 1 : Les systèmes électriques autonomes

multi-sources pour l’habitat résidentiel
1.1- Introduction
δ’énergie électrique provenant de sources renouvelables, en particulier le vent et le soleil,
est considérée comme une alternative de production intéressante dans les systèmes d’énergie
électrique du monde d’aujourd’hui. Cependant, leur utilisation est limitée par la variabilité des
ressources qui risque de diminuer leur fiabilité. Les fluctuations de la charge selon les
périodes annuelles ou journalières ne sont pas forcément corrélées avec les ressources
énergétiques disponibles. Pour surmonter cette limite, la solution à retenir, pour les sites
isolés, est certainement le recours et la combinaison de plusieurs sources, telles que les
systèmes hybrides éolien-photovoltaïques avec batteries.
Dans ce chapitre, nous nous intéressons à ce type de systèmes. Dans un premier temps,
nous définissons de manière générale les systèmes multi-sources. Puis, nous présentons de
manière plus détaillée les systèmes hybrides éolien-photovoltaïques avec batteries, objet
principal de cette thèse. Nous en décrivons ensuite les principaux composants, avantages et
inconvénients. Ensuite, nous exposons une revue détaillée des travaux de recherche récents
appliqués à ces systèmes particuliers. Dans un dernier paragraphe, nous développons les
objectifs des travaux de la thèse.
1.2- Généralités sur les systèmes d’énergie hybrides

Le terme « Système d’Energie Hybride » fait référence aux systèmes de génération
d’énergie électrique multi-sources. Il s’agit de systèmes complexes associant différentes
sources renouvelables ou bien combinées avec des sources conventionnelles (générateur
diesel…), différents éléments de stockage et différentes charges. Ils permettent la
compensation du caractère intermittent des sources renouvelables et offrent un rendement
énergétique global plus élevé. δeur intérêt essentiel est la possibilité d’autonomie énergétique
qu’ils permettent vu qu’ils ne dépendent pas d’une seule source. Ils peuvent résoudre en très
grande partie le problème de la disponibilité de l’énergie [1]. La figure (1.1) représente le
schéma général des systèmes hybrides. Un bus électrique est commun à tous les éléments qui
sont connectés. Ces derniers sont regroupés selon leur fonction électrique : les éléments de
génération (ou sources), les éléments de charge (Load en anglais) et les éléments de stockage
(Storage en anglais, en pointillé sur la figure).
Thèse D. ABBES
Page 6
Source Stockage
Diesel Supercapacités
Hydraulique Batteries
Réseau Réseau
PAC Electrolyseur
2H2 + O2 H2
Eolienne
Charge Auxilliaire
PV Habitat
Charge
Bus Électrique
Figure 1.1 : Schéma général de système énergétique hybride multi-sources, charges et

stockage
δes systèmes d’énergie hybrides peuvent être connectés aux réseaux électriques ou
autonomes. Dans le premier cas, on parle d’une génération distribuée. δes énergies éoliennes
et solaires sont transformées sous la forme électrique transportable via les lignes vers le
réseau. La production énergétique hybride est alors centralisée et mise en réseau entre
plusieurs sites de production et de consommation. La connexion des sources hybrides aux
réseaux électriques doit respecter certaines normes qui ne sont pas forcément spécifiques au
domaine d’énergies renouvelables. δes normes existantes s’appliquent à des générateurs ou à
des convertisseurs statiques dans le cadre des normalisations françaises et européennes
(générateurs PV, machines électriques, onduleurs, pollution électrique, sécurité des biens et
des personnes, etc.). Majoritairement, les centrales hybrides sont de puissance inférieure à 10
MW. Alors elles sont soumises à la réglementation pour le raccordement des systèmes de
micro-génération. Plusieurs groupes de travail au sein de la CEI (Commission
Thèse D. ABBES
Page 7
Electrotechnique Internationale) travaillent sur la question de la normalisation des systèmes

qui utilisent les énergies renouvelables. Aux Etats-Unis, la série des normes IEEE 1547
encadre tous les aspects liés à l’interconnexion entre les sources renouvelables et le réseau.
Ces normes imposent des exigences sur la qualité de l’énergie produite en termes de tension,
de fréquence et d’harmoniques. Ces contraintes imposent l’implantation de boucles de
régulation spécifiques avec des dispositifs de filtrage dans les systèmes hybrides.
La majorité des systèmes hybrides raccordés au réseau, sont sans dispositif de stockage.
Néanmoins, dans certains systèmes connectés à un réseau électrique « faible », des unités de
stockage sont introduites pour renforcer le réseau en cas de défaillance. Dans ce cas, ils sont
dimensionnés de manière à assurer un fonctionnement, éventuellement en mode dégradé, pour
la durée de la coupure. Cependant si ces systèmes de production, qui ont un caractère aléatoire
de par la nature des sources utilisées, viennent à se multiplier et à atteindre des proportions
non négligeables alors les dispositifs de stockage joueront un rôle important pour assurer la
stabilité du réseau. Dans d’autres systèmes, on remarque la présence de générateurs diesel qui
constituent un second moyen de secours.
Dans les sites isolés où le réseau n’existe pas, il est donc pratique et dans la majorité des
cas nécessaire que le système hybride possède une autonomie totale. En plus, le caractère
capricieux des sources renouvelables pose le problème de la disponibilité énergétique. Dans
ce cas, il est parfaitement envisageable, voire impératif d’associer un élément de stockage de
type accumulateur électrochimique ou hydrogène au système. δa présence d’un dispositif de
stockage s’impose dans la mesure où la consommation et la production sont fortement
découplées.
Dans les applications existantes, ce sont quasi-systématiquement des systèmes de petite
puissance avec des batteries d’accumulateurs au plomb. δe dimensionnement du système de
stockage est généralement lié à l’autonomie en jours recherchée. Cependant, le stockage
représente une part très importante du coût et de l’entretien de l’installation, d’autant plus que
la durée de vie des accumulateurs est bien inférieure à celle du panneau photovoltaïque, de
l’éolienne et des convertisseurs d’énergie statiques. Dans ce cas particulier, le surcoût est
acceptable en comparaison du prix qu'il aurait fallu allouer à l'installation d'une nouvelle ligne
électrique. Le stockage présente donc une alternative intéressante pour assurer la fourniture de
l’énergie en continu.
Dans nos travaux de recherche, nous nous intéressons principalement aux systèmes
hybrides formés par deux sources renouvelables de type photovoltaïque et éolien et un
stockage électrochimique de type batteries. En effet, les systèmes d’énergie hybrides sont
Thèse D. ABBES
Page 8
généralement autonomes par rapport aux grands réseaux interconnectés et sont souvent
utilisés dans les régions isolées pour l’éclairage domestique, les systèmes de production de
froid, le pompage de l’eau et les systèmes de télécommunications.
Par la suite, nous proposons de justifier ce choix et décrire des tels systèmes.
1.2.1- Les systèmes hybrides autonomes (éolien-photovoltaïque) avec stockage

δa figure 1.2 donne un exemple typique d’une unité de production hybride non raccordée
au réseau couplant deux sources d’énergie éolienne et solaire avec un stockage de l’énergie.
δe « nœud électrique » permet de connecter et de distribuer l’énergie entre les différents
composants du système. Avec cette association, nous obtenons un réseau électrique
complètement autonome à courant continu DC et/ou à courant alternatif AC. On parle ainsi
d’un mini- réseau local « iloté », à faible puissance de court-circuit. Dans la plupart des
références bibliographiques [2], il y a une corrélation établie comme naturelle entre, mini
réseau « iloté » et système multi-sources.
Charge DC ou AC
Turbine
Stockage de
l’ e gie Charge DC
Convertisseurs
statiques adaptés Nœud
aux entrées et la Électrique
sortie et avec AC ou DC
une commande
MPPT
Modules PV
Charge AC
Figure 1.2: Exemple d’une configuration hybride générale dédiée à un site isolé :
Couplage éolien photovoltaïque
δes systèmes hybrides sont souvent classés en deux filières selon le type de nœud
électrique de couplage et les convertisseurs statiques associés. La première est caractérisée par
un couplage des sources autour d’un bus commun alternatif AC, la seconde topologie des
systèmes hybrides est fondée sur un couplage avec un bus commun continu DC [1].
Thèse D. ABBES
Page 9
δes systèmes hybrides avec un couplage des sources autour d’un bus AC sont plus adaptés
à une génération distribuée (raccordée au réseau électrique) et sont fréquemment utilisés dans
le cas d’une production de plus grande puissance.
Les systèmes hybrides à configuration de bus commun continu sont plus adaptés à une
génération ilotée de petite puissance. La majorité de ces systèmes sont utilisés en sites isolés
où l’énergie est produite et directement consommée en courant continu sur place ou à
proximité des générateurs.
Pour les systèmes à configuration de bus DC, nous remarquons qu’il existe plusieurs
niveaux d’amplitudes du bus DC. Il n’y a pas une exacte modularité de la jonction continue à
l’opposé des systèmes à configuration de bus AC. Une version dérivée de cette structure
couramment employée consiste à utiliser le bus continu comme jonction intermédiaire avant
de transformer l’énergie en courant alternatif AC (figure 1.3). Avec cette configuration, les
systèmes sont capables de satisfaire en même temps une consommation en courant continu
DC et/ou en courant alternatif AC avec une possibilité si besoin d’une connexion au réseau
électrique grâce à des convertisseurs (DC/AC : onduleurs) réversibles. Cette structure sera
adoptée dans le cadre de cette thèse. Sa gestion énergétique est moins complexe que les
configurations alternatives.
BUS DC
AC / DC
Charge DC
DC / DC
BUS AC
Charge AC
DC / AC
Autres Sources Possibilité
Convertisseur
Statique Réseauélectrique
Figure 1.3μExemple d’une configuration hybride multi-sources dédiée à un bus commun

continu DC

10
1.2.2- Avantages et limites des systèmes hybrides (éoliens-photovoltaïques) avec

stockage
Les systèmes hybrides les plus répandus sont caractérisés par un couplage éolien-
photovoltaïque. δ’intérêt de la combinaison de ces deux sources énergétiques est justifié par le
fait qu’ils présentent les ressources les mieux partagées. δa complémentarité de ces deux
ressources est très significative que ce soit à l’échelle annuelle ou à l’échelle journalière. En effet,
le vent souffle plus pendant l’hiver et l’automne et il diminue au printemps tandis que le
rayonnement solaire le plus intense se situe pendant l'été. De même, sur une journée, le
rayonnement solaire est plus fort pendant le jour alors que le vent peut souffler aussi la nuit. Cette
complémentarité saisonnière et journalière des ressources solaires et éoliennes permet par
exemple au site isolé d’avoir une disponibilité de l’énergie plus fiable, laquelle, bien entendu,
dépend du site d’implantation. Ainsi, le fait de mettre en place un système hybride en combinant
un panneau photovoltaïque et un aérogénérateur avec un générateur de secours à moteur diesel
pourrait traiter les besoins en énergie pendant toute l'année. Cependant, le moteur diesel demande
un approvisionnement en carburant. Son utilisation dans des sites isolés peut ainsi être polluante,
bruyante et économiquement moins viable en comparaison avec les sources d'énergies
renouvelables. Dans plusieurs applications, le moteur diesel est évité en incluant dans les
systèmes un dispositif de stockage d'énergie par accumulateur électrochimique. Dès lors que le
coût de stockage représente la contrainte économique principale, les systèmes hybrides doivent
être convenablement conçus pour réduire au minimum les besoins en accumulateur d’énergie dans
le cas d’un fonctionnement autonome. Dans certains systèmes, on remarque l’utilisation d’une
nouvelle technologie de stockage basée sur l’hydrogène synthétisé par électrolyse de l’eau qui
semble être un débouché privilégié des énergies renouvelables [3]. Ainsi, la pile à combustible
fonctionnant à l’hydrogène d’origine renouvelable constituerait une filière entièrement propre et
disponible. De plus, stocker l’hydrogène en même temps qu’on produit de l’électricité dans une
ferme éolienne couplée à une centrale solaire permettra d’absorber les surplus de ces « énergies
capricieuses ». Cependant, cette filière hydrogène, quoique très prometteuse, souffre encore
aujourd’hui de sa rentabilité. Aussi, le stockage le plus courant en ce moment est le stockage
électrochimique sous forme de batteries.
Un autre avantage des systèmes hybrides éoliens-photovoltaïques consiste en leur efficacité

environnementale. Au cours de leur fonctionnement, Ils ne génèrent, ni émissions nocives, ni gaz
polluants. Ils utilisent seulement l’énergie du soleil et du vent comme « carburant », donc ils
créent un impact environnemental faible et contribuent activement à réduire le réchauffement
climatique. δ’éolienne générerait un peu de bruit selon la distance d’implantation mais sans effet
gênant pour l’utilisateur.

11
σéanmoins, l’hybridation de ces sources d’énergies renouvelables pose certains problèmes.

D’abord, compte tenu de leur nature stochastique, Il y a une difficulté à pouvoir produire à chaque
instant l’énergie demandée par la charge. En plus, si l’excès d’énergie ne peut être éliminé, la
production doit alors être limitée ou même arrêtée. Cela implique une évaluation précise des
ressources renouvelables du site et une conception adaptée du système, optimisant ainsi les
ressources énergétiques et conduisant à une quantité minimale d’énergie non fournie. Ces aspects
seront traités dans les chapitres 2, 3 et 4 de cette thèse.
Ensuite, l’hybridation pose le problème de l’interconnexion et de la gestion énergétique. δa

commande de ces systèmes est faite en fonction de l’état de charge de la batterie. σous allons voir
dans le chapitre 5, qu’il existe différentes méthodes de supervision [1],[4] et qu’à cet effet nous
proposons une technique de gestion différente avec une commande en courant. Les deux
générateurs doivent limiter leurs puissances de sortie lorsque les batteries sont complètement
chargées et ne peuvent donc plus stocker d’énergie. De même, l’onduleur et la charge doivent
atténuer leurs puissances pour arrêter la décharge des batteries quand leur état de charge atteint un
niveau limite inférieur prédéfini.
δa dynamique des générateurs d’énergies renouvelables peut aussi causer des problèmes dans
le fonctionnement des systèmes hybrides. Citons à titre d’exemple, le démarrage d’une
éolienne quand la vitesse du vent est élevée μ en l’occurrence, la puissance produite par
l’éolienne atteint presque instantanément la puissance nominale du générateur et de tels
changements rapides dans la production d’énergie peuvent générer des problèmes de qualité
d’énergie (variation de tension et de fréquence) et même l’arrêt complet du système.
σous avons lieu aussi d’évoquer les effets négatifs d’une surtension que provoquent un court-
circuit ou l’arrêt d’une charge importante. De tels problèmes ont été rencontrés lors des tests
expérimentaux effectués sur le banc d’essai mis en œuvre au sein du laboratoire et décrit dans
le chapitre 5.
Par la suite, nous allons faire la description des éléments constitutifs du système hybride éolien-
photovoltaïque avec stockage électrochimique (batteries).

12
1.3- Composants d’un système hybride éolien photovoltaïque avec batteries

1.3.1- Système photovoltaïque
δe système photovoltaïque convertit l’irradiance solaire en électricité. Il est composé de :
- cellules μ éléments de base de l’unité collectant la lumière du soleil,
- modules ou panneaux rassemblant un grand nombre de cellules au sein d’une unité,
- batteries connectées via un régulateur de charge.
Quand la lumière atteint la cellule, cela crée un champ électrique à travers les couches, créant
ainsi un flux électrique. Plus la lumière est intense, plus le flux électrique est important.
Une cellule photovoltaïque est constituée d’une ou deux couches de matériau semi-
conducteur, le plus souvent le silicium. Elle est soit tranchée à partir de lingots, soit sous
forme de rubans de silicium, soit en couches minces déposées sur un support à bas coût. Sa
performance se mesure en termes de rendement de transformation de la lumière du soleil en
électricité. Dans le commerce, les cellules solaires les plus répandues ont un rendement de 13-
15% [5]. Ce qui signifie qu’environ un sixième de la lumière du soleil frappant une cellule
produit de l’électricité. Donc, améliorer le rendement tout en poursuivant la réduction des
coûts de production est un objectif important pour l’industrie photovoltaïque [5].
Il existe différentes technologies des cellules solaires:
 Technologie du silicium cristallin
Les cellules en silicium cristallin sont composées de fines tranches coupées à partir
d’un seul cristal de silicium (monocristallin) ou d’un bloc de cristaux de silicium
(polycristallin). δeur rendement varie entre 12% et 17%. Il s’agit de la technologie
la plus répandue, représentant aujourd’hui environ λ0% du marché.
Trois principaux types de cellules cristallines peuvent être distingués :
- monocristallines (Mono c-Si),
- polycristallines (Poly c-Si),
- rubans (ribbon c-Si).
 Technologie des couches minces (Thin Film)
δes cellules en couches minces sont constituées de très fines couches d’un
matériau photosensible déposées sur un support à bas coût tel que le verre, l’acier
inoxydable ou le plastique. Les coûts de production du procédé des couches
minces sont inférieurs à ceux de la technologie cristalline qui nécessite davantage

13
de matière première. Cet avantage en termes de prix est toutefois contrebalancé

par des rendements généralement moins élevés (entre 5% et 13%).
Quatre types de cellules en couches minces (en fonction de la matière active
utilisée) sont actuellement disponibles dans le commerce :
- Silicium amorphe (a-Si),
- Tellurure de Cadmium (CdTe),
- Cuivre Indium/Gallium Diselenide/disulphide (CIS, CIGS),
- Cellules multi-jonction (a-Si/m-Si).
 Autres types de cellules
Il existe d’autres types de technologies photovoltaïques actuellement
commercialisées ou encore à l’étude. En voici, les principales:
- les cellules à concentration
Certaines cellules sont destinées à fonctionner avec des rayons solaires
concentrés. Elles sont alors placées à l’intérieur d’un collecteur qui
concentre la lumière du soleil sur les cellules au moyen d’une lentille.
δ’idée est d’utiliser le moins possible de matériau photovoltaïque semi-
conducteur, et le plus possible la lumière du soleil. Leur rendement se
situe entre 20 et 30%.
- les Cellules flexibles
Basées sur un processus de production similaire à celui des couches
minces, ces cellules sont constituées d’un dépôt de matière active sur
un plastique fin, rendant le tout flexible. Cela ouvre la voie à une série
d’applications, en particulier pour l’intégration aux bâtiments (toiture)
et pour les applications domestiques.
Dans notre travail, nous allons plutôt utiliser des panneaux poly-cristallins. Ils ont des
rendements satisfaisants (13% en application réelle et jusqu’à 20% en laboratoire) et ont
l'avantage par rapport au silicium monocristallin de produire peu de déchets de coupe et de
nécessiter 2 à 3 fois moins d'énergie pour leur fabrication. La figure 1.4 décrit les différentes
étapes de la production d’un système photovoltaïque de cette technologie. Il s’agit de
l’extraction et de la purification du silicium, puis de la production des tranches, ensuite du
traitement des cellules et du module pour aboutir à la composition du système.

14
Figure 1.4μ δes différentes étapes de la production d’un système photovoltaïque

(Technologie cristalline) [5]
δe système photovoltaïque a beaucoup d’avantages :
 Il est très sûr et d’une grande fiabilité. δ’espérance de vie d’un module solaire est
d’environ 30 ans. δa performance des cellules photovoltaïques est généralement
garantie par les fabricants pour une durée de 20 à 25 ans. Au-delà, la puissance
d’une cellule reste néanmoins supérieure à 80% de la puissance initiale. Le
photovoltaïque est donc une technologie fiable sur le long terme. De plus, la
fiabilité des produits est garantie aux consommateurs par des standards de qualité
très élevés au niveau européen.
 Les modules photovoltaïques sont recyclables et les matériaux utilisés pour leur
production (silicium, verre, aluminium, etc.) peuvent être réutilisés. Le recyclage
n’est pas seulement bénéfique pour l’environnement, il contribue également à
réduire l’énergie nécessaire pour produire ces matériaux et ainsi à réduire leur coût
de fabrication.

15
 δ’énergie solaire photovoltaïque exige peu de maintenance. δes modules solaires

ne nécessitent pratiquement aucune maintenance et sont faciles à installer.
 δ’énergie solaire photovoltaïque peut être intégrée de manière esthétique dans les
bâtiments (BIPV, Building integrated photovoltaics). Les modules solaires peuvent
couvrir toits et façades, contribuant ainsi à l’autonomie énergétique des bâtiments.
Ils sont silencieux et peuvent être intégrés de manière très esthétique. Les
législations européennes sur les bâtiments sont en cours de révision afin d’intégrer
des impératifs d’énergies renouvelables pour les édifices publics et les logements.
Celles-ci permettent d’accélérer le développement des éco-bâtiments et des
bâtiments à énergie positive (E+ Bâtiments) et ouvrent la voie vers une meilleure
intégration des systèmes photovoltaïques dans le bâti.
 δe temps de retour énergétique d’un module diminue constamment. Cela signifie
que le temps mis par un module photovoltaïque pour générer autant d’énergie qu’il
en a fallu pour le produire est assez court. Sur sa durée de vie, un module produit
plus d’énergie qu’il n’en faut pour le fabriquer. Cela va être confirmé dans le
chapitre 4 de cette thèse.
Quant aux limites des systèmes photovoltaïques, on peut en citer la superficie ou l’emprise.
δa taille de l’installation doit être en accord avec la surface du toit de l’habitat ou du lieu où
elle sera implantée. En ce qui nous concerne, nous supposons que la surface installée ne
dépasse pas les 15 m².
1.3.2- Système éolien

Il est destiné à convertir l'énergie cinétique du vent en énergie électrique. Il est composé
d’une éolienne (aérogénérateur) et de batteries avec régulateur de charge.
Les éoliennes se divisent en deux grandes familles : celles à axe vertical et celles à axe
horizontal. Dans ce travail, nous allons plutôt utiliser le second type. Il s’agit
d’aérogénérateurs tripales à rotation rapide. Ce sont les machines les plus répandues
actuellement du fait de leur rendement supérieur à celui de toutes les autres machines et de
leur conception simple. De plus, ces aérogénérateurs peuvent suivre la direction du vent et
sont silencieux [6]. Cet aérogénérateur est composé de (figure 1.5):
1. les pales : ce sont les capteurs de l'énergie cinétique qui transmettent l'énergie au rotor. Ils
peuvent être fabriqués en bois, en lamellé-collé, en alliages d’aluminium ou en matériaux
composites.

16
2. Le moyeu : il est pourvu d'un système qui permet d'orienter les pales pour réguler la
vitesse de rotation. C’est en général, une pièce d'acier moulée.
3. L'arbre primaire (ou arbre lent) : il relie les pales au multiplicateur.
4. Le multiplicateur: il permet de réduire le couple et d'augmenter la vitesse. C'est
l'intermédiaire entre l'arbre primaire et l'arbre secondaire.
5. L'arbre secondaire : il amène l'énergie mécanique à la génératrice. Il est équipé d'un frein à
disque mécanique qui limite la vitesse de l'arbre en cas de vents violents.
6. Le générateur électrique : il assure la production électrique. Sa puissance peut atteindre
jusqu'à 5 MW. Il peut être une dynamo (produit du courant continu) ou un alternateur (produit
du courant alternatif). L'alternateur est le plus utilisé pour des raisons de coût et de rendement.
7. Le mât : c'est un tube en acier, pilier de toute l'infrastructure. Sa hauteur est importante :
plus elle augmente, plus la vitesse du vent augmente mais en même temps le coût de la
structure augmente. En général, le mât a une taille légèrement supérieure au diamètre des
pales. IL est fixé au sol grâce à des pylônes en acier ou en béton armé. Ces supports peuvent
être autoporteurs, haubanés, rabattables, carénés ou à treillis. Les fondations sont en béton
armé.
8. Le système d'orientation de la nacelle : c'est une couronne dentée équipée d'un moteur qui
permet d'orienter l'éolienne et de la verrouiller dans l'axe du vent grâce à un frein.
9. Le système de refroidissement : il est à air, à eau ou à huile et destiné au multiplicateur et à
la génératrice.
10. Les outils de mesure du vent : la girouette pour la direction et les anémomètres pour la
vitesse. Les données sont transmises à l'informatique de commande.
11. Le système de contrôle électronique : il gère le fonctionnement général de l'éolienne et de
son mécanisme d'orientation.
12. Au pied du mât se trouve un transformateur.

17
10 2 1
3
4
9 11
8
5
6
Figure 1.5: Les composants de l’aérogénérateur [7]
Le système éolien est non polluant et constitue un bon complément du système

photovoltaïque. Il est bien adapté pour les sites isolés ventés. Cependant, certaines limites
sont à prendre en considération :
 La sécurité : le mât doit être robuste et l’éolienne bien fixée pour éviter les
accidents. Dans les régions froides, la glace peut s’accumuler sur les pales des
éoliennes, causer de fortes vibrations et être projetée à grande distance. De même
l’obligation, pour le propriétaire ou les personnes chargées de l’entretien, de
grimper sur les tours des éoliennes peut engendrer un risque. Il faut également
prendre des précautions particulières pour que les enfants n’aient pas accès à
l’installation.
 Le coût : il reste encore élevé en comparaison avec celui des panneaux. Cela va
être confirmé avec l’évaluation économique du système au chapitre 3.
 Climat extrême : dans certaines parties du pays, le climat extrême met les systèmes
éoliens à rude épreuve et de telles conditions sont susceptibles d’engendrer des
problèmes de fonctionnement et de durabilité.
 Voisins : avant de faire l’acquisition d’un système éolien, il faut discuter avec ses
voisins de la présence d’une éolienne à proximité de chez eux. Ils risquent d’être
préoccupés aussi bien par la taille du système que par le bruit qu’il produit.

18
 Esthétique : le système éolien risque de gâcher la vue que nos voisins ont du
paysage, voire celle que nous en avons-nous-mêmes. cela est particulièrement
grave, si celui-ci est historique.
 Corrosion : l’installation du système dans les régions côtières expose certaines
pièces à la corrosion.
 Restrictions dues au zonage et à d’autres obstacles juridiques potentiels :
l’administration municipale doit pouvoir fournir les renseignements concernant les
restrictions émises, quant au niveau sonore de l’installation et à la hauteur permise
des tours, par exemple.
 Faune ailée locale : les systèmes de grande taille doivent être conçus de manière à
ce que les oiseaux ne puissent s’y percher ou y construire leurs nids, et pour
réduire au minimum les dangers potentiels qu’ils encourent, il faut éviter
d’installer le système éolien sur un parcours migratoire ou à un endroit où de
nombreux oiseaux font leurs nids ou se nourrissent.
 Interférences électromagnétiques : les systèmes éoliens produisent parfois des
interférences électromagnétiques qui compromettent la réception des programmes
radiophoniques ou de télévision. Ces problèmes sont habituellement causés par Le
générateur, l’alternateur ou des pales métalliques. On peut remédier à la situation
en installant des pièces blindées, munies de filtres, ou fabriquées en bois, en
plastique ou en fibre de verre.
 Connaissances techniques et entretien : le propriétaire doit assurer l’entretien du
système éolien de façon régulière pour en augmenter la durée de vie du système et
approcher une longévité proche de celle des panneaux.
 Les assurances, les normes de construction et les restrictions aux actes de propriété
sont autant de facteurs dont il faut également tenir compte.
1.3.3- Les batteries électrochimiques

δe stockage d’énergie est un facteur clé dans un système d’énergie hybride en site isolé
étant donné le caractère aléatoire et variable dans le temps des énergies renouvelables.
δorsqu’on parle de stockage d’électricité, on pense immédiatement aux batteries
électrochimiques qui constituent ainsi les références en la matière. Ces accumulateurs
restituent, sous forme d’énergie électrique l’énergie chimique générée par des réactions
électrochimiques internes réversibles. Les technologies et variantes en sont nombreuses [8]:

19
 les batteries au plomb : constituent l’investissement le plus économique pour un

système multi-sources et présentent l’avantage d’être recyclable à plus de λ0%.
Cependant, ces batteries sont sensibles aux mauvais usages et leur durée de vie est
souvent bien inférieure à celle du dispositif générateur d’électricité. En effet, les
batteries au plomb dans leur technologie actuelle acceptent assez mal les décharges
profondes. La profondeur de décharge est en effet responsable de la dégradation de
ces batteries, conduisant à une réduction notable de leur durée de vie lorsqu’elles
sont utilisées dans des conditions extrêmes.
 les batteries alcalines (Ni/Cd et Ni/MH) : sont beaucoup plus robustes mais aussi
plus coûteuses. Elles sont mieux adaptées aux basses températures. Par contre, leur
recyclage est compliqué à cause du cadmium qui est un métal lourd et polluant.
 les batteries au lithium : présentent « techniquement » les meilleures
performances. δ’autodécharge des accumulateurs δi-ion est en effet faible alors
que leur énergie massique stockée est relativement bien supérieure. Ceux-ci
permettent par ailleurs un cyclage à grande profondeur de décharge avec un impact
moindre sur les performances comparativement à l’accumulateur au plomb surtout,
mais aussi au nickel-cadmium. Les récentes améliorations de la technologie Li-ion
ont confirmé son potentiel pour les applications stationnaires compte tenu de ses
caractéristiques spécifiques : fort rendement énergétique, durée de vie élevée,
absence de maintenance, fiabilité et prédictibilité du comportement. Cependant,
actuellement, nous reprochons à ces accumulateurs aussi bien leur coût
relativement élevé que leur niveau de développement et de sécurité : non
seulement, ils nécessitent un circuit de protection complexe et coûteux (B.M.S. et
P.C.M.) pour gérer la charge et la décharge et éviter la destruction des éléments,
mais aussi, contenant un pourcentage élevé de métaux lourds dangereux,, ils
affichent un problème environnemental particulier ( Sur 4 000 tonnes de batteries
Li-ion en fin de vie collectées en 2005, 1 100 tonnes étaient constituées de métaux
lourds et 200 tonnes d’électrolytes toxiques).
Bref, leur processus de recyclage n’a pas atteint la maturité et leur cout écologique
reste plus élevé que celui des batteries Plomb.
Et à notre sens, ces handicaps ne nous permettent pas d’en faire la technologie de
prédilection : nous préférons celle au plomb qui jouit et d’un faible coût économique et
écologique (par rapport aux autres technologies) et d’une maturité éprouvée par un retour

20
d’expériences conséquent, considérations auxquelles nous accordons une importance

particulière et nous nous sommes proposés de ne pas perdre de vue dans nos travaux de thèse.
Il existe différents types de batteries plomb acide pour des applications stationnaires. On
en distingue les suivantes [9]:
 les batteries stationnaires « ASI » : Elles sont couramment utilisées afin de fournir un
courant de qualité (ASI Alimentation sans interruption) pour des relais de
télécommunication, des salles informatiques...
Ces batteries sont généralement conçues pour être chargées en permanence par de
faibles courants (courants dits de « floating »), pour n'avoir qu'une faible autodécharge
(1 à 2% / mois), et pour pouvoir supporter des décharges profondes.
Des alliages Pb-Ca sont souvent utilisés pour ce type de batteries.
Sur certaines batteries stationnaires, on privilégie la capacité à fournir une forte
puissance tandis que d'autres sont construites afin d'avoir une très bonne durée de vie en
cyclage profond et sont donc bien adaptées aux applications photovoltaïques et
hybrides.
 Les batteries « tubulaires » stationnaires : elles sont caractérisées par une grande
réserve d'électrolyte au-dessus des électrodes ce qui permet un entretien moins fréquent,
ainsi que par une hauteur importante du fond de la batterie sous les plaques qui permet
d'éviter les court- circuits. Les batteries tubulaires sont souvent utilisées en tant que
batteries stationnaires, mais elles possèdent en plus de très bonnes caractéristiques en
cyclage profond (10 à 15 ans d'espérance de vie en application photovoltaïque). Par
rapport aux autres batteries ouvertes, les batteries tubulaires souffrent plus de la
stratification de l'électrolyte à cause de leur hauteur. Les batteries tubulaires sont
vendues sous forme d'élément de 2V de plusieurs centaines d'Ah.
 Batterie à recombinaison de gaz (batterie VRLA) : un des grands inconvénients des
batteries « ouvertes » est l'entretien important qu'elles imposent, en particulier l'ajout
régulier d'eau. Une réponse a été apportée au début des années 80 [10], avec un nouveau
type de batteries ne nécessitant qu'un très faible niveau de maintenance: les batteries à
recombinaison de gaz. En cas de dégazage, l'hydrogène et l'oxygène se recombinent pour
former de l'eau. Le taux de recombinaison varie entre 95% et 99% alors qu'il est inférieur à
30% dans le cas des batteries ouvertes. Si la pression interne des gaz devient trop forte, ces
batteries disposent d'une vanne-soupape qui relâche les gaz, d'où leur nom anglais : VRLA

21
Batteries pour (Valve Regulated Lead Acid Batteries).Des alliages Pb-Ca-Sn sont souvent
utilisés dans ce type de batteries.
Les batteries VRLA ont plusieurs avantages :
- l'électrolyte est figé ce qui permet de les transporter beaucoup plus facilement
que les batteries ouvertes,
- elles ont besoin de peu d'entretien,
- elles ne représentent pas de risque de gel,
- le risque de dégagement d’hydrogène et donc d’explosion est réduit,
- la fuite d’acide est improbable,
- elles ont besoins de moins d’espace au sol.
Elles ont aussi des inconvénients :

- elles nécessitent une régulation précise de la charge,
- elles sont sensibles aux hautes températures,
- elles sont plus sensibles que les batteries ouvertes à l'emballement thermique,
- elles sont caractérisées par une perte rapide d'électrolyte sous le climat chaud et
par une durée de vie en cyclage profond assez faible.
Il existe deux grands types de batteries VRLA :

 les batteries « gel » : L'électrolyte est figé par l'addition de gel de silice. Dans
certaines batteries, de l'acide phosphorique est additionné afin d'améliorer la
durée de vie en cyclage profond. Des fissures se créent lors de premiers cycles
au travers de l'électrolyte gélifié entre les électrodes positives et négatives. Cela
facilite la recombinaison en favorisant le transport des gaz.
La résistance interne de ce type de batterie est relativement élevée et elles ne
supportent donc pas les vitesses de charge et de décharge élevées. Le courant de
charge ne doit pas excéder C/20 (C= capacité de la batterie) et la tension seuil de
charge est de 0,2V inférieure aux types de batteries plomb-acide.
En revanche, les batteries « gel » sont bien commodes pour les décharges
profondes et sont utilisées dans des batteries tubulaires car l'électrolyte gélifié
élimine la stratification de l'électrolyte, principale responsable de la perte des
batteries tubulaires ouvertes.

22
 les batteries AGM (Absorbed Glass Mat) : L'électrolyte est absorbé et donc
immobilisé dans des tissus en fibre de verre (borosilicate), placés entre les
électrodes. Le processus de recombinaison des gaz est différent de celui du cas
précédent : les molécules d'oxygène diffusent à travers les tissus-séparateurs, des
électrodes positives vers les électrodes négatives pour y former de l'eau.
La résistance interne des batteries AGM est très faible et la densité spécifique de
l'électrolyte y est élevée (environ 1,3): les batteries AGM supportent des vitesses
de charge et de décharge très élevées, (jusqu'à 4C pour la Concorde Sun
Xtender).
Plus les tissus ne sont épais, plus la quantité d'électrolyte est grande, ce qui
augmente la durée de vie des batteries.
1.3.4- Les autres composants du système

Ce sont les composants nécessaires au bon fonctionnement du système et situés entre les
générateurs et la charge finale. Leur ensemble est appelé « Balance Of System » ou BOS. Il
comprend le support des panneaux, le logement des batteries, les câbles, les connecteurs, les
protections et l’onduleur obligatoire pour les appareils fonctionnant en courant alternatif.
1.4- Analyse bibliographique des différents travaux de recherche

A partir des années 90, plusieurs travaux de recherche [11] à [17] se sont intéressés aux
systèmes hybrides éoliens photovoltaïques avec batteries. Ce fort intérêt s’explique par les
raisons suivantes :
 l’augmentation assez régulière de la consommation mondiale d’électricité. En 35
ans elle a été multipliée par 3. Elle était de 6129 TWh en 1973 et passait à 18453
TWh en 2009 [18],
 les contraintes liées aux ressources (dilapidation des stocks de charbon, de pétrole
et de gaz naturel), aux modifications irréversibles des écosystèmes ainsi qu’aux
tensions internationales découlant de la compétition par les pays en voie
d’industrialisation pour ces sources d’énergie,
 la hausse des prix de pétrole surtout après la première guerre du Golfe en 1991,
 le besoin d’un système énergétique durable avec des technologies propres,

23
 l’émergence de la technologie des piles à combustible (PEεFC) qui a incité les

chercheurs à combiner électricité à partir de sources d’énergies renouvelables
(surtout éoliennes) avec l’hydrogène [19],
 l’opportunité d’innover en créant un nouveau secteur d’activité pour dynamiser
l’économie et recréer de l’emploi.
En analysant différents travaux de recherche sur le sujet au travers de livres, d’articles de
revues ou de conférences et des rapports de thèse, nous avons pu remarquer, qu’ils peuvent
être classés selon leur problématique de la manière suivante :
 des travaux de modélisation et de simulation [20] à [22]: Ils sont nombreux. Ils
diffèrent par les outils utilisés (Matlab/ Simulink, Pspice, Saber, AMEsim etc.),
par la complexité des modèles (entrée-sortie, moyens, instantanés) et par les
hypothèses et la quantité des paramètres introduits (effet de la température pour
les panneaux, variation de la densité de l’air en fonction des conditions
météorologiques, variation de la résistance et de la tension des batteries, etc.).
nous nous inspirons de la plupart de ces travaux et nous adaptons les modèles
selon nos applications. Dans les chapitres 3 et 4, étant donné qu’une procédure
d’optimisation est envisagée, des modèles d’entrée-sortie sont utilisés. Alors que
dans le chapitre 5, des modèles moyens et instantanés sont privilégiés pour
pouvoir mettre en œuvre une stratégie de commande du système sur banc
expérimental. Nous cherchons à intégrer un maximum de paramètres possibles
(par exemple : la température, l’altitude, la pression, le vieillissement des
composants, etc.) et être précis dans la modélisation du système complet
(identification des paramètres des panneaux et de la génératrice éolienne, fitting
de certaines courbes de puissance, etc.).
 des investigations dédiées à l’architecture électrotechnique du système [1], [23],
[24]: elles évaluent les différentes configurations (couplage DC, couplage AC).
Elles étudient la structure des convertisseurs statiques de puissance (redresseur à
diodes, hacheur dévolteur ou survolteur, redresseur MLI, onduleur) et visent aussi
bien la maximisation du rendement des composants que la minimisation du coût
du système. Dans notre cas, en nous basant sur ces études, nous avons choisi la
configuration avec bus continu et avec des convertisseurs εδI car c’est la mieux
adaptée à notre application pour coupler des sources différentes.
 des contributions pour le dimensionnement global du système [11], [25], [26]:
elles cherchent à optimiser le dimensionnement d’un système hybride éolien-

24
photovoltaïque non connecté au réseau. δe but est d’en déterminer les paramètres
de dimensionnement pour minimiser un critère de coût et un certain critère de
qualité de service rendu au consommateur. Dans la plupart des cas, le critère de
coût retenu est un critère économique : on cherchera donc à minimiser le coût
économique du système.
Il est possible de distinguer deux méthodes de dimensionnement qui seront
détaillées au chapitre 4 :
- les méthodes conventionnelles : elles sont basées sur des calculs empiriques
et permettent de dimensionner le système, généralement dans les conditions
les plus contraignantes et la capacité de stockage définie pour N jours de
consommation sans production photovoltaïque ni éolienne en est une.
Usuellement, le mois avec les potentiels renouvelables les plus faibles
(décembre) est considéré. Il s’agit alors, moyennant certaines hypothèses, de
choisir la puissance crête du générateur photovoltaïque, la surface balayée par
le rotor de l’éolienne et la capacité énergétique de l’accumulateur permettant
de satisfaire les besoins en électricité du consommateur pendant ce mois
critique.
- Les méthodes à base de simulations dynamiques : elles se réfèrent à la
simulation temporelle des systèmes hybrides pour une durée donnée (tsim)
avec un certain pas de temps (∆t). Cependant, ces deux paramètres prennent
de nombreuses valeurs différentes. Dans la littérature ([27]à [29]), l’impact de
ces deux paramètres fondamentaux de la simulation sur les résultats de
dimensionnement n’a pas fait l’objet d’études approfondies. Dans notre cas,
leur choix va être fait de manière rigoureuse. ∆t est fixé suite à une étude au
chapitre 2 de l’influence de la période d’acquisition sur l’estimation du
potentiel énergétique des sources renouvelables et la prise en compte de la
consommation électrique annuelle de l’habitat. δe choix de (tsim) est fait au
chapitre 3 en conséquence suite à plusieurs essais et simulations.
Les simulations reposent sur des modèles énergétiques plus ou moins évolués
des différents composants du système autonome. La description des modèles
utilisés dans notre cas est faite au chapitre 3.
Le problème du dimensionnement global du système hybride revient alors à
déterminer la configuration qui assure le meilleur compromis entre coût du
système et service énergétique rendu au consommateur. A part quelques

25
références dans la littérature [30], [31], le coût économique est naturellement

mis en avant; or, ce coût est fortement dépendant des subventions et autres
incitations financières. Pour cette raison, nous avons décidé de prendre aussi
en compte le coût énergétique lors de l’évaluation d’un système multi-
sources, c'est-à-dire que nous calculons en plus, le coût en termes d’énergie
primaire incarnée dans le système. Ce coût nécessite des données d’Analyse
sur Cycle de Vie (ACV) dont les études ne sont pas toujours disponibles mais
que l’on peut cependant trouver dans quelques travaux de recherche. Par
exemple, A. Stoppato [22] s’est intéressé à l’évaluation du cycle de vie de la
production d'électricité par panneaux photovoltaïques. Son étude est basée sur
l’estimation des flux d'énergie au cours des différents processus de production
dès l'extraction du silicium jusqu’au montage final des panneaux. τn peut
citer aussi Carl Johan Rydh & Bijörn A. Sandén [33] qui ont étudié les
besoins en énergie pour la production d’un système autonome photovoltaïque
avec stockage en considérant une variété de technologies de batteries et dans
différentes conditions de fonctionnement. Du côté éolien, on peut citer l’étude
menée par Brian Fleck & Marc Huot : [34] ils emploient une méthode
d'évaluation du cycle de vie pour comparer directement les impacts
environnementaux, les besoins finaux d'énergie, et le coût du cycle de vie de
deux systèmes: un système autonome de petites éoliennes est comparé avec
un générateur diesel. δa publication d’Eduardo εartínez et al [35] dédiée à
l’analyse du cycle de vie d’une éolienne de forte puissance est aussi
intéressante surtout qu’elle prend en compte la plupart des composants de
l’éolienne. Il existe aussi dans la littérature quelques travaux synthétiques des
impacts environnementaux des systèmes de production à base de sources
renouvelables. On peut en mentionner les analyses économiques et
environnementales faites par Varun et Al. [36]. Néanmoins, la majorité des
travaux mentionnés s’intéressent aux systèmes de production séparément et
dans la plupart des cas concernent le domaine des grandes puissances surtout
pour les éoliennes. δes études sur l’analyse du cycle de vie de systèmes multi
sources sont rares pour des maisons autonomes ou en site isolé par exemple.
C’est la raison pour laquelle, une évaluation énergétique du système basée sur
l’analyse du cycle de vie va être introduite dans les chapitres 3 et 4.

26
 des études se focalisant sur la commande optimale du système en proposant

différentes lois de commande, des techniques de maximisation de puissance
variées pour les générateurs éolien et photovoltaïque et des méthodes de
supervision et de gestion énergétique du système [1], [4]. La plupart de ces
travaux utilisent des commandes en tension. Dans notre cas, au chapitre 5, nous
allons proposer une gestion différente du système basée sur des commandes en
courant des différents convertisseurs. Les commandes seront faites avec des
correcteurs PI optimisés. Des algorithmes de maximisation de puissance des
générateurs renouvelables seront introduits. Un banc d’essai a été mis en œuvre
dans notre laboratoire pour valider les modèles et les composants de notre système
hybride PV éolien avec stockage.
1.5- Objectifs des travaux de recherche de la thèse
Ce chapitre a été consacré à la présentation des différents systèmes multi-sources pour un

habitat résidentiel. Nous avons précisé nos choix en termes de sources et de stockage pour
répondre au mieux à la demande en énergie électrique au niveau de la charge. Une analyse des
travaux existants sur le dimensionnement « économique et écologique » des systèmes a été
élaborée et permet de mieux situer à présent nos travaux de recherche.
δ’objectif principal de cette thèse est de dimensionner et d’optimiser un système hybride

PV éolien avec stockage. Dans ce qui suit, nous présentons les objectifs intermédiaires visés
dans cette thèse, à savoir :
 Estimer correctement le potentiel énergétique renouvelable sur un site donné,
 modéliser et simuler un système hybride éolien-photovoltaïque avec stockage,
pour effectuer des tests logiciels,
 proposer une méthodologie de dimensionnement optimal des systèmes hybrides,
 prendre en compte de nouveaux critères d’optimisation du dimensionnement en
particulier l’énergie primaire totale incarnée par le système,
 développer une gestion optimale de l’énergie produite selon les profils des sources
et de la consommation,
 mettre en œuvre le système éolien-photovoltaïque avec batteries pour une
validation expérimentale des méthodes proposées.

27
De cette manière, nos travaux de thèse contribuent à l’étude des systèmes hybrides éoliens
photovoltaïques avec batteries en se focalisant sur la modélisation, le dimensionnement et la
mise en œuvre expérimentale. δ’ensemble de ses parties et de ses problématiques sont
concentrés autour d’un thème commun qui est l’ « Optimisation » comme le montre la figure
1.6.
Maximiser la production
d'énergie renouvelable :
- Améliorer les techniques
d'évaluation des sources ,
- Optimiser la position des
panneaux
Augmenter la
précision des
Travaux de thèse : Optimiser le
dimensionnement
modèles :
- Prendre en
"OPTIMISATION" du système :
- Minimiser le côut
compte un
maximum de
d'un système économique,
- Minimiser le côut
paramètres, hybride éolien- écologique,
- Identifier les
paramètres des photovoltaïque - Minimiser le taux
d'insatisfaction des
panneaux PV et
de l'éolienne avec batteries besoins électriques
du consommateur
Optimiser la commande et la
supervision du système :
- Intégrer des algorithmes MPPT,
-Assurer la bonne gestion du
sytème et faire la synthèse des
correcteurs
Figure 1.6: Schéma récapitulatif des objectifs des travaux de thèse

28
Bibliographie
[1] M. DALI, «Commande et Gestion Energétique des Systèmes Hybrides Photovoltaïque - Eolien,»
Thèse de Doctorat, Ecole Nationale d'Ingénieurs de Tunis, Tunis, Tunsie, 2009.
[2] A. Keyhani, M. N. Marwali et M. Dai, Integration of Green and Renewable Energy in Electric
Power Systems, Hoboken, New Jersey, USA: John Wiley & Sons, Inc, 2010.
[3] K. Agbossou, M. Kolhe, J. Hamelin et T. Bose, «Performance of a stand-alone renewable energy

system based on energy storage as hydrogen,» IEEE Transactions on Energy Conversion, vol. 19,
n° 13, pp. 633-640, 2004.
[4] T. A. Si go, «Syst e d’ali e tatio photovoltaï ue ave sto kage hy ide pou l’ha itat
énergétiquement autonome,» Thèse de Doctorat, Université Henri Poincaré, Nancy-I, Nancy ,
France, 2010.
[5] L. Hespul, «Photovoltaique.info,» [En ligne]. Available: http://www.photovoltaique.info [Accès le

9 Novembre 2011].
[6] H. Hassini, « Modélisation , Simulation et optimisation d'un système hybride éolien-

photovoltaïque,» Mémoire de Magister , Université ABOU-BAKR BELKAID DE Tlemcen, Unité de
recherches Matériaux et Energies Renouvelables, Tlemcen , Algérie, 2010.
[7] «Turbine Photos,» [En ligne]. Available: http://turbinesint.com/generators-nordex-and-wind-

turbine/ [Accès le 5 11 2011].
[8] V. Schwarz et B. Gindroz, «LE STOCKAGE ELECTROCHIMIQUE,» , dossier ADEME, 2005.
[9] ALTER AFRICA, «Les différents types de batteries plomb Acide,» ALTER AFRICA, 2004. [En ligne].
Available: http://www.batterie-solaire.com/types-batteries-plomb.htm [Accès le 12 11 2011].
[10] Electropaedia, «Battery and Energy Technologies , History of Batteries,» Woodbank

Communications Ltd, [En ligne]. Available: http://www.mpoweruk.com/about.htm [Accès le 20
11 2011].
[11] T. Markvart, «Sizing of hybrid photovoltaic-wind energy systems,» Solar Energy, vol. 57, n° 14,
pp. 277-281, 1996.
[12] A. J. Peterson Jr., R. Perez, B. Bailey et K. Elsholz, «Operational experience of a residential

photovoltaic hybrid system,» Solar Energy, vol. 65, n° 14, pp. 227-235, 1999.
[13] M. Muselli, G. Notton et A. Louche, «DESIGN OF HYBRID-PHOTOVOLTAIC POWER GENERATOR,

WITH OPTIMIZATION OF ENERGY MANAGEMENT,» Solar Energy, vol. 65, n° 13, pp. 143-157,
1999.

29
[14] W. Kellogg, M. Nehrir, G. Venkataramanan et V. Gerez, «Optimal unit sizing for a hybrid
wind/photovoltaic generating system,» Electric Power Systems Research, vol. 39, n° 11, pp. 35-
38, 1996.
[15] H. G. Beyer et C. Langer, «A method for the identification of configurations of PV/wind hybrid
systems for the reliable supply of small loads,» Solar Energy, vol. 57, n° 15, pp. 381-391, 1996.
[16] Y. Kimura, Y. Onai et I. Ushiyama, «A demonstrative study for the wind and solar hybrid power
system,» Renewable Energy, vol. 9, n° 11-4, pp. 895-898, 1996.
[17] A. Bhave, «Hybrid solar–wind domestic power generating system—a case study,» Renewable
Energy, vol. 17, n° %1, pp. 355-358, 1999.
[18] EDF, «La consommation d'électricité dans le monde,» EDF, [En ligne]. Available:
http://www.edf.com/html/panorama/conso/monde.html [Accès le 15 Janvier 2012].
[19] A. Appleby, «Fuel cell technology: Status and future prospects,» Energy, vol. 21, n° 17-8, pp.
521-653, 1996.
[20] M. Deshmukh et S. Deshmukh, «Modeling of hybrid renewable energy systems,» Renewable and
Sustainable Energy Reviews, vol. 12, n° 11, pp. 235-249, 2008.
[21] A. Agrawal, R. Wies et R. Johnson, Hybrid Electric Power Systems: Modeling, Optimization and
Control, 1e éd., VDM Verlag Dr. Mueller e.K., 2007.
[22] T. Mtshali, G. Coppez, S. Chowdhury et S. Chowdhury, «Simulation and modelling of PV-wind-

battery hybrid power system,» Power and Energy Society General Meeting, 2011 IEEE , 2011.
[23] L. Salazar et J. Urra, «A Novel Two Input Single Switch DC-DC Converter for Hybrid Electricity
Generators,» Canadian Journal on Electrical and Electronics Engineering , vol. 2, n° 111, 2011.
[24] P. Kong, J. Zhao et Y. Xing, «Series-parallel Resonant High Frequency Inverter for Standalone
Hybrid PV/Wind Power System,» Energy Procedia, vol. 12, n° 1, The Proceedings of International
Conference on Smart Grid and Clean Energy Technologies (ICSGCE 2011), pp. 1090-1097, 2011.
[25] A. Mellit, S. Kalogirou, L. Hontoria et S. Shaari, «Artificial intelligence techniques for sizing
photovoltaic systems: A review,» Renewable and Sustainable Energy Reviews, vol. 13, n° 12, pp.
406-419, 2009.
[26] W. Zhou, C. Lou, Z. Li, L. Lu et H. Yang, «Current status of research on optimum sizing of stand-
alone hybrid solar-wind power generation systems,» Applied Energy, vol. 87, n° 12, pp. 380-389,
2010.
[27] A. Bin, H. Yang, H. Shen et X. Liao, «Computer-aided design of PV/wind hybrid system,»
Renewable Energy, vol. 28, n° 110, pp. 1491-1512, 2003.

30
[28] S. Diaf, D. Diaf, M. Belhamel, M. Haddadi et A. Louche, «Amethodology for optimal sizing of
autonomous hybrid PV/wind system,» Energy Policy, vol. 35, n° 111, pp. 5708-5718, 2007.
[29] H. Yang, Z. Wei et L. Chengzhi, «Optimal design and techno-economic analysis of a hybrid solar–
wind power generation system,» Applied Energy, vol. 86, n° 12, pp. 163-169, 2009.
[30] Y. Thiaux, «Optimisation des profils de consommation pour minimiser les coûts économique et
énergétique sur cycle de vie des systèmes photovoltaïques autonomes et hybrides, évaluation
du potentiel de la technologie Li-ion,» Thèse de Doctorat, SATIE UMR CNRS 8029, Cachan,
France, 2010.
[31] R. Dufo-López et J. L. Bernal-Agustín, «Multi-objective design of PV–wind–diesel–hydrogen–

battery systems,» Renewable Energy, vol. 33, n° 112, pp. 2559-2572, 2008.
[32] «Life cycle assessment of photovoltaic electricity generation,» Energy, vol. 33, n° 12, pp. 224-
232, 2008.
[33] C. J. Rydh et B. A. Sandén, «Energy analysis of batteries in photovoltaic systems. Part I:

Performance and energy requirements,» Energy Conversion and Management , vol. 46, n° 111-
12, pp. 1957-1979, 2005.
[34] B. Fleck et M. Huot, «Comparativelife-cycleassessment of asmallwindturbine for residentialoff-

grid use,» Renewable Energy, vol. 34, n° 112, pp. 2688-2696, 2009.
[35] E. Martínez, S. Félix, S. Pellegrini, J. Emilio et J. Blanco, «Life-cycle assessment of a 2-MW rated
power wind turbine: CML method,» The International Journal of Life Cycle Assessment, vol. 14,
n° 11, pp. 52-63, 2009.
[36] Varun, R. Prakash et I. K. Bhat, «Energy, economics and environmental impacts of renewable
energy systems,» Renewable and Sustainable Energy Reviews, vol. 13, n° 19, pp. 2716-2721,
2009.

31
Evaluations de la source et de la consommation
Chapitre 2 : Evaluations de la source et de la consommation dans

un habitat résidentiel en un site donné
2.1-Introduction
δe vent ou le soleil sont des ressources énergétiques inépuisables mais fluctuantes. D’où
pour toute installation multi-sources, une étude des caractéristiques énergétiques s’impose. En
voici les étapes essentielles :
- collecter les données météorologiques et la consommation énergétique de l’habitat

concerné,
- Quantifier les ressources énergétique (éolien, photovoltaïque, …)
- Evaluer les besoins énergétiques de l’habitat résidentiel en question.
Cette analyse est de nature à mettre en évidence les variantes paramètres indispensables par la
suite à la simulation d’un système hybride éolien photovoltaïque avec batteries.
δe chapitre s’organise de la manière suivante μ d’abord, les méthodes de collecte de

données météorologiques sont décrites, ensuite les données utilisées dans cette thèse sont
présentées et analysées. Puis, les différentes méthodes d’estimation des potentiels éoliens et
photovoltaïques disponibles sur le site sont appliquées et évaluées. Enfin, l’étude de
l’influence de la période d’acquisition des données sur l’estimation des énergies est menée.
2.2- Recueil des données météorologiques
2.2.1- Les données du vent
δe vent n’est autre que de l’air en mouvement [1]. Il est produit par les variations de
pressions atmosphériques sur la surface de la terre. Ces variations sont engendrées par les
gradients de température, dus à une distribution inégale de l’énergie solaire et aux différences
de propriétés thermiques entre les surfaces des continents et des océans. En effet, quand les
températures de régions voisines deviennent inégales, l’air le plus chaud tend à s’écouler au-
dessus de l’air le plus froid (car plus lourd). δa direction des vents générés de cette façon est
généralement grandement modifiée par la force de Coriolis résultant de la rotation de la terre
[2].

33
2.2.1.1- Les données caractéristiques du vent
Pour caractériser le vent, il s’agit de connaître :
 son profil directionnel, c’est-à-dire les tendances probabilistes de la direction du vent,

 son profil de vitesse, c’est-à-dire les tendances probabilistes de vitesse, ainsi que sa
répartition, la vitesse la plus fréquente, les vitesses extrêmes et les vitesses de rafale etc.,
 ses variations annuelles, mensuelles et journalières (voire horaires),
 son profil énergétique, qui dépend de tous les points décrits ci-dessus, de la hauteur par
rapport au sol, du relief environnant et des autres données climatiques (température,
pression atmosphérique, hygrométrie).
2.2.1.2- δes méthodes d’acquisition de données du vent
Il existe deux méthodes principales pour faire l’acquisition de données [3]:
- la mesure physique à l’aide de capteurs et d’instrumentation,

- le calcul et la modélisation à l’aide d’outils informatiques.
Ces deux méthodes sont détaillées dans les paragraphes suivants.
 La méthode physique
Cette méthode consiste à mesurer chaque variable « mesurable » durant au minimum un

cycle. Un cycle dure au minimum une année. Les données sont enregistrées, triées, nettoyées
de leurs erreurs, concaténées, et enfin analysées pour en faire ressortir les caractéristiques
visées. Celles-ci sont ensuite modélisées statistiquement et corrélées avec des sources
extérieures en vue des prévisions à long terme. Enfin, elles sont intégrées en base de données
pour le modèle de terrain du site final.
Actuellement, pour mesurer l’ensemble des données utiles, on peut disposer de plusieurs
types d’outils μ
a) les mâts de mesure équipés de girouettes, d’anémomètres, de thermomètre et/ou de

baromètre et/ou d’hygromètre, etc. Dans ce cas, les mesures sont transmises sous
forme de signal analogique ou numérique à l’enregistreur qui les échantillonne à une
certaine fréquence (par exemple 1 Hz). Tous ces échantillons ne sont pas enregistrés
tels quels (cela formerait une quantité importante de données) mais subissent un
traitement statistique. Ainsi, une série de données enregistrées se présente

34
généralement sous forme de tableau, dont chaque ligne correspond généralement à un

intervalle d’une minute.
b) δes Sodars (Sτnic Detection And Ranging) sont des radars basés sur l’effet Doppler.
Ils mesurent en continu et de manière plutôt fiable, parallèlement la vitesse du vent, sa
direction, sa composante verticale, les turbulences, la structure de température et
d’hygrométrie, et ceci sur des hauteurs allant de 15 à 5 000 mètres, selon le type
d’antenne employée. Ces mesures sont réalisées en émettant une impulsion acoustique
forte dans la bande sonore et en enregistrant la dispersion de fréquence du signal reçu
en écho. Ce décalage et étalement de fréquence du signal (appelé effet Doppler) ainsi
que son intensité sont traités par de multiples voies de manière à obtenir bien plus
d’informations que celles obtenues par des méthodes conventionnelles, telles que les
mâts de mesure.
Ces équipements reviennent plus cher que les mâts de mesure (30 à 40 k€), et
souffrent d’un taux de données invalides plus important par temps pluvieux, neigeux,
orageux et par ambiance acoustique chargée. Cependant leur facilité de mise en œuvre
et leur discrétion en font des outils qui ne sont pas à négliger.
c) δes δidars (δight Detection and Ranging) qui, tout comme les Sodars, utilisent l’effet
Doppler pour mesurer les vitesses et leurs caractéristiques. Mais, alors que la
déformation des ondes sonores se notait « musicalement » en aiguës et graves, celle
engendrée sur le faisceau laser est perçue dans les couleurs de retour.
Plus précis et non perturbé par les ambiances sonores, le δidar n’en demeure pas
moins sensible à la pluie, au brouillard et aux divers éléments perturbants de l’air.
Beaucoup de progrès ont été faits cependant, et nous verrons certainement leur
fiabilité s’améliorer à l’avenir. Par ailleurs, tout comme les Sodars, leur mise en œuvre
sur le terrain et leur discrétion sont tout à fait appréciables. εais leur domaine d’action
commence à environ 100 mètres, et leur prix atteignent 200 à 300 k€.
 Les méthodes de modélisation numérique
Actuellement, Il existe de nombreux outils qui modélisent les terrains afin d’y implanter
les éoliennes de manière optimale. Ces outils diffèrent surtout par les modèles utilisés. En
effet, on trouve :

35
a) Les modèles découlant de la seule mécanique des fluides :
Ce sont encore les outils les plus utilisés, car les plus simples à trouver dans le commerce
et à mettre en œuvre par des généralistes de l’énergie. Ils fonctionnent sur la base de la
mécanique des fluides et principalement à partir des équations de Navier-Stockes [4], [5]. Ce
sont des outils tels WindPro, WindFarm ou Wasp. Ils sont prévus pour des terrains presque
plats, homogènes, et en conditions de neutralité atmosphérique (pression et température
normales définies comme étant 1 atm (1013,25 hPa) et 15 degrés Celsius).
b) δes modèles intégrant l’ensemble des conditions météorologiques
À l’opposé de ces outils « simplifiés », il existe des outils de calculs complexes, émanant
des sciences météorologiques, et/ou des simulateurs d’écoulements de pollutions, et/ou des
simulateurs de résistance de structure architecturale (par exemple pour valider la résistance
d’un pont ou d’un bâtiment lors d’un vent particulier). Ce sont des modèles de dispersion
basés sur des modèles atmosphériques 3D (par exemple les logiciels MeteoDyn, Fluent,
WindSim, etc.), ou des modèles météorologiques de grande échelle, qui peuvent ensuite être
ramenés vers le sol avec plus ou moins de précision (par exemple les modèles de prévision
utilisés par Météo France : ARPEGE, ALADIN, AROME [6]).
2.2.1.3- δes données du vent utilisées pour l’étude
Les données du vent de notre étude ont été obtenues à partir d'un site Internet [7]. Elles
concernent le centre national technologique éolien (National Wind Technology Center,
Latitude: 39° Nord, Longitude: 105° Ouest, Altitude : 1855 mètres) du Colorado aux états
unis. Elles ont été captées à 10 mètres au-dessus du sol en utilisant un mât de mesure de type
SW201 [8]. δes mesures sont transmises via l’enregistreur SDε-INT8 de Campbell Scientific
[9], qui les échantillonne à une fréquence élevée (jusqu'à1 microseconde) et indique leur
valeur moyenne toutes les minutes à l'enregistreur de données.
La figure 2.1 est une représentation de la rose du vent pour ce site en 2009. Elle montre que la
direction et la vitesse du vent varient considérablement sur presque toutes les périodes de
mesures. Néanmoins, la direction Sud-est reste prédominante.

36
NORD
8%
6%
4%
2%
OUEST EST
V itesse du
v ent ( m/s)
25 - 30
20 - 25
15 - 20
10 - 15
5 - 10
SUD 0-5
Figure 2.1 : Rose de vent enregistrée en 2009 dans le site du National Wind Technology
Center, Latitude: 39° Nord, Longitude: 105° Ouest, Altitude : 1855 mètres
Etant donné que les éoliennes à axe horizontal suivent la direction du vent, la vitesse de ce
dernier est le facteur le plus important pour déterminer la quantité d’énergie exploitable par
une éolienne. Donc, ces données doivent être échantillonnées et analysées avec précision.
2.2.2- δes données de l’irradiance
δ’irradiance correspond au flux d’énergie incidente sur une surface donnée, exprimée en
W/m2. Sa connaissance pour un site d’implantation est indispensable pour évaluer le potentiel
d’électricité solaire d’un projet photovoltaïque.
2.2.2.1- Les données caractéristiques de l’irradiance
δ’irradiance à faible longueur d’onde (0.28-5 µm) peut être séparée en trois composants :
le rayonnement direct, le plus important, le rayonnement diffusé par l’atmosphère qui dépend
de sa composition, et le rayonnement réfléchi par le sol [10], [11]. Le rayonnement global,
somme de ces trois composantes, est déterminé par trois groupes de facteurs : les relations
géométriques entre le soleil et la surface de la terre, l’atténuation due à la traversée de
l’atmosphère et les facteurs topographiques [12]. Des formules astronomiques permettent de

37
calculer les relations géométriques entre le soleil et la terre en fonction de la localisation et de

l’heure. δe facteur d’atténuation atmosphérique est conditionné par la présence de gaz, et de
particules solides ou liquides, qui sont fonction de l’épaisseur de l’atmosphère et donc de
l’altitude. δes facteurs topographiques (caractéristiques du site d’implantation) induisent de
fortes variations à l’échelle locale du fait des variations de pente et d’exposition, qui
modifient l’angle d’incidence du rayonnement solaire.
a) Géométrie entre le soleil et la terre
La position du soleil dans le ciel (figure 2.2) est fonction de l’heure et de la latitude. Ainsi,
pour bien définir ses coordonnés, il convient de spécifier un certain nombre de directions de
référence qui varient à chaque instant de la journée. Ces dernières sont repérées dans deux
systèmes de coordonnées différents:
 Par rapport au plan équatorial de la terre :

- δa déclinaison du soleil :
δa direction du soleil est repérée par rapport au plan équatorial de la terre grâce à un angle
appelé déclinaison du soleil. Sa valeur varie entre -23,28 degrés (au solstice d’hiver) et
+23,28 degrés (au solstice d’été) et s’annule aux équinoxes de printemps et d’automne.
- δ’angle horaire du soleil ω :
C’est l’angle que fait la projection de la direction du soleil avec la direction du méridien du
lieu passant par le sud. Il mesure la course du soleil dans le ciel.
et ω forment les coordonnées horaires du soleil. Une procédure de calcul instantané et précis
des deux est détaillée dans [13].
 Par rapport au plan horizontal du lieu :

- La hauteur du soleil h :
C’est l’angle que fait la direction du soleil avec sa projection sur le plan horizontal. δa
hauteur du soleil varie à chaque instant de la journée et de l’année selon la relation suivante :
(2.1)
Avec : φ la latitude du site.

38
A partir de cette hauteur, on peut calculer l’angle zénithal solaire de la manière suivante :
(2.2)
- δ’azimut du soleil :
C’est l’angle que fait la projection de la direction du soleil avec la direction du sud. δ’azimut
du soleil varie à chaque instant de la journée selon la relation suivante :
(2.3)
Pour les applications photovoltaïques, est considéré du Nord-est vers le Nord-Ouest et

varie entre 0 degrés et 360 degrés.
Figure 2.2 : Schéma montrant les différentes coordonnées angulaires utilisées en énergétique
solaire : φ : la latitude, l’azimut, h la hauteur, ω l’angle horaire, la déclinaison [14]

39
b) Atténuation due à la traversée de l’atmosphère
Deux phénomènes atténuent le rayonnement solaire traversant l’atmosphère terrestre. Il

s’agit de l’absorption et de la diffusion.
δ’absorption est sélective et dépend principalement de 4 éléments :
- l’ozone qui forme un écran qui arrête les UV ( <0,28 µm) nocifs pour la vie,
- l’oxygène qui absorbe des bandes étroites du spectre visible (vers 0,6λ et 0,76 µm),
- le gaz carbonique qui absorbe une partie de l’IR lointain ( >2 µm),
- la vapeur d’eau qui entraîne des bandes d’absorption multiples surtout dans l’IR. τn
ne la rencontre pratiquement qu’au niveau du sol (altitude <5 km).
δa diffusion se produit avec les molécules de l’air, celles de la vapeur d’eau et les particules
en suspension. Elle est d’autant plus importante que la longueur d’onde du rayonnement est
petite et que l’air est humide et pollué. Ce phénomène explique pourquoi le ciel est bleu
( =0,47µm) dans la journée et rouge-orangé ( =0,67µm) le matin et le soir lorsque le soleil
est bas sur l’horizon.
Plus grande est la longueur du parcours de la lumière solaire dans l’atmosphère terrestre, plus
grande est l’atténuation de celle-ci avant d’atteindre un éventuel capteur. Pour tenir compte du
trajet parcouru par les photons, on utilise la notion de masse atmosphérique. Celle-ci est égale
au rapport, noté m*, de la distance parcourue dans l’atmosphère par un rayon en provenance
du soleil à l’épaisseur verticale de l’atmosphère mesurée au niveau de la mer.
c) Topographie
Pour calculer le rayonnement sur un capteur photovoltaïque incliné (figure 2.3), il est
nécessaire de prendre en compte l’angle d’incidence entre le rayon solaire et sa surface. Il
varie en fonction de la position du soleil et de la topographie :
(2.4)
β étant la pente ou l’inclinaison en degrés et l’orientation du panneau (degrés).

40
Figure 2.3 μ Angles de repérage d’un plan de captation incliné
2.2.2.2- δes méthodes d’acquisition de données d’irradiance
Comme pour le vent, l’acquisition de données d’irradiance peut être faite par mesure
directe (méthode physique) ou par des modèles numériques (méthodes de modélisation
numérique). Les deux manières ont été bien expliquées par D.R Myers dans son article
« Solar Radiation Modeling and Measurements for Renewable Energy Applications : Data
and Model Quality » [15].
 La méthode physique
Il s’agit d’utiliser les instruments de mesure. δe rayonnement solaire direct Gb est mesuré
en visant le soleil avec un pyrhéliomètre. Le rayonnement global horizontal Gh est mesuré par
un pyranomètre. Pour mesurer le rayonnement diffus Gd, il suffit de monter sur un
pyranomètre une bande venant occulter le rayonnement direct.
En montant deux pyranomètres en opposition, on peut déterminer l’albédo*. δ’un des

pyranomètres est orienté vers le ciel, l’autre étant bien sûr orienté vers le sol. En mesurant la
différence des deux signaux fournis par ces deux pyranomètres on en déduit la fraction du
rayonnement réfléchi par le sol c'est-à-dire l’albédo de celui-ci.
* L'albédo, grandeur sans dimension, est le rapport de l'énergie solaire réfléchie par une surface à l'énergie solaire incidente.

41
δa durée d’insolation, quant à elle, est mesurée par un héliographe, boule de verre qui
concentre le rayonnement solaire en un point d’un papier thermosensible. Au fil du temps une
trace apparaît. δa longueur de cette trace donne la durée d’ensoleillement. σotons toutefois
que le seuil de sensibilité du papier est important par rapport au nombre d’heures
d’ensoleillement, de l’ordre de 120W/m².
 Les méthodes de modélisation numérique
Il existe plusieurs modèles empiriques sophistiqués pour le calcul du rayonnement solaire

[16], [17], [18], [19], [20]. Ils sont basés sur plusieurs paramètres tels que la vapeur d’eau
caractérisée par la hauteur d’eau condensable et le trouble atmosphérique caractérisé par le
coefficient d’Angström. Plusieurs de ces modèles sont disponibles en libre accès sur Internet
[21].
Il existe aussi les modèles de calcul basés sur l’analyse des images satellites. τn les trouve
chez le NOAA Research (National Oceanic & Atmospheric Administration,U.S) et Satel-
Light au niveau européen par exemple.
2.2.1.3- δes données d’irradiance utilisées pour l’étude
δes données d’irradiance globale horizontale (Gh) appartiennent aussi au centre national
technologique éolien du Colorado aux Etats Unis. Elles ont été mesurées à quelques mètres du
sol avec un pyranomètre de précision modèle Eppley [22]. δ’instrument est étalonné
annuellement selon la référence mondiale radiométrique. Les données sont enregistrées à la
minute. La figure 2.4 montre l’évolution de l’irradiance globale du site en 2008. A priori, il
s’agit d’un site bien ensoleillé avec des irradiances globales qui peuvent atteindre les 1452
W/m². Les mois les plus ensoleillés sont Mai, Juin Juillet et Aout.

42
Irradiance globale PSP [W/m²]

1600
1400
Irradiance (W/m²)
1200
1000
800
600
400
200
0
Figure 2.4 μ Irradiance globale PSP [W/m²] enregistrée au cours de l’année 2008
Les données de la position du soleil ont été calculées à la minute par Solar Position
Algorithm (SPA) [21] développé par le Laboratoire National des Energies Renouvelables aux
Etats Unis (σREδ). δa figure 2.5 trace la course du soleil dans le site. δ’élévation du soleil
est importante en été en plein Sud (180°) vers 12h00.
80
21 décembre
70 21 mars
21 septembre
21 juin
60
hauteur solaire (°)
50
40
30
20
10
0
50 100 150 sud 200 250 300 350
N-E est Azimut solaire(°) ouest N-O
Figure 2.5 μ Hauteur du soleil en fonction de l’azimut solaire pour différents jours de l’année

43
Les données disponibles correspondent à des mesures sur un plan horizontal. Par la suite,
nous sommes amenés à connaître le rayonnement sur un plan incliné quelconque pour pouvoir
optimiser la position des panneaux. Ce rayonnement est égal à la somme de la composante
directe, diffuse, et réfléchie.
2.2.3- Autres données : la température, la pression et l’altitude
Les données de température et de pression sont importantes pour déterminer la densité de

l’air ρ, un des facteurs déterminants de la puissance éolienne disponible :
(2.5)
Où P est la pression atmosphérique en N/m² ou en Pascal, R la constante des gaz 287.04

J/Kg.K, et T la température en Kelvin.
δes variations de la densité de l’air en fonction de la température et de la pression sont

présentées sous forme de graphique dans la figure 2.6. Elle diminue lorsque la température
augmente. δ’air est moins dense en été qu’en hiver, l’écart peut atteindre de 10 à 15 % entre
les deux saisons. Elle est par contre proportionnelle à la pression.
La température est aussi un paramètre essentiel dont on doit tenir compte dans la
conception des systèmes photovoltaïques.
40 830
30 820
Pression atosphérique (mBar)
20 810
Température (°C)
10 800
0 790
-10 780
-20 770
-30 760
0.9 0.95 1 1.05 1.1 1.15 0.94 0.95 0.96 0.97 0.98 0.99 1 1.01 1.02
3
Densité de l'air(Kg/m ) Densité de l'air(Kg/m3)
a) Evolution de la densité de l’air en fonction de la température b) Evolution de la densité de l’air en fonction de la pression
à la pression moyenne du site soit 813,5 mBar
à la température moyenne du site soit 9,3°C
Figure 2.6 μ Evolution de la densité de l’air en fonction de la température et de la pression

44
Pour notre étude, ces données sont obtenues du même site américain ((National Wind
Technology Center, Colorado, USA, Latitude: 39° Nord, Longitude: 105° Ouest, Altitude :
1855 mètres) et sont recueillies à la minute. δa température est mesurée à l’aide d’une sonde
PT100 à 2 mètres du sol et corrigée par rapport à la hauteur de l’éolienne selon le gradient de
température -0.0065°C/m. La sonde est calibrée annuellement par le NREL.
La pression est mesurée grâce à un transmetteur de pression installé sur une tour à 2,5 m au-
dessus du sol. Elle dépend beaucoup de l’altitude, la température aussi. Pour cette raison, il est
possible pour le calcul de ρ d’utiliser l’expression ci-dessous :
353.049 ( 0.034T )
Z
ρ[Kg/m] = e
T (2.6)
Grâce à ces données, nous avons évalué l’évolution de la densité moyenne de l’air au cours
des années.
Année 2002 2003 2004 2005 2006 2007 2008 2009 2010
Densité
moyenne
de l’air, 1.0028 1.0008 1.0031 1.0001 0.9996 1.0006 1.0016 1.0048 1.0018
ρ(Kg/ )
Tableau 2.1 μ Evolution de la densité moyenne de l’air en fonction des années
2.3- Evaluation des sources renouvelables du vent et du soleil en un site donné
2.3.1- La source du vent
2.3.1.1- Evaluation de la puissance du vent
La puissance du vent P est la vitesse V à laquelle l’énergie est disponible, ou la vitesse à

laquelle l’énergie traverse une surface S par unité de temps :
(2.7)
Elle est proportionnelle à la densité de l’air instantanée, à la surface de captation du vent et au

cube de la vitesse du vent. δe fait d’augmenter l’un de ces paramètres renforcera la puissance
disponible du vent, cependant, de faibles variations de la vitesse du vent ont un impact
significatif sur la puissance disponible. Une augmentation de 25 % de la vitesse du vent
engendre une puissance récupérée multipliée quasiment par deux.

45
2.3.1.2- Estimation de l’énergie du vent disponible en fonction du site
Une fois qu’on a choisi le site et déterminé la quantité de vent disponible, il faut estimer le
potentiel énergétique éolien. Cette estimation est importante pour l’évaluation du site.
Il existe différentes méthodes d’estimation de la production. δes deux principales

techniques sont présentées et comparées: estimation par distribution des fréquences et
estimation par intégration directe de la puissance.
2.3.1.2.1- Estimation par distribution des fréquences
La distribution des fréquences de vent est une représentation graphique de la fréquence

(nombre de fois) à laquelle les vents soufflent. Les météorologues ont recours à la distribution
de Weibull et à son pendant, la distribution de Rayleigh, pour évaluer les ressources éoliennes
lorsqu’ils ne disposent pas de la distribution réelle des vitesses de vent dans le temps.
La distribution de Weibull se caractérise par deux paramètres : C, le facteur d’échelle, qui

représente la vitesse du vent et k, le facteur de forme, qui décrit la forme de la distribution.
Elle peut être obtenue à partir de la formule suivante :
] (2.8)
Où f(V) représente la fréquence d’apparition de la vitesse du vent (V) dans une distribution de
fréquences, C le facteur d’échelle empirique de Weibull en m/s et k le facteur de forme
empirique de Weibull.
La distribution de Rayleigh est un cas particulier de la fonction de Weibull où k, le facteur

de forme, est égal à 2. Elle peut s’écrire de la manière suivante :
(2.9)
Avec est le paramètre de la distribution de Rayleigh.
A partir des données de vent dont nous disposons, nous avons estimé pour chaque année
de 2002 à 2010 les paramètres des distributions de Weibull et Rayleigh. δ’ajustement a été
fait avec les fonctions εatlab (‘Ksdensity’, ‘raylfit’,’wblfit’) appliquant l’estimation du
maximum de vraisemblance [24], une méthode statistique courante utilisée pour inférer les
paramètres de la distribution de probabilité d’un échantillon donné.

46
La figure 2.7 représente la distribution réelle, de Weibull et de Rayleigh des vitesses de vent
de l’année 200λ. Elle montre que les modèles mathématiques utilisés ne reproduisent pas
parfaitement la distribution réelle.
0.35
Distribution réelle
Distribution de Weibull
0.3 Distribution de Rayleigh
0.25
Fréquence d'apparition (%)
0.2
0.15
0.1
0.05
0
0 5 10 15 20 25
Vitesse du vent (m/s)
Figure 2.7 : Distribution de la vitesse du vent
Le tableau 2.2 présente les paramètres des différentes distributions du vent. On ne note pas
une grande variation d’une année à une autre. δa vitesse moyenne du vent varie entre
3,33 m/s et 4,1 m/s. Le facteur de la distribution de Rayleigh varie entre 3,06 et 3,72. Il est
très proche de la vitesse moyenne du vent. δe facteur d’échelle de la distribution de Weibull
est compris entre 3,65 m/s et 4,5 m/s. Il est étroitement lié à la vitesse moyenne du vent. Le
facteur de forme, quant à lui, il évolue entre 1,22 et 1,41. Etant donné qu’il est inversement lié
à la variance des vitesses par rapport à la valeur moyenne, on peut en déduire que les vitesses
du vent utilisées présentent une variance élevée.

47
Année Vitesse Facteur de la Paramètres de la distribution de Weibull

moyenne, distribution de
Vmoy (m/s) Rayleigh (m/s),
Facteur de forme, k Facteur d’échelle,

C (m/s)
2002 3,7717 3,355 1,4133 4,1658
2003 3,6061 3,4071 1,2216 3,8715
2004 3,6780 3,2970 1,4268 4,0789
2005 3,6694 3,3248 1,3753 4,0405
2006 4,0546 3,7024 1,3397 4,4442
2007 3,7234 3,4343 1,3419 4,0882
2008 4,0961 3,7235 1,3568 4,5025
2009 3,6806 3,4004 1,3292 4,0335
2010 3,3289 3,0671 1,3383 3,6518
Tableau 2.2 : Paramètres estimés des distributions du vent par Matlab
Maintenant, pour déterminer la densité de puissance du vent disponible, il suffit de

multiplier la puissance du vent P par la fonction de la distribution du vent f(V). Par la suite, le
potentiel énergétique éolien E au cours d'une période de temps T (en ignorant le temps de
maintenance) est déterminé par l’intégrale suivante [23] :
∫ (2.10)
Avec :
Vi μ la vitesse minimale pour exploiter la puissance du vent (en d’autres termes la vitesse de
démarrage des petites éoliennes, dans notre cas 3,5 m/s) et Vo : la vitesse du vent à partir de
laquelle les petites éoliennes ne produisent plus d’énergie, dans notre cas 25 m/s (arrêt de
l’éolienne V> 25 m/s).
δ’intégrale ne dispose pas d'une forme mathématique fermée, en général, et donc une
intégration numérique est nécessaire, par la méthode des trapèzes, ou par la méthode de
Simpson.
Pour une période d’un an, T = 365*24h et en utilisant n points de données du vent, on peut
déterminer l’énergie captée en utilisant la méthode des trapèzes :

48
∑ (2.11)
La démarche a été appliquée aux données de vent des années situées entre 2002 et 2010. Les
résultats sont représentés sur le graphique de la figure 2.8.
1400
1200
Potentiel éolien exploitable
1000
(KWh/m²/an)
Par distribution de
800 Rayleigh
600 Par distribution de
Weibull
400
Par distribution réelle
200
0
2002 2004 2006 2008 2010
Année
Figure 2.8: Estimation de l’énergie de vent par distribution des fréquences entre l’année 2002
et l’année 2010.
En comparant les résultats obtenus par des distributions estimées de Rayleigh ou de

Weibull à ceux obtenus par une distribution réelle, on remarque que l’utilisation des
distributions ajustées risque de sous-estimer ou de surestimer le potentiel du site. En effet, les
distributions de Rayleigh ou de Weibull ne sont pas des représentations parfaites de la
répartition de la vitesse du vent dans le site considéré. Elles peuvent être utilisées pour qu’on
ait une idée sur le potentiel éolien exploitable dans le cas où on ne dispose pas de la
distribution réelle des vitesses de vent dans le temps.
2.3.1.2.2- Estimation par intégration numérique de la puissance
δ’énergie exploitable du vent pendant une période T est égale à l’intégrale de sa puissance
pendant cette même période. Ainsi, nous sommes capables d’estimer la production d’énergie
par une intégration numérique de la puissance par rapport au temps. A ce fait, nous avons
développé un programme Matlab permettant de tracer la courbe de l’évolution de la puissance
du vent au cours d’une année avec une acquisition de chaque minute, soit 87λ0*60=525600
acquisitions. Le potentiel énergétique du vent est alors donné par l’aire sous cette courbe avec
V compris entre 3,5 m/s et 25 m/s. Il est calculé en utilisant la méthode des trapèzes:

49
∑ (2.12)
Les résultats sont représentés sur le graphique de la figure 2.9. On remarque une forte
coïncidence entre les résultats obtenus par une distribution réelle du vent et par une
intégration directe de la puissance du vent. Les petites différences sont justement dues au fait
qu’en appliquant la méthode d’estimation par distribution réelle du vent, nous avons utilisé
des valeurs moyennes de la densité de l’air alors qu’en intégration directe, nous nous sommes
servi d’un calcul point par point de la densité de l’air.
1400
1200
1000
(Kwh/m²/an)
800 Par distribution réelle
600
Par intégration
400 numérique de la
puissance
200
0
2002 2004 2006 2008 2010
Année
Figure 2.9 μ Estimation de l’énergie de vent entre les années 2002 et 2010 par distribution
réelle des fréquences et par intégration numérique de la puissance
δa méthode d’intégration de la puissance par rapport au temps est très facile à mettre en
œuvre. Elle tient compte presque de tous les facteurs critiques du site (rafales, changement
brusque de direction du vent, variation de la densité de l’air, etc.) vu qu’elle peut utiliser un
maximum de données de vent. δe calcul d’énergie par intégration de la puissance tire sa
justification de la définition de l’énergie elle-même d’où la validité de cette méthode pour une
estimation bien précise du potentiel éolien.
2.3.2- La source du soleil
Le potentiel photovoltaïque dépend fortement de la puissance solaire incidente sur la

surface de captation. Cette puissance doit être déterminée avec précision. Dans notre cas, nous
disposons de données d’irradiance globale horizontale recueillie par pyranomètre. Il s’avère

50
alors primordial d’en extraire l’irradiance globale sur un plan ayant une inclinaison et une
orientation fixe quelconque.
2.3.2.1- Evaluation de la puissance solaire reçue par un plan incliné
δ’irradiance globale sur un plan incliné (figure 2.3) est calculée par la relation suivante
[26], [27] , [28]:
(2.13)
Avec
Gb : irradiance directe sur un plan horizontal ;
Rb μ facteur de forme. Il correspond au rapport de l’irradiance directe reçue par la surface de

captation sur l’irradiance directe sur un plan horizontal. Il s’exprime par :
(2.14)
Où et sont respectivement l’angle d’incidence de l’irradiance directe sur le panneau et

l’angle zénithal solaire. est limité à 8λ° angle à partir duquel, on suppose qu’il fait nuit et
que l’irradiance est pratiquement nulle.
Gd : irradiance diffuse sur un plan horizontal ;
Gh : irradiance globale sur un plan horizontal. Elle correspond à l’irradiance mesurée par
pyranomètre ;
r : représente la réflectance diffuse du sol (aussi appelée albédo du sol). Elle est fixée à 0.2 si
la moyenne mensuelle de la température est supérieure à 0°C.
β μ angle d’inclinaison de la surface de captation.
Dans notre cas, étant donné qu’on connaît que Gh, il faut que nous reconstituions Gb et Gd
en utilisant l’indice de clarté du ciel Kt [29]:
(2.15)
étant le rayonnement extraterrestre global sur une surface horizontale pour un instant
donné. Il peut être calculé en utilisant SOLPOS Calculator, un outil développé par le NREL
pour calculer la position et l’intensité du soleil en fonction du temps et du lieu [30].

51
La relation de corrélation entre Gh et Gd proposée par Miguel et al. [31] est alors appliquée :
{ } (2.16)
Par la suite, Gb est déterminé de la manière suivante :
(2.17)
Ainsi, en utilisant les données d’irradiance globale horizontale mesurée Gh, extraterrestre
et celles relatives à la position du soleil, nous avons développé un algorithme sous Matlab
(voir Annexe I) permettant de calculer les différentes composantes de l’irradiance incidente
sur un plan ayant une inclinaison et une orientation quelconque.
A titre d’exemple, la figure 2.10 présente l’évolution en 2008 de l’irradiance globale reçue
par un plan incliné de 35° par rapport à l’horizontale (β=35°) et orienté à 15° du sud
( , ainsi que ses composantes directe, diffuse et réfléchie.
1500
Irradiance globale reçue
Irradiance directe
Irradiance diffuse
Puissance photovoltaïque(irradiance,W/m²)
Irradiance réfléchie
1000
500
0
0 1000 2000 3000 4000 5000 6000 7000 8000
Temps(h)
Figure 2.10 : Evolution des différentes irradiances reçues sur un plan incliné en fonction de
l’heure au cours de l’année 2008
Nous remarquons que le rayonnement solaire direct est le plus important et peut atteindre
1000 W/m². Le rayonnement diffus, quant à lui, il est limité en moyenne à 10-15% du

52
rayonnement global. Le rayonnement réfléchi par contre peut être considéré comme
négligeable.
2.3.2.2- Estimation de la production photovoltaïque
a) Orientation et inclinaison fixes
A partir de l’irradiance globale reçue par une surface de captation inclinée, il est possible
d’estimer son potentiel photovoltaïque avec une simple intégration numérique par rapport au
temps avec la méthode des trapèzes comme dans le cas du vent.
Etant donné que l’algorithme que nous avons développé, permet l’estimation de
l’irradiance globale reçue par un plan incliné avec n’importe quelle inclinaison et orientation,
nous avons procédé pour chaque année à un calcul systématique comme le montre la figure
2.11 de manière à déterminer la position optimale de la surface de captation, pour recevoir le
maximum d’énergie solaire. Par exemple, pour l’année 2008, la position optimale des
panneaux correspond à une inclinaison par rapport à l’horizontal de 35° et une orientation à
15° du sud (165° du Nord-est).
a) Evolution du potentiel b) Evolution du potentiel photovoltaïque

photovoltaïque en fonction de en fonction de l’orientation des
l’inclinaison des panneaux par panneaux par rapport au sud pour une
rapport à l’horizontal pour une inclinaison fixe de 35° par rapport à
orientation fixe de 165° du Nord-est l’horizontale
Figure 2.11 : Evolution du potentiel photovoltaïque en fonction de l’inclinaison et de

l’orientation des panneaux (cas de l’année 2008, site du National Wind Technology Center,
Latitude: 39° Nord, Longitude: 105° Ouest, Altitude : 1855 mètres)

53
La figure 2.11 montre une grande différence (supérieure à 13%) de potentiel photovoltaïque
entre un panneau horizontal (inclinaison 0°) et un panneau incliné de 35°. Elle indique aussi
que le potentiel photovoltaïque reçu par une surface de captation orientée vers le nord (0 ou
360°) est presque deux fois inférieur à celui reçu par la même surface orientée à 10-15° du
plein sud.
b) Orientation et inclinaison mobiles
δa procédure d’estimation du potentiel photovoltaïque a été reprise pour chaque année de

2002 à 2010 en supposant différents suiveurs solaires. Les résultats sont représentés au
tableau 2.3 et la figure 2.12. Ils montrent que :
- un mouvement suivant le zénith (ou hauteur) solaire n’augmente pas de manière

rentable le potentiel photovoltaïque en comparaison avec un récepteur ou un panneau
fixé de manière optimale,
- avec un mouvement suivant l’azimut d’est en ouest, le potentiel photovoltaïque croît
de 15 % par rapport à un module fixe,
- avec un mouvement sur les deux axes, zénith et azimut, l’augmentation de la
production annuelle peut atteindre 21%. En revanche, il faut tenir compte du coût de
l’investissement supplémentaire et l’énergie consommée pour le fonctionnement du
système.

54
Année Position optimale des Energie Energie produite avec des panneaux Energie Energie
panneaux produite mobiles selon le zenith solaire, produite produite
avec des
avec des Kwh/an (orientation fixe optimale) avec un
panneaux
panneaux mobiles suiveur
fixes, selon parfait
l’azimuth
Kwh/an (panneaux
solaire,
Kwh/an mobiles
selon le
(inclinaison
zenith et
fixe
l’azimuth
optimale)
solaire),
kwh/an
Inclinaison Orientation Zenith - Zenith Zenith

(°) (°) 15° +15°
(favorise
(favorise les mois (favorise
les mois d’automne les mois
d’été) et de d’hiver)
printemps)
2002 35 165 1969,06 1999,15 1962,32 1805,85 2338,19 2492,05
2003 35 170 1881,11 1900,91 1863,52 1713,14 2223,46 2355,86
2004 35 165 1878,23 1901,69 1864,76 1715,02 2230,79 2371,73
2005 35 170 1901,54 1926,71 1888,81 1736,30 2256,40 2398,66
2006 35 170 1955,50 1980,51 1943,80 1788,74 2318,30 2466,68
2007 35 165 1901,15 1926,84 1889,44 1737,69 2253,18 2396,86
2008 35 165 1935,96 1960,96 1922,85 1768,02 2299,20 2443,29
2009 35 170 1856,81 1879,62 1842,81 1694,71 2189,49 2322,02
2010 35 170 1891,38 1908,42 1869,48 1717,17 2239,66 2367,77
Tableau 2.3 : Estimation du potentiel photovoltaïque pour des panneaux fixes et mobiles en
fonction des années de 2002 à 2010

55
2600
Potentiel photovoltaïque (Kwh/m²/an)
Récepteur fixe (inclinaison et
2400 orientation optimaux)
2200 Récepteur mobile selon le

zenith solaire (à -15°)
(orientation fixe optimale à
165 ou 170 ° selon l'année)
2000
Récepteur mobiles selon
l’azi uth solai e i li aiso
fixe optimale à 35°)
1800
2002 2004 2006 2008 2010 2012
Année
Figure 2.12: Evolution du potentiel photovoltaïque pour des panneaux fixes et mobiles en
fonction des années de 2002 à 2010
Néanmoins, il est important de signaler que pour les applications en site isolé, il y a
sûrement une position fixe optimale pour récupérer le maximum d’énergie sur l’année (ce
calcul sera exposé dans le chapitre 3), pour la suite, on considère, dans le cas de panneaux
fixes, d’utiliser l’inclinaison et l’orientation optimale du mois le plus défavorable. Pour
l’année 2008 par exemple, il s’agit du mois de novembre (voir tableau 2.4).
Mois Inclinaison Orientation Potentiel

optimale (°) optimale (°) photovoltaïque
(KWh/m²/mois)
Janvier 60 180 144

Février 50 175 146,646
Mars 40 170 171,944
Avril 25 165 200,967
Mai 15 145 197,546
Juin 10 130 216,733
Juillet 15 125 208,669
Aout 25 145 183,236
Septembre 35 165 165,69
Octobre 50 170 151,333
Novembre 60 180 122,368
Décembre 65 180 125,068
Année complète 2034,2
Tableau 2.4: Détermination des angles de position optimale des panneaux en fonction des
mois pour l’année 2008

56
Les panneaux sont alors fixés avec une inclinaison de 60° et orientés plein sud (180°).
δ’évolution du potentiel photovoltaïque mensuel pour l’année 2008 est alors donnée par le
tableau 2.5. On remarque une chute annuelle de 13% du potentiel photovoltaïque par rapport à
des panneaux mobiles d’un mois à un autre, mais une plus faible disparité entre les mois les
plus faibles et les plus élevés.
Mois Potentiel
photovoltaïque
(KWh/m²/mois)
Janvier 144
Février 145,388
Mars 162,336
Avril 170,159
Mai 149,486
Juin 150,725
Juillet 149,608
Aout 148,615
Septembre 152,36
Octobre 148,591
Novembre 122,368
Décembre 124,908
Année complète 1768,544
Tableau 2.5μ Evolution du potentiel photovoltaïque en fonction des mois pour l’année 2008 en
considérant des panneaux fixés avec une inclinaison de 60° et orientés plein sud (180°)
2.4- Evaluation de la consommation
δ’étude des systèmes hybrides éoliens photovoltaïques avec batteries pour l’habitat
résidentiel nécessite la connaissance de la consommation en électricité de ce dernier. Pour
cette raison, nous avons modélisé deux profils de consommation pour un foyer type de 120m²
avec 4 personnes, hors cuisson, eau chaude sanitaire et chauffage du logement. Le premier a
été développé suite à une estimation des besoins énergétiques de l’habitat. δe deuxième a été
obtenu par des acquisitions réelles.
2.4.1- Modélisation d’un profil de consommation type par estimation des besoins
énergétiques de l’habitat
δa consommation électrique des appareils a été déterminée à l’aide d’ouvrages [32], de

sites internet spécialisés [33] ainsi que des fiches techniques de certains produits
électroménagers (hotte aspirante, aspirateur,…). Toutes les charges sont alimentées en 230V
AC donc l’utilisation de convertisseurs DC-AC s’impose. En entrée du convertisseur, la
tension aux bornes des batteries est de 48 V continue (tension de sécurité) alors qu’en sortie,
la tension alternative vaut 230V, 50Hz.

57
δe nombre d’heures de consommation est déterminé en fonction des conditions climatiques

du site choisi et du mode de vie de la famille occupant l’habitat. Vous trouverez ci-après les
différents usages d’un habitat résidentiel.
a) Eclairage :
δ’éclairage dépend du lever et du coucher du soleil, de l’activité des membres de la

famille (exemple : levé 7h, couché 23h) ainsi que leur présence à la maison durant la journée
(exemple partir travailler de 8h à 18h pendant la semaine, être présent le weekend).
b) Production de froid :
Pour le réfrigérateur, le nombre d’heures de fonctionnement du compresseur dépend de la

température environnante. Pour cette raison, nous supposons que durant la période hivernale
(de Novembre à Février) le compresseur fonctionne moins longtemps que pendant la période
estivale « moyennement » chaude dans le site (Juin, Juillet, Aout, Septembre).
c) Cuisson :
La cuisson est assurée par du gaz naturel ou par du propane. Une micro-onde est utilisée
pour chauffer les repas si nécessaire. Il est un peu plus sollicité en hiver qu’en été. δa cuisine
est équipée d’une hotte aspirante les mauvaises odeurs.
d) Ventilation :
Pour éviter le confinement, préserver la qualité de l’air et éliminer l’humidité et les divers
polluants, l’habitat résidentiel est équipé d’un système de ventilation (VεC) simple flux.
e) Electroménager :
δ’habitat résidentiel est bien équipé pour fournir un confort satisfaisant à ses occupants :
on y trouve une machine à laver, un lave-vaisselle, un aspirateur et plusieurs autres appareils
électrodomestiques (sèche-cheveux, grille-pain, mélangeurs, robots de cuisine, etc…).
f) Multimédia :
Dans l’habitat, on trouve une télé, une chaîne Hi-Fi et un PC connecté à internet via une
ligne ADSL.

58
g) Eau Chaude Sanitaire (ECS) :
Des capteurs solaires assurent 90% de la production ECS (Eau Chaude Sanitaire).
δ’énergie électrique peut être utilisée pour soutenir le chauffage solaire de l’eau pendant la
période hivernale.
Pour chaque charge, nous avons calculé l’énergie quotidienne nécessaire à produire en Ah/j.
Voici un exemple explicatif des calculs :
Exemple de calcul : pour l’éclairage de la cuisine :
Puissance consommée en watts : 20 (ampoules Basse Consommation)
σombre d’heures par jour : 4h
Energie consommée exprimée en Wh/jour : Ec = 4*20 =80Wh
Energie consommée en Ah/jour à 48V : Ec = 4*20/48=1.6667Ah/jour
Le tableau 2.6 résume les charges estimées pour la résidence par saison :

59
Nov, Dec, Jan, Mars, Avr, Mai, Ju, Juil,

Fev Oct Aout, Sept
Description de la charge P, Watt Hr/j Ah/j Hr/j Ah/j Hr/j Ah/j
ECLAIRAGE
Eclairage de la cuisine 40 4 3,333 3 2,5 2 1,666
Eclairage salle de séjour 40 2 1,666 1,5 1,25 1 0.833
Eclairage de la chambre à coucher 1 20 1 0,416 0,5 0,208 0,5 0,208
Eclairage de la salle de bain 20 1 0,416 0,5 0,208 0,5 0,208
Eclairage Couloir/WC 20 4 1,666 3 1,25 2 0,833
PRODUCTION DU FROID
Réfrigérateur 200 2.5 10,416 3.5 14,583 4,5 18,75

+ congélateur
CUISSON
Micro-onde 1200 0,2 5 0,15 3,75 0,15 3,75
Hotte de la plaque de cuisson 300 3 18,75 3 18,75 2 12,5
VENTILATION
Ventilation (VMC) 15 24 7,5 24 7,5 24 7,5
MULTIMEDIA
TV 100 6 12,5 5 10.416 4 8,333
ADSL + HIFI 50 24 50 24 50 24 50
PC 90 1 1,875 1 1,875 1 1,875
ELECTROMENAGER ET AUTRES APPLICATIONS
Machine à laver 1200 0,5 12,5 0,5 12,5 0,5 12,5
Lave-vaisselle 1000 0,5 10,416 0,5 10,416 0,5 10,416
Divers équipements (Aspirateur, grille-pain, 2000 1 41,666 1 41,666 1 41,666

robot, sèche-cheveux, etc.)
Total 178,952 177,288 171.454
Tableau 2.6 μ Bilan énergétique de l’habitat résidentiel choisi

60
Suite à l’estimation des charges électriques de l’habitat, nous avons établi un profil de
consommation annuel type en considérant les hypothèses suivantes :
 Pendant un jour de la semaine, de minuit au lever de la famille à 7h. La consommation est

faible (150W). elle est principalement due à l’alimentation d’appareils divers tel que de
l’ADSδ, téléphones, réveils, VMC, frigo, etc. A partir de 7h la famille se lève, la
consommation augmente en fonction des activités diverses de la famille (toilettes,
préparer le petit déjeuner par micro-ondes etc.). A 8h la famille quitte la maison. La
consommation électrique chute en conséquence. τn suppose qu’elle avoisine toujours les
150W avant le retour de la famille à 12h. Pendant le déjeuner, la consommation électrique
subit une importante croissance en fonction des activités de cuisson (micro-onde,
mélangeur, hotte de la plaque de cuisson) et de pause déjeunée (télévision, radio,…). A
14h, la famille requitte la maison et la consommation rejoint les 150-300 W (selon la
saison) jusqu’à la rentrée de la famille à 18h. Cette dernière augmente alors jusqu’à
(1λh30, 20h) heure du diner. Par la suite, la consommation tend vers une valeur de l’ordre
de 600-700 W qui corrèle avec des consommations énergétiques diverse (télé, HIFI, PC,
ADSδ, l’éclairage, …). A 23h, la famille se couche. δa consommation retombe alors pour
rejoindre sa valeur minimale (150W).
 Pendant un jour du weekend, la famille se lève plus tard vers 8h/9h. Alors, la
consommation reste faible à 150W de minuit à cette heure. Puis, elle augmente suite aux
activités matinales dans la salle de bain et dans la cuisine comme une journée de la
semaine. Par la suite, la famille est supposée rester dans la maison. Ainsi, sa
consommation augmente considérablement (vers les 400W) entre 9h et 12h et entre 14h et
18h par rapport à une journée de la semaine. La famille se couche plus tard souvent entre
23h30 et minuit.
La figure 2.13 représente les différents profils journaliers de consommation établis
pour chaque saison.
 Pendant l’année, la famille est supposée être présente toute l’année dans la maison. τn ne
prend pas en considération les congés et les vacances, période relativement réduite par
rapport à une année entière. Le profil de consommation annuel est une reproduction du
profil journalier en semaine et en fin de semaine tout en respectant les variations
saisonnières. Les jours fériés sont pris en compte et considérés comme jour de weekend.
Les jours fériés et les weekends sont considérés en concordance avec le calendrier de
l’année 200λ.

61
Au final, la consommation annuelle en électricité s’élève à 3306,435 KWh/an, ce qui semble

cohérent du fait que les applications énergétivores (ECS, chauffage, cuisson) sont assurées
par d’autres ressources énergétiques.
Figure 2.13: Profils de consommation journaliers établis pour l’habitat résidentiel considéré
en fonction de l’heure et de la saison

62
2.4.2- εodélisation d’un profil de consommation par acquisition de données réelles
Des données de consommation réelles ont été acquises pour une maison de 4 habitants
située à δa Rochelle sans considération de la cuisson, du chauffage et de l’eau chaude
sanitaire comme cela a été indiqué dans le paragraphe précédent.
δes caractéristiques de l’habitat sont récapitulées ci-dessous :
- habitat familial de 120m².

- Nombre de pièces principales : 3 chambres + une cuisine + une salle à manger.
- Equipements à basse consommation : ampoules et appareils électrodomestiques.
- Résidence occupée sept jours par semaine toute l’année.
La figure 2.14 montre les acquisitions à la minute de la consommation d’énergie durant un

jour de la semaine et un jour pendant le weekend. Elles ont été mesurées avec un analyseur
d’énergie en juin afin de neutraliser le chauffage. Pendant une journée de la semaine, la
maison est moins occupée par ses habitants. δa consommation d’énergie s’élève à 4489
Wh/jour. δors d’un jour férié ou de fin de semaine, la demande d’électricité augmente de
manière significative et atteint 6884,3 Wh/jour.
Figure 2.14: Profils de consommations journalière de base enregistrés dans l’habit résidentiel
en fonction du temps

63
Ces profils ont été extrapolés pour chaque année entière entre 2002 et 2010 en considérant
les variations saisonnières de la charge électrique dans l’habitat. Cette extrapolation a été faite
par multiplication de ces profils de base par les facteurs de correction illustrés par le tableau
2.7. Ces derniers ont été obtenus grâce aux variations saisonnières (figure 2.15) de la charge
électrique enregistrées dans un habitat similaire de la région en 2009.
La consommation annuelle de la résidence est alors estimée à 2199 KWh/an en 2009.
Consommation Facteurs de
1,4
dans une maison correction
Facteur de correction de la charge
mensuelle par rapport au mois de
1,2 résidentielle en par rapport

région Poitou- au mois de
1 Mois Charentes (KWh) Juin
0,8 Septembre 266 1,0391
Octobre 303 1,1836
juin
0,6 Novembre 322 1,2578

0,4 Décembre 338 1,3203
Janvier 338 1,3203
0,2
Février 313 1,2227
0 Mars 318 1,2422
Aout
Janvier
Février
Mai
Juin
Mars
Avril
Décembre
Septembre
Octobre
Juillet
Novembre
Avril 248 0,9688

Mai 266 1,0391
Juin 256 1,0000
Juillet 283 1,1055
Aout 287 1,1211
Figure 2.15 μ Allure de l’évolution de la consommation Septembre 273 1,0664
électrique en fonction des mois représentée par les Octobre 303 1,1836
Novembre 316 1,2344
facteurs de correction de la charge électrique par
Tableau 2.7 : Facteurs de correction de la
rapport au mois de juin. charge électrique par rapport au mois de juin.
2.5- Influence de la période d’acquisition des données
En utilisant les données disponibles de vitesse du vent, d’irradiance reçue par un plan
incliné (inclinaison et orientation optimales) et de la charge (modélisée par acquisition de
données réelles) pendant un an, nous avons estimé le potentiel énergétique de chacun en
utilisant des périodes d’acquisition qui sont comprises entre une minute et deux heures.
δ’objectif est de démontrer l’influence de la période d’acquisition sur la précision de
l’estimation. δ’étude a été faite deux fois : directement avec les données disponibles, ensuite
avec les mêmes données filtrées en respectant Shannon*.
*Théorème de Shannon : Pour éviter la perte d’informations et la déformation du signal reconstitué, la fréquence
d’échantillonnage Fe doit être égale ou supérieure à deux fois la fréquence la plus élevée d’un signal à
spectre limité : .

64
Dans ce dernier cas, le filtrage anti-repliement est fait par une structure de Butterworth [34].
Matlab propose une fonction dans laquelle la synthèse de ce filtre est effectuée :
[b,a]=butter (n,Wn, ‘s’)
Cette fonction donne directement les coefficients a et b du filtre analogique (décrit avec ‘s’) à
partir de :
- n : ordre du filtre, dans notre cas n =4, sachant que les filtres de Butterworth sont les
seuls filtres linéaires dont la forme générale est similaire pour tous les ordres (mise à
part une pente différente dans la bande de coupure).
- Wn bande passante du filtre (fréquence haute de la bande passante pour un passe-
bas).Dans notre cas, la fréquence du filtre est réglée de manière à être à de la
fréquence d’échantillonnage, soit par exemple pour une période de 1 minute,

. Par conséquent,
Le filtrage des données se fait sous Matlab avec la fonction « lsim » :
Donne_filtre = lsim (b,a, données, T)
Avec T : vecteur temps avec la même dimension que les vecteurs donnés.
2.5.1- Cas de la vitesse du vent
δes résultats indiquent que les valeurs d’énergie du vent estimées avec des périodes
d’acquisition différentes et sans filtrage varient de manière aléatoire. Par contre, en cumul à
long terme (un mois à un an), il n’y pas de différences significatives entre la valeur d’énergie
obtenue avec une période d’acquisition d’une minute et celle calculée avec une période de 60
min (écart inférieur à 10 %). Ainsi un échantillon toutes les heures sur un an donne une
précision satisfaisante pour l’estimation de l'énergie du vent ou de l’énergie fournie par une
éolienne.
Dans le cas de données filtrées respectant le théorème de Shannon avec une structure de
Butterworth, nous notons que l'énergie diminue lorsque la période d'acquisition du vent
augmente. En revanche, une perte d'énergie (maximum 10%) est détectée entre l’énergie
estimée avec des données filtrées et celle calculée avec des données non filtrées en utilisant la
même période d’acquisition de base (1minute). Sachant que les données de base à une minute

65
sont obtenues en faisant la moyenne sur une minute avec une acquisition très fine (jusqu’à 1
microseconde).
Par ailleurs, il est important de signaler que pour des périodes d’acquisition entre une
minute et trente minutes, l’énergie estimée après filtrage, décroît linéairement (Fig.2.16). A
titre d'illustration, le tableau 2.8 présente tous les résultats pour le site considéré avec les
données de 2009:
Période Energie estimée Energie Mise à l'unité par

d'acquisition avec des Mise à l'unité estimée avec rapport à la plus
(min) données non par rapport à des données faible période
filtrées la plus faible filtrées
(KWh/an/m²) période (KWh/an/m²)
1 932,6328 1 902,2724 1
2 933,4529 1,000879339 880,309 0,975657684
3 934,752 1,002272277 868,5208 0,962592672
4 930,112 0,997297114 860,5533 0,95376219
5 932,7509 1,000126631 854,7426 0,947322117
6 918,1934 0,984517594 843,4641 0,934822012
10 930,3 0,997498694 835,7789 0,926304407
12 934,0897 1,001562137 830,2203 0,920143739
16 917,826 0,984123655 820,4627 0,909329267
20 923,5434 0,990254042 811,4828 0,899376729
24 926,9414 0,993897491 802,8756 0,88983726
30 919,8279 0,986270159 790,968 0,876639915
60 904,3724 0,969698256 744,4274 0,825058375
120 896,3696 0,961117387 674,8159 0,747907062
240 914,5594 0,980621098 582,5348 0,645630743
Tableau 2.8 : Evolution de l'énergie du vent estimée en 2009 en fonction de la période
d’acquisition
1000
900
(Kwh/an/m²)
800
Cas de données
700 non filtrées
Cas de données
600 filtrées
500
1 10 100 1000
Période d'acquisition (min)
Figure 2.16 μ Evolution de l’énergie du vent estimée en 2009 en fonction de la période

d’acquisition

66
Les résultats peuvent être expliqués par le fait que pour les fréquences hautes (entre (1 / 60)
Hz et (1 / 3600) Hz), la vitesse du vent, considérée comme une variable aléatoire, a le même
comportement qu’un bruit blanc (figure 2.17). En outre, pour des périodes d'acquisition du
vent entre 60 s et 3600 s, les caractéristiques statistiques des données (maximale, minimale,
moyenne, variance, etc.) sont presque invariantes. En effet, comme exemple, pour les données
du vent de l’année 200λ (σational Wind Technology Canter-Colorado):
- en utilisant des données à la minute, nous avons:

moyenne = 3,6806 m / s, variance = 9,5791, minimum = 0,2408 m/s et maximum = 26,6180
m/s,
- en utilisant des données horaires échantillonnées, nous avons conclu à :

une moyenne = 3,6681 m/s, une variance = 9,3529, un minimum = 0.2408 m/s et un
maximum = 24, 996 m/s.
Par conséquent, il est possible d’estimer de manière précise le potentiel éolien avec une
période d’échantillonnage allant jusqu’à une heure. Dans notre cas, nous avons opté pour une
période de 30 minutes.
5
x 10
3.5
2.5
2
DSP
1.5
0.5
0
-7 -6 -5 -4 -3
10 10 10 10 10
fréquence exprimée en Hz
Figure 2.17 : Représentation de la densité spectrale de puissance des vitesses de vent

recueillie à la minute en 2009.

67
2.5.2- Cas de l’irradiation du soleil
δes résultats indiquent qu’il n'y a pratiquement aucune différence entre la valeur de
l'énergie solaire obtenue avec une période d’acquisition d'une minute d'échantillonnage et
celle calculée avec une période de 60 minutes (écart inférieur à 0,5%).
En plus, contrairement à l'estimation de l'énergie éolienne, si nous filtrons les données

d'irradiance en respectant Shannon via une structure de Butterworth, on ne constate pas de
grands changements dans les résultats (sauf au-delà de 100s, où la courbe non filtrée fait
apparaître le début du repliement du spectre par l’augmentation du résultat) (Figure 2.18).
δ'énergie ne diminue pas de façon linéaire en fonction de la période d’acquisition. Cela peut
s’expliquer par le fait que l'irradiance varie lentement au cours du temps (période <100s). A
titre d'illustration, le tableau 2.λ présente tous les résultats concernant l’énergie solaire pour
l’année 2008 :
Période Irradiation estimée Mise à l'unité Irradiation Mise à l'unité par

d'acquisition avec des données par rapport à avec des rapport à la
(min) non filtrées la période données période minimum
(KWh/an/m²) minimum filtrées
(KWh/an/m²)
1 1936 1 1936 1
2 1935,5 0,99974174 1936 1
3 1936,6 1,00030992 1936 1
4 1935,6 0,99979339 1936 1
5 1935,5 0,99974174 1936 1
6 1936 1 1936 1
10 1934,3 0,9991219 1936 1
12 1935,1 0,99953512 1936 1
16 1932,1 0,99798554 1936 1
20 1940,5 1,00232438 1936 1
24 1929 0,9963843 1936 1
30 1931,6 0,99772727 1936,1 1,00005165
60 1931,9 0,99788223 1936,2 1,00010331
120 1927,1 0,99540289 1936,4 1,00020661
240 1988,5 1,02711777 1935,1 0,99953512
Tableau 2.9 : Evolution de l'irradiation solaire estimée en 2008 en fonction de la période
d’acquisition de l’irradiance.

68
2200
2000
Potentiel photovoltaique
(Kwh/an/m²)
1800 Cas de données non
filtrées
Cas de données
1600
filtrées
1400
1 10 100 1000
Figure 2.18 μ Evolution de l’irradiation solaire estimée en 2008 en fonction de la période

d’acquisition de l’irradiance
Ces résultats permettent de confirmer qu’il est suffisant d'utiliser des données horaires ou
mi- horaires du vent et de l’ensoleillement. Il n’est pas primordial d’utiliser des instruments à
très hautes fréquences d'acquisition car leurs coûts relativement élevées constituent un
handicap.
2.5.3- Cas de la consommation
δes résultats (tableau 2.10, figure 2.1λ) montrent que les valeurs de l’énergie consommée
par l’habitat avec des périodes d’acquisition différentes et sans filtrage varient de manière
aléatoire. En comparaison avec l’irradiation et l’énergie du vent, en cumul à long terme (un
mois à un an), la différence entre la valeur d’énergie obtenue avec une période d’acquisition
d’une minute et celle calculée avec une période de 60 minutes est plus importante (écart
supérieur à 10 %). Mais, elle est presque nulle avec des données filtrées. Cela est dû au fait
que la consommation n’est pas une variable purement aléatoire. Il y a déjà une reproduction
des profils journaliers. Donc, une variation de la période d’acquisition implique un
changement des caractéristiques statistiques des données.

69
Période Consommation Mise à Consommation Mise à

d'acquisition électrique l'unité par électrique l'unité par
(min) annuelle de rapport à la annuelle de rapport à la
l'habitat première l'habitat avec première
estimée avec des valeur des données valeur
données non filtrées
filtrées (KWh/an)
(KWh/an)
1 2199 1 2199 1
2 2221,9 1,01041382 2199 1
3 2150,7 0,97803547 2198,9 0,99995452
4 2165,1 0,9845839 2198,7 0,99986357
5 2150,6 0,97799 2198,8 0,99990905
6 2202,4 1,00154616 2199,1 1,00004548
10 2185,5 0,99386085 2199 1
12 2390,4 1,08703956 2199,7 1,00031833
16 2203,9 1,00222829 2198,8 0,99990905
20 2219,8 1,00945884 2199,2 1,00009095
24 2194,7 0,99804457 2198,8 0,99990905
30 1906,6 0,86703047 2198,3 0,99968167
60 1947,9 0,88581173 2197,8 0,9994543
120 1586,2 0,72132788 2198,1 0,99959072
240 1599,2 0,72723965 2197,4 0,9992724
Tableau 2.10 μ Evolution de la consommation électrique de l’habitat estimée durant l’année
200λ en fonction de la période d’acquisition de la charge électrique
2500
Consommation électrique estimée
2400
2300 Consommation
2200 électrique annuelle de
2100 l'habitat estimée avec
(KWh/an)
2000 des données non

filtrées (KWh/an)
1900
1800 Consommation
1700 électrique annuelle de
l'habitat avec des
1600 données filtrées
1500 (Kwh/an)
1 10 100 1000
Figure 2.19 μ Evolution de la consommation électrique de l’habitat durant l’année 200λ en

fonction de la période d’acquisition de la charge.

70
En l’occurrence, si on veut utiliser des données horaires ou mi-horaires de la charge pour

être en adéquation avec les données météorologiques et minimiser le nombre d’acquisitions
pour un traitement plus rapide, il est obligatoire d’utiliser des données filtrées de manière à
avoir une consommation annuelle égale à celle avec des acquisitions à la minute.
2.6- Synthèse et conclusions
Ce chapitre a été consacré au recueil et au traitement des données de la vitesse du vent, de

l’irradiance du soleil et de la consommation électrique d’un habitat résidentiel à un site isolé.
Ces données sont nécessaires pour évaluer les potentiels énergétiques renouvelables du site et
pour estimer la consommation dans l’habitat. Dans un premier temps, les méthodes et le
matériel utilisés pour leur acquisition ont été présentés. Puis, une analyse précise et rigoureuse
des différents facteurs pouvant influencés l’évaluation des potentiels énergétiques a été
menée. Les principaux résultats de ce chapitre sont les suivants :
- δ’estimation de l’énergie du vent par intégration numérique de la puissance (méthode

des trapèzes) est précise et peut être appliquée de manière simple pour l’évaluation du
potentiel éolien et par analogie du potentiel photovoltaïque et de la consommation
annuelle de l’habitat.
- δ’énergie du vent varie beaucoup d’une année à une autre contrairement à celle du
soleil.
- Le potentiel photovoltaïque (kWh/m²/an) est plus important que le potentiel éolien par
m²/an sur le site considéré.
- Avec un suiveur parfait (mobilité mouvement selon les deux axes, zénith et azimut), le
potentiel photovoltaïque reçu par rapport à un plan incliné et fixe peut augmenter de
plus de 20%.
- Une résolution temporelle de l’ordre de l’heure ou de la demi-heure sans filtrage
prévoit une précision satisfaisante pour l’estimation de l’énergie éolienne ou
photovoltaïque sur une longue période, ce qui n’est pas le cas pour la charge
consommée par l’habitat où le filtrage reste obligatoire.
Ces résultats permettent une meilleure conception des systèmes hybrides. En effet, pour la
suite de ces travaux, nous utilisons des données mi-horaires pour l’optimisation et le
dimensionnement du système hybride. Cette période d’échantillonnage médiane permet
d’éviter la perte d’informations tout en limitant les temps de calcul, de simulation et de
traitement. Afin d’assurer un maximum de précision, les données de la charge électrique mi-

71
horaires obtenues par filtrage ont été utilisées pour avoir une consommation annuelle égale à
celle avec des acquisitions réelles à la minute. Le graphique de la figure 2.20 montre les
différents potentiels énergétiques ainsi obtenus et conservés pour la suite :
Figure 2.20: Evaluation des différents potentiels énergétiques en fonction des années à partir
de données mi-horaires

72
Bibliographie
[1] E. Golding, The generation of electricity by wind power, 2e éd., Halsted Press, 1976.
[2] P. Gipe, Le grand livre de l'éolien, édition révisée éd., Observ'ER, 2004, p. 23.
[3] C. Dubois, Le guide de l'éolien, techniques et pratiques, 1e éd., Eyrolles, 2009, p. 44.
[4] A. Bonnet et J. Luneau, Aérodynamique: Théories de la Dynamique des Fluides, Capadues, 1989,
p. 544.
[5] E. Guyon, J. Hulin et L. Petit, Hydrodynamique physique, CNRS, 2001, p. 673.
[6] M. France, «Les modèles de prévision de Météo-France,» [En ligne]. Available:

http://comprendre.meteofrance.com/jsp/site/Portal.jsp?&page_id=14975 [Accès le 2010].
[7] NREL, «Site Web des données météorologiques à la minute,» NREL, [En ligne]. Available:
http://www.nrel.gov/midc/nwtc_m2/ [Accès le 2009].
[8] «Description du mât de mesure type SW201,» [En ligne]. Available:

http://www.metone.com/documents/ws201Wind.pdf
[9] «Description du compteur SDM-INT8 de Campbell Scientific,» [En ligne]. Available:

http://www.campbellsci.com/sdm-int8
[10] T. Stoffel, D. Renné, D. Myers, S. Wilcox, M. Sengupta, R. George et C. Turchi, «Concentrating

solar Power, Best Practices Handbook for the collection and Use of Solar resource data,» NREL,
2010.
[11] P. Bessemoulin et J. Olivier, «Le rayonnement solaire et sa composante ultraviolette,» La

météorologie, vol. 8, n° 31, 2008.
[12] J. Hofierka et M. Suri, «The solar radiation model for Open source GIS: implementation and
applications,» chez Proceedings of the Open source GIS-GRASS users conference, 2002.
[13] I. Reda et A. Andreas, «Solar Position Algorithm for Solar Radiation Applications,» National
Renewable Energy Laboratory, 2008.
[14] J. Bernard, Energie solaire, Calculs et optimisation, Paris: Ellipses, 2004.
[15] D. Myers, «Solar Radiation Modeling and Measurements for Renewable Energy Applications:
Data and Model Quality,» chez International Expert Conference on Mathematical Modeling of
Solar Radiation and Daylight-Challenges for the 21st Century, Edinburgh, Scotland, 2003.
[16] A. S. o. Heating, ASHRAE handbook : HVAC applications, Atlanta (GA), 1999.

73
[17] M. Iqbal, «Estimation of the monthly average of the diffuse component of total insolation on a
horizontal surface,» Solar Energy, vol. 20, n° 1, pp. 101-105, 1978.
[18] M. Iqbal, An introduction to solar radiation, Toronto: Academic press, 1983.
[19] J. A. Davies et D. McKay, «Estimating solar irradiance and components,» Solar Energy, vol. 29,
n° 1, pp. 55-64, 1982.
[20] J. Sherry et C. Justus, «A simple hourly all-sky solar-radiation model based on meteorological
parameters,» Solar Energy, vol. 32, n° 2, pp. 195-204, 1984.
[21] D. Myers, «Inventory of solar radiation/ solar energy systems : estimators, models, site-specific
data and publications,» Electricity, Resources, and Buildings Systems Integration Center,
National Renewable Energy Laboratory, 2009.
[22] «Présentation du pyranomètre de précision modèle Eppley,» [En ligne]. Available:

http://www.eppleylab.com/PrdPrecSpectralPyrmtr.htm [Accès le 2009].
[23] NREL, «Solar Position Algorithm (SPA),» [En ligne]. Available:

http://rredc.nrel.gov/solar/codesandalgorithms/spa/
[24] E. Morice, «Quelques problèmes d'estimation relatif à la loi de Weibull,» Revue de statistique
appliquée, vol. 16, n° 3, pp. 43-63, 1968.
[25] T. Burton, D. Sharpe, N. Jenkins et E. Bossanyi, Wind Energy Handbook, Estimation of Energy
Capture, John Wiley & Sons, 2001, p. 185.
[26] M. Benghanem, «Optimization of tilt angle for solar panel: Case study for Madinah, Saudi
Arabia,» Applied Energy, vol. 88, n° 4, pp. 1427-1433, 2011.
[27] M. A. Noorian, I. Moradi et G. A. Kamali, «Evaluation of 12 models to estimate hourly diffuse

irradiation on inclined surfaces,» Renewable Energy, vol. 33, n° 6, pp. 1406-1412, 2008.
[28] A. Ibrahim, A. A. El-Sebaii, M. Ramadan et S. El-Broullesy, «Estimation of Solar Irradiance on

Inclined Surfaces Facing South in Tanta, Egypt,» International Journal of Renewable Energy
Research, IJRER, vol. 1, n° 1, pp. 18-25, 2011.
[29] T. Stoffel, D. Renné, D. Myers, S. Wilcox, M. Sengupta, R. George et C. Turchi, «Concentrating

solar power, Best practices handbook for the collection and use of solar resource data,»
National Renewable Energy Laboratory, 2010.
[30] NREL, «Solar position and intensity calculator, MIDC SOLPOS Calculator,» [En ligne]. Available:
http://www.nrel.gov/midc/solpos/solpos.html.

74
[31] A. De Miguel, J. Bilbao, R. Aguiar, H. Kambezidis et E. Negro, «Diffuse solar irradiance model
evaluation in the north Mediterranean belt area,» Solar Energy, vol. 70, n° 2, pp. 143-153, 2001.
[32] R. A. Messenger et J. Ventre, Photovoltaïc systems engineering, Chapitre 7 : Stand-alone PV

systems, 2e éd., CRC Press, 2005.
[33] «Consommation de certains produits électroménagers,» [En ligne].
Available: http://eco-sapiens.com.
[34] S. Butterworth, «On the Theory of Filter Amplifiers,» Wireless Engineer, vol. 7, pp. 536-554,
1930.

75
Modélisation et simulation
Chapitre 3 : εodélisation et simulation d’un système hybride

éolien-photovoltaïque avec batteries
3.1- Introduction
Dans ce chapitre, nous abordons la question de la modélisation du système hybride éolien
photovoltaïque avec batteries pour répondre aux besoins énergétiques d’un habitat résidentiel
en site isolé, l’objectif principal étant le dimensionnement du système final d’une part et son
évaluation économique et écologique d’autre part.
D’abord, nous passons en revue les modélisations énergétiques des différents composants du
système ; nous décrivons en détail les modèles de l’éolienne, du générateur photovoltaïque et
du banc de stockage ; afin d’évaluer la production sur site par les sources renouvelables. σous
introduisons des critères énergétiques tels que l’insatisfaction au niveau de la charge, l’excès
de production…Ensuite, nous examinons de près les aspects économiques et écologiques pour
aboutir à une évaluation globale de la solution de dimensionnement. Au niveau de
l’évaluation économique, nous considérons plus particulièrement les paramètres suivants :
l’inflation, le taux d’intérêt… ; En revanche, au niveau de l’évaluation écologique, nous nous
contentons de la considération de la quantité d’énergie primaire intrinsèque.
Bien entendu ; une attention particulière est portée non seulement sur les calculs de coût
énergétique sur cycle de vie, mais aussi également sur le coût économique du système. Par
ailleurs, l’ensemble des modèles est représenté à l’aide du logiciel Matlab/Simulink, et le
fonctionnement global du système est étudié selon différents profils de consommation et tient
compte de l’orientation et de l’inclinaison des capteurs d’énergie (PV en particulier) ; à la fin
des résultats de simulation sont passés en revue et discutés.
3.2- Modélisation énergétique du système

La modélisation est une étape essentielle avant toute phase de dimensionnement optimal.
δe système hybride étudié est composé de la combinaison de trois sources d’énergie :
éolienne, générateur photovoltaïque et batteries comme indiqué dans la figure 3.1.

77
Figure 3.1 : Architecture du système hybride éolien photovoltaïque avec batteries
Une modélisation de chaque composant est décrite ci-dessous. La complexité des modèles
doit rester acceptable de façon à ne pas allonger les temps de simulation et de résolution
numérique du problème d’optimisation. Ce dernier sera traité dans le chapitre suivant.
Ce sont plutôt des modèles d’entrée-sortie, où seule la puissance active est considérée. Ils
permettent de bien déterminer les différents flux d’énergie au sein du système hybride avec
l’objectif d’optimiser le dimensionnement de chaque élément.
3.2.1-εodèle de l’éolienne
Avec une approche globale, la puissance électrique générée par l’éolienne peut être
formulée de façon proportionnelle par rapport à la surface balayée par son rotor (Awt) comme
suit [1]:
(3.1)
ρ [Kg/ m ] est la densité de l’air (Eq. 2.5).

3
Les autres paramètres sont les suivants :
V [m/s]: vitesse du vent,
Awt [m²]μ surface balayée par le rotor de l’éolienne,

78
Cp: rendement de la turbine,

ηgb: rendement du variateur de vitesse,
ηg : rendement de la génératrice,
: Rendement global supposé égal à 30 % pour des éoliennes tripales à axe
horizontal [2].
Pour rendre l’équation (3.1) linéaire, ça suppose que le rendement des éoliennes soit
semblable. Cette linéarisation est acceptable pour les petites éoliennes domestiques, avec des
facteurs de puissance optimaux proches pour des surfaces balayées allant de 1 à 25 m². La
puissance nominale est supposée atteinte à la vitesse du vent 12 m/s et reste constante à
partir de ce seuil. Cette considération ne fixe pas un type d'éoliennes et rend donc la méthode
d’optimisation proposée par la suite plus générale. Cependant, conscients des limites de cette
supposition, ce sera la courbe réelle de puissance de l’éolienne qui sera utilisée pour toutes
les phases d’évaluation.
3.2.2-Modèle du générateur photovoltaïque

Si Apv exprimé en m² est la surface du module et Ir l’éclairement en W/m², la puissance
électrique générée par les panneaux photovoltaïques Ppv est donnée par [3]:
(3.2)
Avec :
ηpv: rendement global du module, il est donné par [4, 5] :
(3.3)
Cette formule considère les paramètres suivants :
ηr: rendement de référence du module photovoltaïque. Il est défini comme le rapport entre la
puissance maximale produite et la puissance du rayonnement solaire qui arrive sur le module.
Il dépend de la technologie utilisée. Dans notre travail, nous avons choisi des modules poly
cristallins au silicium avec un rendement de l’ordre de 13%.
ηpc: facteur de dégradation. Il tient compte du point de fonctionnement des modules qui est
rarement optimal et qui peut être aggravé par la baisse des caractéristiques des modules ou de
leur rendement dans le temps (vieillissement et dépôt de poussière). Ici, ηpc sera égal à 0,9
[6].
βt μ coefficient de l’influence de la température des cellules photovoltaïques sur le rendement
du générateur, allant de 0,004 à 0,006 par degré Celsius.

79
Tc: température des cellules (°C). Pour un module PV de cellules solaires en silicium poly
cristallin, il peut être estimé à partir de la température ambiante Ta [°C] et l'irradiation solaire
Ir comme suit [5]:
(3.4)
TNOCT μ température d’utilisation de la cellule (σominal τperating Cell Temperature). Elle
est définie comme la température qu’atteint la cellule dans son module en circuit ouvert, sous
un ensoleillement de 800W/m², avec une température ambiante de 25 degrés Celsius et un
vent de 1m/s.
Les valeurs couramment rencontrées sont comprises entre 40 et 50 degrés Celsius.
Pour notre travail, après consultation des données techniques de différents panneaux en
silicium poly-cristallin (tels que Astronergy CHSM 6610P-240 ou Trina Solar TSM-PA05),
nous avons considéré une valeur typique de TNOCT égale à 45 degrés Celsius et une valeur
typique de βt de 0,0045 par degré Celsius.
A rappeler que l’irradiance Ir est considérée pour des panneaux fixes et avec une acquisition
chaque 30 minute.
3.2.3-Modèle du banc de stockage (banc de batteries)
δa modélisation de l’élément de stockage est importante dans la simulation des systèmes
hybrides. D’une part, l’élaboration de son état de charge instantané (SOC : State Of Charge)
permet l’optimisation de la gestion de l’énergie au sein du système. D’autre part, l’évaluation
de sa durée de vie facilite l’estimation du coût de ce dernier pendant la durée de vie du
système. Dans notre cas, l’accent est mis sur la technologie de stockage la plus répandue
actuellement dans les applications stationnaires, c’est à dire la technologie électrochimique
Plomb-Acide à plaques tubulaires et en particulier la technologie VRLA. Ce choix est basé
sur les avantages de cette technologie évoqués au cours du premier chapitre (1.3.3).
Il existe dans la littérature trois principaux modèles de batteries [7] [8][9]. Le premier, le
modèle énergétique, le plus couramment utilisé, se concentre sur la modélisation de l’état de
charge, qui est le paramètre le plus important dans le suivi des systèmes hybrides. Le
deuxième type est un modèle de tension qui estime la tension aux bornes de la batterie. Il est
utilisé dans la modélisation du système de gestion de la batterie et permet un calcul plus
détaillé des pertes dans l’accumulateur. δe troisième type de modèles est celui de
vieillissement utilisé pour évaluer l'impact d'un régime d'exploitation particulier sur la durée
de vie attendue de la batterie.

80
Dans la suite nous présentons le modèle énergétique, de tension et de vieillissement de

l’accumulateur choisi.
3.2.3.1- Modèle énergétique du banc de batteries, établissement de son état de charge
δa charge et la décharge de l’énergie stockée dans le banc de batteries dépendent de la

différence entre la puissance produite par les sources renouvelables (Pres) et la charge
consommée (Pload). δ’évolution de l’état de charge (SOC) de l’accumulateur à chaque
instant t est déterminée par coulométrie. Au cours de la charge, il est calculé comme suit :
(3.5)
Dans la phase de décharge, le SOC est donné par :
( ) (3.6)
Pload (t) est la puissance consommée par l’habitat résidentiel à l’instant t. ∆t est le pas de
simulation. Il est d’une demi-heure. ηdcdc, ηacdc et ηinv sont les rendements respectifs des
convertisseurs DC/DC, AC/DC et DC/AC (figure 3.1) Ils sont tous égaux à 0,95[10] [6]. ηcha
et ηdis sont les rendements de la charge et de la décharge des batteries. Bien qu’elles soient
critiquables, nous retenons les valeurs de la littérature [11][12] [13] (ηcha = 0,85, ηdis= 1).
ηwr est introduit pour tenir compte des pertes dans les câbles et les connexions (ηwr = 0,98
[12]). Ubus est la tension nominale du bus continu. Elle est choisie à 48V. C’est une valeur
standard respectant les conditions de sécurité.
Afin de maîtriser la durée de vie des batteries, leur état de charge (SOC) est soumis aux
contraintes suivantes :
(3.7)
SOCmax et SOCmin étant les capacités de stockages maximales et minimales permises.

SOCmax correspond à la capacité nominale des accumulateurs assemblés Cn:
(3.8)
Où : Cbat μ capacité d’une batterie élémentaire,
Nbat = nombre total de batteries,

81
Nbats = nombre total de batteries connectées en série dans chaque branche. δ’équation (3.λ)
présente comment calculer ce nombre à partir de la tension du bus continu Ubus et la tension
nominale de chaque batterie Vbat (dans notre cas 12V) :
(3.9)
SOCmin correspond à la limite inférieure que le banc de stockage ne doit pas dépasser lors de
la décharge. Elle est déterminée de la manière suivante:
(3.10)
DODmax étant la profondeur de décharge maximale admissible par les batteries. Elle dépend
du type de batteries et de l’application. Dans le cas des systèmes d’énergie autonomes en site
isolé, la plupart des batteries utilisées sont de type Plomb-acide à cyclage profond
(l’utilisation de la technologie VRδA s’est aujourd’hui généralisée et bien répandue) [14].
Une profondeur de décharge de 70% est tolérée [15].
3.2.3.2- Modèle de tension
Dans la problématique de dimensionnement, c’est surtout la capacité de stockage des

batteries qui est importante. Donc, un modèle de charge simple mais suffisant d’une batterie
s’avère commode pour notre étude. Il s’agit d’un modèle idéal avec Vo, Rbat et Vbat,
représentant respectivement la tension en circuit ouvert, la résistance interne équivalente et la
tension aux bornes de la batterie (figure 3.2). Ce modèle a l’avantage d’être indépendant du
type de batteries. Les batteries sont connectées en série pour atteindre la tension de bus
continu Ubus souhaitée (dans notre cas 48V) et sont branchées en parallèle pour obtenir la
capacité de stockage désirée (en Ah). Vo et Rbat sont supposées constantes.

82
Figure 3.2 μ εodèle idéal d’une batterie Plomb-acide
3.2.3.3- Modèle de vieillissement, détermination du nombre de remplacements
3.2.3.2.1- Processus de vieillissement
Le vieillissement des batteries plomb-acide est surtout dû aux causes suivantes [16]:
- la corrosion de la plaque positive : transformation du plomb métallique Pb en oxyde

de plomb PbOx.
- la dégradation de la matière active de la plaque positive causée par la déformation
mécanique de cette dernière (Pbτ2 ↔ PbSτ4) durant les cycles de charge et de
décharge.
- La sulfatation - recristallisation du PbSO4 durant les longues périodes en sous-charge
ou l’état de charge est faible.
- la perte d’eau et la stratification de l’électrolyte (facteurs d’endommagement
spécifiques aux batteries VRLA).
Ces causes peuvent être accentuées par les facteurs suivants :
- la profondeur de décharge.
- la durée de fonctionnement à charge minimale.
- l’énergie échangée en Ah.
- δ’amplitude de la puissance et de la charge/décharge,
- la durée d’un cycle (temps entre deux charges maximales).

83
- les cycles partiels (l’état de charge de l’accumulateur à la fin du cycle n’est pas le
même qu’au début du cycle).
- la température ambiante.
3.2.3.2.2- Modélisation du vieillissement des batteries
Plusieurs modèles de vieillissement des batteries sont évoqués dans la littérature [17][18].
Les plus connus sont les modèles dits de post-traitement et les modèles de dégradation des
performances.
a) Modèles de post-traitement
Les modèles de post-traitement sont des modèles de durée de vie basés sur l’analyse de
données mesurées à partir de systèmes réels. Généralement, ils impliquent directement ou
indirectement les facteurs de stress mentionnés ci-dessus. Les plus connus sont le modèle à
cycles (charge/décharge) et celui à énergies échangées.
 δe modèle à cycles se concentre principalement sur l’état de charge actuel de la

batterie. Il suppose que l'amplitude d'un cycle de charge détermine la fraction
dépensée de la durée de vie. Cela signifie que même si le courant est le même, la
longévité peut être différente selon l’amplitude des cycles. δe critère de fin de vie est
le nombre de cycles de charge et décharge spécifié dans les fiches techniques fournies
par la plupart des fabricants sous la forme de courbes du nombre de cycles réalisable
en fonction de la profondeur de décharge atteinte au cours de ces cycles. Il s’agit
d’une courbe caractéristique appelée courbe de Wöhler présentant la tenue en cyclage
en fonction d’un stress subi, ici uniquement la profondeur de décharge des cycles. La
figure 3.3 montre la courbe de vieillissement caractéristique de la technologie Plomb-
Acide μ les données proviennent d’un exemple issu de cette source [16]. Elles
concernent une batterie Plomb-Acide capable de décharges profondes et de capacité
nominale 2,1 KWh.

84
4000
3500
Nombre de cycles possible

3000
2500
2000
1500
1000
500
0
0 0,2 0,4 0,6 0,8 1
Profondeur de décharge
Figure 3.3 : Vieillissement des accumulateurs au Plomb, nombre de cycles possible en

fonction de la profondeur de décharge
Cette courbe provient d’essais en cyclage pour des cycles bien définis : départ à SOC
égal à 100%, puis décharge jusqu’à X% puis de nouveau recharge jusqu’à SτC égal à
100%. Le problème majeur dans le cas de notre système hybride éolien-
photovoltaïque avec batteries est lié au fait que l’accumulateur est soumis à un cyclage
plus complexe avec :
- des cycles partiels (l’état de charge de l’accumulateur à la fin du cycle n’est pas
le même qu’au début du cycle).
- des cycles évoluant autour d’une certaine valeur moyenne de l’état de charge.
- des microcycles.
 Le modèle à énergies échangées suppose qu'il existe une quantité fixe d'énergie qui
circule à travers une batterie avant qu'elle nécessite le remplacement, indépendamment
de la profondeur des cycles individuels ou de tout autre paramètre spécifique à la
façon dont l'énergie circule à travers la batterie. Dans la plupart des cas, l’énergie
échangée estimée est dérivée de la profondeur de décharge du nombre de cycles fourni
par les fabricants. Avec la courbe de la figure 3.3, il est possible de déterminer
l’énergie cumulée qui a transité dans l’accumulateur tout au long de sa vie en
supposant que l’état de charge moyen n’a aucune importance. δ’équation 3.12 indique
comment l’énergie échangeable est calculée [14]:
(3.11)

85
δa figure 3.4 représente l’énergie échangeable pour l’accumulateur au plomb considéré

comme exemple.
1400
Energie totale échangée par durée de 1200
1000
vie (KWh)
800
600
400
200
0
0 0,2 0,4 0,6 0,8 1
Profondeur de décharge
Figure 3.4 : Energie totale échangée en KWh par durée de vie en fonction de la
profondeur de décharge pour l’accumulateur au plomb-Acide considéré comme
exemple
Nous remarquons qu’en première approximation, l’énergie échangeable par l’accumulateur

au plomb est à peu près constante, quelle que soit la profondeur de décharge. Pour l’exemple
considéré, l’énergie totale échangeable varie entre 1040 KWh et 1230 KWh pour une
profondeur de décharge comprise entre 20 % et 90 %. Cette méthode peut donc être utilisée
pour la technologie plomb-acide sans trop d’erreurs. Le produit du nombre de cycles par la
profondeur de décharge est alors supposé constant [19], ce qui simplifie amplement le calcul
du nombre de remplacements de l’accumulateur :
(3.12)
Le paramètre varie pour chaque type d’accumulateur au plomb. δ’énergie

maximale échangeable par un accumulateur au plomb de capacité Cn s’exprime alors de
la façon suivante : un facteur 2 est utilisé pour prendre en compte la charge et la décharge de
l’accumulateur :
(3.13)

86
Finalement, connaissant l’énergie ayant transitée dans l’accumulateur sur l’ensemble de la

durée de vie du système ( , il est possible de déterminer le nombre de remplacement
de l’accumulateur :
∫
(3.14)
étant la puissance qui circule à chaque instant dans la batterie.
Notons que le paramètre calculé de la manière précédente n’est pas un nombre entier. Il
s’agit en réalité d’un nombre réel rendant compte du vieillissement de l’accumulateur. δe
nombre effectif de remplacements est la partie entière de ce paramètre.
b) Modèles de dégradation des performances :
Une autre façon de quantifier le nombre de remplacements des accumulateurs sur la

durée de vie du système est de prendre en compte la dégradation continue de leurs
performances. Les performances énergétiques des accumulateurs électrochimiques se
dégradent aussi avec le temps. δa grandeur donnant une idée de l’état de santé d’un
accumulateur à un instant donné s’appelle l’état de santé (SOH : State Of Health) de
l’accumulateur. Il est calculé de la façon suivante :
(3.15)
Avec la capacité nominale initiale de l’accumulateur et la capacité nominale à

l’instant t. δ’accumulateur devant être remplacé lorsque la diminution de la capacité initiale
de l’accumulateur est trop importante. Par exemple, pour la courbe constructrice présentée à
la figure 3.3, il est considéré que les accumulateurs sont en fin de vie après une perte de 20%
de la capacité initiale (SOH=80%). Il va de soi qu’au sein de notre application hybride, les
accumulateurs peuvent fonctionner au-delà de cette perte de 20%. Une valeur de 30 % a été
alors retenue dans notre étude.
δa principale difficulté, en l’occurrence, réside dans le fait de quantifier la perte de

capacité au gré des cycles d’évolution de l’état de charge. Des essais expérimentaux menés
sur différents types d’accumulateurs [20] ont mis en évidence le fait que dans une première
phase de dégradation, la capacité nominale diminue de façon approximativement linéaire en

87
fonction du nombre de cycles complets équivalents (EFC : Equivalent Full Cycle) de

l’accumulateur.
Le nombre de cycles complets équivalents se définit comme étant le produit du nombre de

cycles effectués à une certaine profondeur de décharge par la profondeur de décharge de ces
cycles :
(3.16)
Cette notion de NEFC suppose que la courbe de vieillissement en cyclage Ncycles(DOD) soit
une hyperbole. δa notion d’EFC se rapproche du paramètre explicité au paragraphe
3.2.3.2.2 et suppose les mêmes hypothèses. Des coefficients de perte de capacité par cycle
complet équivalent ont pu alors être déterminés : ils diffèrent selon la technologie employée,
ils sont rappelés dans le tableau 3.1.
Type d’accumulateur Coefficient
Plomb (plaques planes)
Plomb (plaques tubulaires)
Tableau 3.1 : Coefficients de perte de capacité pour 2 technologies d’accumulateurs plomb-acide
Dans [20], le calcul de la diminution de la capacité est uniquement réalisé lorsque

l’accumulateur est en décharge. δ’équation (3.18) montre le calcul de la nouvelle capacité
nominale :
(3.17)
Avec le coefficient de perte relatif à la technologie de l’accumulateur et ∆t le pas de calcul

considéré.
Prendre en considération la diminution de la capacité nominale en « temps réel » permet

également de déterminer le nombre de remplacements des accumulateurs. Pour cela, il suffit
simplement de connaitre le coefficient de dégradation de la technologie de l’accumulateur et
de fixer un seuil de SOH limite nécessitant le remplacement de l’accumulateur. Cette méthode
utilisée pour prendre en compte le vieillissement en temps réel de l’accumulateur conduit à
des performances en cyclage légèrement supérieures par rapport à celles proposées par les

88
constructeurs. Elle ne tient pas non plus compte de la valeur moyenne du cycle d’évolution de
l’état de charge. Seule l’amplitude du cycle de décharge est supposée avoir une importance.
σotons aussi que la perte de capacité nominale de l’accumulateur dans le temps se traduit
aussi par une augmentation de sa résistance interne, et par suite par une diminution de
l’énergie qu’il est possible d’extraire de l’accumulateur. Cette augmentation de la résistance
engendrant des pertes supplémentaires dans l’accumulateur ne sera pas prise en compte dans
la suite de ce travail.
Il est clair qu’il est difficile de trouver des méthodes permettant de prendre en compte
tous les facteurs de vieillissement affectant l’accumulateur utilisé dans notre application.
Ainsi, nous allons nous contenter d’une évaluation à postériori basée sur les modèles de
dégradation des performances et en particulier l’équation 3.18.
3.2.4- Modèle des paramètres énergétiques

En raison de l’intermittence des sources d’énergie renouvelables, la fiabilité du système
d’alimentation est considérée comme un critère primordial au processus de conception des
systèmes hybrides. Elle est exprimée en termes de probabilité d’insatisfaction de la demande
(en anglais : « Loss of Power Supply Probability LPSP » [12] [21] [22] et en termes d’excès
de production.
Par rapport à l’état de charge des batteries, le ‘LPSP ’ est défini par :
{ } (3.18)
C'est-à-dire, la probabilité pour que l’état de charge des batteries SOC, à tout instant t, soit
inférieur ou égal au seuil minimal SOCmin et que la puissance produite par les sources
renouvelables Pre soit inférieure à celle demandée par la charge Pdemand, tout en considérant
les pertes dans le système.
De la même manière, on peut définir la probabilité d’excès de production de la façon

suivante :
{ } (3.19)
En considérant dans ce cas le seuil maximal d’état de charge SOCmax.
Concrètement, le ‘LPSP ’ est défini comme étant la fraction de tous les déficits de l’énergie
par rapport à l’énergie demandée durant la période considérée ∆t. Il exprime le taux de non-
satisfaction de la charge. Il est calculé de la manière suivante [23]:

89
∑
∑
(3.20)
Correspond au déficit noté pendant la durée élémentaire . Il est pris

en compte lorsque l’énergie produite plus l’énergie stockée dans les batteries pendant cet
intervalle ( ) sont insuffisantes pour satisfaire à la demande au cours de cette période :
(3.21)
Avec :
- [ms] : période élémentaire considérée ou pas de calcul,

- Apv [m²] : la surface des panneaux photovoltaïques,
- Awt [m²] μ la surface balayée par le rotor de l’éolienne,
- Cn [Ah] : la capacité nominale du banc de batteries,
- Pre [W] : la puissance produite par les sources renouvelables,
- Pdemand[W] : la puissance demandée par la charge tout en considérant les pertes dans
le système,
- Ppv[W] : la puissance produite par le générateur photovoltaïque,
- Pwg [W] : la puissance produite par le générateur éolien,
- : le rendement du convertisseur DC-DC,
- : le rendement du convertisseur AC-DC,
- μ le rendement de l’onduleur,
- : facteur de prise en compte des pertes dans les fils.
δa probabilité d’excès de production ‘EP’ peut être calculée de la même manière:

(3.22)
Il est considéré lorsque l’énergie produite pendant cet intervalle (∆t) dépasse les besoins
énergétiques de l’habitat pendant cette période.
3.3- Evaluation économique
Cette évaluation est basée sur le concept du coût du cycle de vie (CCV) : coût cumulé d'un
produit tout au long de son cycle de vie, depuis le début de sa conception jusqu'à son
démantèlement, (en anglais : Life Cycle Cost ou LCC). Il est aussi nommé coût total de
possession (en anglais : Total Cost of Ownership ou TCO), coût global de possession ou

90
encore coût global. Celui-ci est important. Il permet de guider le concepteur et de l’éclairer
dans la sélection des composants du système. Son analyse et son évaluation présentent un
outil pour l’aide à la décision. En fonction du besoin, il est possible de réduire le champ de
l'évaluation du coût du cycle de vie à :
- seulement certaines phases du cycle de vie du produit,
- ou à seulement une partie du produit.
Dans la suite, nous allons expliciter les différents paramètres économiques retenus dans notre
cas ainsi que leur application pour l’évaluation du CCV des différents composants de notre
système hybride.
3.3.1- Paramètres économiques utilisés dans le modèle
Pour notre cas, le modèle économique du coût de cycle de vie inclut le prix d’acquisition du
matériel (Co), le coût de l’installation (Cinst), du remplacement (CCreplace) et de la
maintenance (CCmaint) :
(3.23)
Ceux de la maintenance et du replacement sont récurrents tout au long du cycle de vie du

système. Ils nécessitent une actualisation au cours du temps. Le coût cumulé du
remplacement est calculé comme suit [6] :
(3.24)
τù Co est le coût d’acquisition du produit et représente le facteur d’actualisation de ce

coût si le produit serait racheté n années plus tard. Ce facteur est donné par :
(3.25)
Avec (3.26)
représente le taux d’inflation qui est une mesure de la baisse durable de la valeur de la
monnaie. d correspond au taux d’actualisation par année; c’est le pourcentage de retour sur
investissement (rémunération pour le capital avancé).
Le coût cumulé de maintenance est obtenu de la manière suivante :

91
(3.27)
Pour cette thèse, nous avons supposé un taux d’actualisation d = 5% par an, une inflation
τ = 2% par an et une durée de vie du système n = 25 ans.
3.3.2- Détermination du coût économique selon l’analyse du cycle de vie
3.3.2.1- Cas des éoliennes
Pour les éoliennes à axe horizontal, nous avons estimé approximativement leurs coûts du
cycle de vie (CCVs) en fonction de la surface balayée par leurs rotors. Cette considération,
fait du diamètre du rotor le paramètre le plus significatif et est représentative de la taille d’une
éolienne. Le tableau 3.2 présente les résultats de calcul du CCV pour des petites éoliennes
tripales à axe horizontal disponibles sur le marché et considérées parmi les plus utilisées en
Europe. δe prix d’achat de chacune d’entre elles est déterminé à partir de différents
catalogues constructeurs [24], [25]. Vu l’aspect domestique de l’installation, une tour de 10 m
a été sélectionnée pour toutes les éoliennes. Les calculs supposent que le coût initial du
système éolien est partagé entre l’éolienne et sa tour (environ 55%), l'installation (25%), les
composants nécessaires au bon fonctionnement du système (Balance-of-System components
BOS) tels que les câbles, les connecteurs, les protections, etc. (10%) et le convertisseur
statique (10 %) [26]. Les coûts récurrents concernent seulement la maintenance annuelle qui
représente environ 2,5% du coût investi initialement. Le convertisseur est remplacé tous les
10 ans. Tous les CCVs sont donnés en dollars $ et convertis en euros € (1$ = 0,71854€,
valeur moyenne en 2011 donnée par l’institut national de la statistique et des études
économiques [27].
La figure 3.5 montre l’évolution du coût du cycle de vie des éoliennes choisies ( en
fonction de la surface balayée par leurs rotors (Awt). C’est une évolution linéaire selon la
fonction :
(3. 28)

92
4
x 10
7
SouthWest
WTCCV (€)=1865,9*Aw t + 84,158

6 Aeromax
Bergey
5 Bornay
Abundent
Kestrel
WT CCV (€)
4
Proven
3
Modèle de CCV
0
0 5 10 15 20 25
Awt(m²)
Figure 3.5 μ l’évolution du coût du cycle de vie des éoliennes choisies ( en fonction de
la surface balayée par leurs rotors (Awt
Convert. Convert.
Convert. statique statique
Awt Eol. Tour statique après 10 après 20
Modèle (m²) ($) ($) BOS ($) Inst. ($) ($) Maint. ($) ans ($) ans ($) CCV ($) CCV(€) CCV/m²(€)
SouthWest
SouthWest (Air X) 1,02 600 1300,00 345,45 863,64 345,45 1513,77 258,52 193,47 5420,30 3894,71 3818,34
SouthWest (Whisper 100) 3,46 2085 1300,00 615,45 1538,64 615,45 2696,90 460,58 344,68 9656,70 6938,72 2005,41
SouthWest (Whisper 200) 5,73 2400 1300,00 672,73 1681,82 672,73 2947,86 503,44 376,75 10555,33 7584,43 1324,79
Southwest (Skystream 3,7) 10,87 5400 1300,00 1218,18 3045,45 1218,18 5338,02 911,63 682,23 19113,70 13733,96 1263,47
Aeromax Engineering
Aeromax Engineering
(Lacota S, SC) 3,43 1591 1300,00 525,64 1314,09 525,64 2303,32 393,36 294,38 8247,42 5926,10 1727,73
Bergey
Bergey (BWC 1500) 7,07 4700 1300,00 1090,91 2727,27 1090,91 4780,32 816,39 610,95 17116,75 12299,07 1739,61
Bergey (BWC XL,1)) 4,91 2590 1300,00 707,27 1768,18 707,27 3099,24 529,29 396,10 11097,36 7973,90 1624,01
Bornay
Bornay (Inclin 6000) 12,57 10070 1300,00 2067,27 5168,18 2067,27 9058,70 1547,06 1157,75 32436,24 23306,74 1854,15
Abundent Renewable
Energy
Abundent Renewable
Energy (ARE110) 10,18 11500 1300,00 2327,27 5818,18 2327,27 10198,01 1741,63 1303,36 36515,73 26238,01 2577,41
Kestrel Wind
Kestrel Wind (800) 3,46 1995 1300,00 599,09 1497,73 599,09 2625,19 448,33 335,51 9399,95 6754,24 1952,09
Kestrel Wind (1000) 7,07 2950 1300,00 772,73 1931,82 772,73 3386,06 578,28 432,76 12124,36 8711,84 1232,22
Kestrel Wind (3000) 11,34 8400 1300,00 1763,64 4409,09 1763,64 7728,18 1319,83 987,70 27672,08 19883,49 1753,39
Proven
Proven WT 0,6 5,10 4870 1300,00 1121,82 2804,55 1121,82 4915,76 839,52 628,26 17601,72 12647,54 2479,91
Proven WT 2,5 9,00 9650 1300,00 1990,91 4977,27 1990,91 8724,08 1489,91 1114,98 31238,07 22445,80 2493,98
Proven WT 6 23,60 20500 1300,00 3963,64 9909,09 3963,64 17368,49 2966,21 2219,79 62190,85 44686,62 1893,50
Tableau 3.2 : Coûts du cycle de vie de différentes éoliennes domestiques

93
3.3.2.2- Cas des panneaux photovoltaïques
Pour les panneaux photovoltaïques, nous avons supposé que le prix d'achat représente 50
pour cent du coût d'investissement initial. Les 50 pour cent restants sont répartis entre les
composants complémentaires ‘BτS’ (10%), le convertisseur statique (20%) et l'installation
(20%). En outre, l’entretien annuel des panneaux photovoltaïques représente environ 1%.Le
convertisseur est remplacé tous les 10 ans.
Le tableau 3.3 présente les résultats de calcul du CCV pour différents modèles de
panneaux photovoltaïques. δe prix d’achat unitaire de ceux-ci est déterminé à partir du site
spécialisé Wholesalesolar.com [28].
Modèle Pmax Apv Prix BOS Inst. Convert. Maint. Convert. Convert. CCV CCV CCV/m²
(m²) panneau ($) ($) ($) statique statique (€)
(W) ($) statique après après ($) (€)
($)
10 ans 20 ans
($) ($)
Sharp
Sharp ND- 240 1,63 400 80 160 160 140,22 119,74 89,61 1149,57 826,01 506,75
240QCJ
Solar Word
SW 240 poly 240 1,6767 450 90 180 180 157,75 134,70 100,81 1293,26 929,26 554,22
Trina Solar
Trina TSM- 180 1,2789 380 76 152 152 133,21 113,75 85,12 1092,09 784,71 613,59
DA01-180
TSM- 235 1,6365 575 115 230 230 201,57 172,12 128,81 1652,50 1187,39 725,56
235PA05
Kyocera
KD235GX- 235 1,645 470 94 188 188 164,76 140,69 105,29 1350,74 970,56 590,01
LPB
Sunwize
SW130 130 0,9776 415 83 166 166 145,48 124,23 92,97 1192,67 856,98 876,62
SW-S85P 85 0,686 330 66 132 132 115,68 98,78 73,92 948,39 681,46 993,38
Tableau 3.3 : Coûts du cycle de vie de différents modèles de panneaux photovoltaïques avec
différentes surfaces
Par ailleurs, en se référant à différentes installations avec des nombreux panneaux du

même modèle (de 1 à 10 panneaux), le CCV d’une installation à base d’un générateur
photovoltaïque peut être estimée linéairement en fonction de sa surface (Apv) et la figure 3.6
le corrobore :

94
(3.29)
18000
16000 PVCCV (€) = 650 * Apv

14000
12000
PVCCV (€)
10000
8000
Sharp
6000 Trina
Kyocera
4000
Sunw ize
2000 Solar World
Modèle de CCV
0
0 5 10 15 20 25
Apv(m²)
Figure 3.6μ l’évolution du coût du cycle de vie de différentes installations photovoltaïques en
fonction de la surface des panneaux
3.3.2.3- Cas des batteries
Comme évoqué au chapitre 1, nous avons choisi la technologie plomb-acide avec cyclage
profond pour des raisons de coût et de fiabilité. Ce type de batteries n’a pratiquement pas
besoin d’entretien et il est bien commode pour les pics de puissance. Ainsi, les coûts
récurrents ne concernent que le remplacement. Toutefois, étant donné la nature imprévisible
des sources, il est très difficile d'estimer leur durée de vie. Dans notre cas, nous avons
supposé un remplacement tous les 4,2 ans. Et nous allons montrer par un traitement à
postériori avec les modèles de vieillissement évoqués dans 3.2.3.2.2, que cette supposition est
raisonnable et justifiée .Ainsi, en nous référant aux données de différents sites Web
spécialisés dans la vente des batteries [29] [30], nous avons pu évaluer le coût du cycle de vie
de nombreux modèles avec des capacités nominales variées. Les résultats des différents
calculs sont détaillés dans le tableau 3.4.
Une interpolation linéaire du CCV en fonction de la capacité nominale des batteries Cn

(figure 3.7) a abouti à l’expression suivante :

95
(3.30)
Modèle Capacité Coût Coût après Coût Coût après Coût après Coût après LCC($) δCC(€) LCC/Ah
nominale initial 4,2 ans ($) après 8,4 12,6 ans ($) 16,8 ans ($) 21 ans ($) (€)
(Ah) ($) ans ($)
NUMAX SLA Batteries
FNC12220
Sealed Lead
22 76 70,103 64,663 59,645 55,017 50,748 376,176 270,298 12,286
Acid
Battery
SLC120-12 120 334 308,083 284,177 262,126 241,786 223,024 1653,197 1187,888 9,899
SLA4.5-12 4,500 24,600 22,691 20,930 19,306 17,808 16,426 121,762 87,491 19,442
SLA2.3-12
2,300 22,700 20,938 19,3138 17,815 16,433 15,158 112,358 80,734 35,101
Numax
SLA3.2-12 3,200 23,700 21,861 20,165 18,600 17,157 15,825 117,308 84,290 26,341
NUMAX Gel Batteries
SLG140-12 140 412 380,030 350,542 323,341 298,251 275,108 2039,273 1465,299 10,466
SLG180-12 180 492 453,823 418,608 386,126 356,164 328,527 2435,248 1749,823 9,721
LUCAS SLA Batteries
SLA 12-12 12 37,2 34,313 31,651 29,195 26,930 24,840 184,128 132,304 11,025
SLC 34-12 34 109,5 101,003 93,166 85,937 79,268 73,117 541,991 389,442 11,454
LUCAS Gel Batteries
LSLG75-12 75 243 224,144 206,751 190,708 175,910 162,260 1202,775 864,242 11,523
LSLG42-12 42 122 112,533 103,801 95,747 88,317 81,464 603,862 433,899 10,331
YUASA SLA Batteries
NP2.8-12 2,800 23,500 21,676 19,994 18,443 17,012 15,692 116,318 83,579 29,850
NP1.2-12 1,200 19,500 17,987 16,592 15,304 14,116 13,020 96,519 69,353 57,794
NP38-12 38 160,700 148,230 136,728 126,119 116,332 107,305 795,415 571,538 15,040
NP17-12i 17 78,500 72,409 66,790 61,607 56,827 52,417 388,550 279,189 16,422
YC33-12 33 96,500 89,012 82,105 75,734 69,857 64,437 477,645 343,207 10,400
YUASA VRLA Batteries
YC20-12 20 78 71,947 66,365 61,215 56,46505472 52,083 386,076 277,411 13,870
NPL38-12I 38 171 157,731 145,492 134,202 123,7887738 114,183 846,397 608,170 16,004
16,819
NPL24-12I 24 113,500 104,693 96,569 89,076 82,16389373 75,788 561,790 403,669

96
Vision VRLA Batteries
6FM40D 40 209 192,783 177,823 164,025 151,2973902 139,557 1034,486 743,319 18,583
6FM55D 55 265 244,437 225,470 207,974 191,8364039 176,951 1311,668 942,486 17,136
6FM75D 75 371 342,212 315,658 291,164 268,5709654 247,731 1836,336 1319,481 17,593
6FM90D 90 456 420,616 387,978 357,873 330,1033968 304,489 2257,059 1621,788 18,020
6FM100D 100 504 464,892 428,818 395,543 364,8511228 336,540 2494,645 1792,502 17,925
6FM200D 200 839 773,897 713,846 658,455 607,3612937 560,232 4152,792 2983,947 14,920
Tableau 3.4 : Coûts du cycle de vie de différents modèles de batteries plomb-acide avec des capacités
nominales variées
3500
Numax SLA
3000 Numax Gel
Lucas SLA
2500 Lucas Gel
Yuasa SLA
2000 Yuasa VRLA
(€)
Vision VRLA
CCV
Modèle de CCV
Bat
1500
1000
BatCCV (€)= 12,411 * Cn + 69,05

500
0
0 50 100 150 200 250
Cn(Ah)
Figure 3.7μ l’évolution du coût du cycle de vie de différentes batteries en fonction de leur
capacité nominale
3.4- Evaluation environnementale
Dépassant le cadre strictement règlementaire (normalisation internationale XP ISO/TR

14062), cette évaluation devient une composante à part entière dans la conception des
produits et des systèmes. Elle vise à quantifier au mieux leurs impacts environnementaux afin
de les prévenir ou de les limiter. C’est pour cette raison, que nous avons choisi d’utiliser cette
méthode d’évaluation dans le cadre de thèse.

97
Dans le domaine de l'évaluation globale et multicritère des impacts environnementaux,

l'outil le plus abouti est l'Analyse du Cycle de Vie (ACV), qui consiste en une analyse globale
des impacts environnementaux dus à un produit tout au long de son cycle de vie, depuis
l'extraction des matières premières jusqu'au traitement final des déchets.
Dans ce qui suit, nous allons décrire les différentes étapes de cette analyse, puis présenter
l’ensemble des impacts environnementaux retenus pour notre champ d’étude pour en finir
avec la détermination du coût énergétique selon l’analyse du cycle de vie de chacun des
composants de notre système hybride.
3.4.1- Etapes de l’Analyse de Cycle de Vie
Selon la définition des normes ISO et de la SETAC (The Society of Environmental

Toxicology and Chemistry), la méthodologie de l'Analyse du Cycle de Vie s’articule en
quatre étapes différentes mais interdépendantes (figure 3.8) car, tout au long de l'étude, de
fréquents retours sont nécessaires, ce qui rend la démarche générale itérative. Ces étapes sont
bien décrites par les auteurs du [31] comme suit :
 La définition des objectifs et du système permet de poser le problème, de définir les

objectifs et le champ de l’étude. Cette phase détermine une série d’éléments cruciaux :
la fonction du système, l’unité fonctionnelle à laquelle les émissions et les extractions
seront ensuite rapportées. Elle définit, en revanche, les limites du système considéré.
Les scénarios de base et les alternatives à étudier sont définis en détail lors de cette
phase.
 L’inventaire des émissions et des extractions quantifie les émissions polluantes dans
l’air, l’eau et le sol ainsi que les extractions des matières premières renouvelables ou
non renouvelables. Elle détermine également l’utilisation des sols nécessaire pour la
réalisation de la fonction du système.
 L’analyse de l’impact environnemental évalue l’impact sur l’environnement des
émissions et extractions inventoriées dans la phase précédente. Elle compte trois
phases :
- la classification : elle détermine quelles émissions contribuent à quels impacts
environnementaux (effet de serre, toxicité humaine, écotoxicité, diminution des
ressources etc.) ;
- la caractérisation intermédiaire : elle pondère les émissions à l’intérieur de chacune
des catégories d’impact ;

98
- la caractérisation des dommages regroupe les catégories d’impact dans des catégories
de dommages (dommages sur la santé humaine, les écosystèmes, les équilibres
climatiques…).
Une étape supplémentaire de normalisation peut être effectuée pour mettre en évidence la
contribution du produit étudié à l’effet mondial global dans une catégorie d’impact
environnemental donnée. δ’analyse de l’impact environnemental peut finalement être
complétée par la pondération sociale des impacts ou des dommages qui évalue
l’importance relative des classes intermédiaires d’effet ou des différents dommages.
 L’interprétation : elle permet aussi bien d’interpréter les résultats obtenus dans
chacune des phases précédentes que d’évaluer les incertitudes. Les points clés et les
options d’amélioration du produit ou du système étudié sont identifiés. Des études de
propagation des incertitudes et des études de sensibilité sont effectuées pour dégager
les paramètres les plus influents. δ’incidence des limites de l’ACV et des hypothèses
effectuées et analysée de manière critique. Cette dernière phase d’interprétation peut
être complétée par la mise en relation des aspects environnementaux et des aspects
économiques ou sociaux.
Définition des objectifs

et du système
Inventaire des polluants Interprétation

et matières premières
Analyse de l’impact
Figure 3.8μ Phases de l’analyse du cycle de vie

99
3.4.2- Paramètres environnementaux utilisés dans le modèle
Pour mesurer les différents impacts sur l'environnement du système hybride éolien
photovoltaïque avec batteries, nous utilisons dans le cadre de cette thèse l’indicateur suivant:
 Energie primaire contenue ou intrinsèque (« Embodied Energy : EE ») [31]
Il s’agit de l’énergie contenue dans les vecteurs énergétiques à leur extraction de

l’environnement. C’est la somme de l’énergie finale achetée par le consommateur et de
l’énergie d’extraction, de préparation et de distribution. En effet, l’obtention de matériaux ou
la mise en place de processus implique une consommation énergétique en amont de
l’utilisation. Une part de cette énergie primaire est non renouvelable, c'est-à-dire que la
ressource à la base de cette énergie n’est pas remplacée ou alors remplacée très lentement par
des processus naturels. En pratique, l’énergie primaire non renouvelable est principalement
due à l’utilisation de combustibles fossiles (pétrole, charbon, gaz naturel) et d’uranium.
δ’énergie se retrouve finalement sous forme de chaleur résiduaire inutilisable. Le rapport
entre énergie finale et énergie primaire définit l’efficacité énergétique d’approvisionnement.
Dans notre cas, le système hybride ne consomme pas d’énergie au cours de son utilisation,
mais implique la consommation d’énergie primaire non renouvelable pour la fabrication de
ses composants. C’est cette énergie qui sera modélisée par la suite et utilisée comme critère de
conception et d’optimisation. Elle est exprimée en Joule (J) ou kilowattheure (kWh).
3.4.3- Détermination du coût énergétique selon l’analyse du cycle de vie

3.4.3.1- Cas des éoliennes
En respectant les étapes d’Analyse de Cycle de Vie déjà décrites ci-dessus, nous avons
effectué le bilan énergétique de plusieurs systèmes éoliens domestiques. Ce travail apporte
des éléments de réponse dans le domaine des faibles puissances, souvent peu abordés dans la
littérature en raison du surcoût d’échelle.
Le tableau 3.5 énumère les hypothèses et les données utilisées pour l’évaluation de l’énergie
primaire incarnée dans un système éolien. δes informations s’inspirent des références [32],
[33], [34]. Certaines approximations sont fondées sur la mise à l’échelle des données en
fonction du poids et de la puissance.
Pour les convertisseurs, après consultation de différents documents de la littérature [14], [35]
[36] , nous avons pris en compte une valeur de 1MJ/W avec un remplacement tous les 10 ans.

100
Hypothèses
1- Les pales du rotor sont soit en plastique renforcé de verre, soit en bois avec résine
époxy, soit en fibres de verres moulé avec de la résine époxy ou en plastique moulé par
injection avec des fibres de carbone. Pour la normalisation des calculs, nous avons
considéré la fibre de verre moulé comme matériau pour les pâles car nous connaissons
son énergie intrinsèque.
2- En raison du manque de données, une hypothèse a été faite d’inclure les aimants
permanents dans la catégorie d’aluminium en raison de son énergie intrinsèque élevée.
3- On assume une amélioration annuelle de 1% dans le traitement des matériaux et les
processus de fabrication. Ainsi, l’énergie primaire incarnée par le convertisseur statique
diminue d’un remplacement à un autre.
Pourcentage des poids des composants de l’éolienne
Turbine
Composant % poids de Repartition des matériaux
l’éolienne
Rotor
Moyeu 4% 95% Acier, 5% Aluminum
Pâles(1) 10% 100% fibre de verre moulé
Nacelle
Boite de vitesse 6% 100% Acier
Génératrice 15% 25% aimants, 40% Acier,
35% Cuivre
Autres composants
Châssis et carcasse 35% 30% Aluminum, 12 % Cuivre,
5% plastique renforcé de verre,
53% Cuivre
Câbles, supports internes et 30 % 80% Acier, 20% Cuivre
cartes électroniques
Tour
Tour 30 kg/m² 98% Acier, 2 % Aluminum
de surface
balayée*
Fondations
Pieux de fondations et plate- 65 kg/m² 97% Béton, 3% Acier
forme de surface
balayée*
Energie primaire intrinsèque des différents matériaux [37]
Type de matériau Energie Energie intrinsèque

intrinsèque (kWh/kg)
(MJ/kg)
Acier 24,4 6,783
Aluminum &aimants 155 43,09
permanents(2)
Cuivre 48 13,344
Fibre de verre moulé 28 7,784
Plastique renforcé de verre 100 27,8
Béton** 0,9 0,25
Energie nécessaire pour la fabrication de l’éolienne
Processus de fabrication de 100 MJ/m² 27,8 kWh/m²
l’éolienne de surface de surface balayée*
balayée*
Energie primaire contenue dans les autres composants du système éolien
BOS [estimation] 250 MJ/m² 69,5 KWh/m²
Convertisseur statique 1MJ/W 0,278 KWh/W

(acquisition initiale)
Convertisseur statique(3) 0,904 MJ/W 0,251KWh/W

(après 10 ans)
Convertisseur statique(3) 0,818 MJ/W 0,227 KWh/W

(après 20 ans)
* Approximation basée sur une translation d’échelle en fonction du poids et de la puissance // ** Béton type RC30 utilisé pour les fondations
Tableau 3.5 : Hypothèses et données utilisées pour le bilan énergétique des petites éoliennes

101
Grace à ces hypothèses et ces données, nous avons déterminé la quantité d’énergie primaire
nette incarnée dans différentes éoliennes domestiques. Les calculs sont basés sur les énergies
intrinsèques à chaque matériau [37] ainsi que sur l’énergie nécessaire au processus de
fabrication. Les résultats sont représentés dans le tableau 3.6.
A partir de ces résultats, nous avons déterminé le modèle d’évolution de l’énergie primaire
incarnée par un système éolien de petite puissance ( ) en fonction de la surface balayée
par le rotor de l’éolienne (Awt), ce modèle est représenté par la figure 3.9 et est exprimé par la
formule mathématique suivante :
(3.31)

102
Modèle utilisé Awt Puissance nominale Poids de l’éolienne Energie Energie

de l’éolienne (W) (Kg) primaire primaire
dans le système éolien (m²) globale globale
(utilisée pour évaluer incarnée incarnée
l’énergie incarnée (MJ) (MJ)/m²
dans le convertisseur
statique)
SouthWest
SouthWest (Air X) 1,02 400 (à 12,5 m/s) 5,85 2663,21 2610,99
SouthWest (Whisper 100) 3,46 900 (à 12,5 m/s) 21 7846,49 2267,77
SouthWest (Whisper 200) 5,725 1000 (à 11,6 m/s) 70 13364,67 2334,44
Southwest (Skystream 3,7) 10,87 2400 (à 13 m/s) 77 24022,89 2210,02
Aeromax Engineering
Aeromax Engineering 3,43 900 (à 13 m/s) 16 7565,54 2205,70
(Lacota S, SC)
Bergey
Bergey (BWC 1500) 7,07 1500 (à 12,5 m/s) 76 16718,42 2364,70
Bergey (BWC XL,1)) 4,91 1000 (à 11 m/s) 34 10584,32 2155,67
Bornay
Bornay (Inclin 6000) 12,57 6000 (à 12 m/s) 107 37431,12 2977,81
Abundent Renewable Energy
Abundent Renewable Energy 10,18 2500 (à 11 m/s) 143 26630,14 2615,93
(ARE110)
Kestrel Wind
Kestrel Wind (800) 3,46 800 (à 12,5 m/s) 45 8740,68 2526,21
Kestrel Wind (1000) 7,07 1000 (à 11 m/s) 75 15308,68 2165,30
Kestrel Wind (3000) 11,34 3000 (à 11 m/s) 150 29798,53 2627,74
Proven
Proven WT 0,6 5,1 600 (à 12 m/s) 70 11485,33 2252,02
Proven WT 2,5 9 2500 (à 12 m/s) 190 27422,06 3046,89
Proven WT 6 23,6 6000 (à 12 m/s) 500 70480,75 2986,47
Moyenne (chiffre arrondi) 2490
Tableau 3.6 μ Bilan d’énergies primaires de différents systèmes éoliens domestiques en fonction des
surfaces balayées par leurs rotors

103
4
x 10
8
Southw est
7 Aeromax
Bergey
6
Bornay
Abundent
5
Kestrel
WTEE(MJ)
4
Proven
Modèle d'EE
3
2
WTEE(MJ)=28,342*Aw t2 + 2361,3* Aw t
1
0
0 5 10 15 20 25
Aw t(m²)
Figure 3.λμ l’évolution de l’énergie primaire incarnée par les éoliennes choisies ( en
fonction de la surface balayée par leurs rotors (Awt)
3.4.3.2- Cas des panneaux photovoltaïques et des batteries
Pour les panneaux photovoltaïques, nous admettons la plus récente valeur donnée par
Stoppatto A. [38] pour un m² de panneaux solaires poly cristallin silicium soit une énergie
intrinsèque de 2300MJ/m². Cette valeur est à prendre avec précaution car nous avons constaté
une grande disparité dans la littérature concernant l’énergie primaire sur cycle de vie incarnée
dans un m² de panneaux solaires poly cristallin silicium. En effet, dans [35], [39] et [40], en
considérant le cas où les panneaux photovoltaïques de référence ne sont pas produits à partir
de matériaux recyclés, l'énergie intrinsèque est estimée à environ 4600 MJ/m2, ce qui
correspond au double de la valeur donnée par [38]. Cela peut être dû à l'évolution des
technologies de production des wafers et des procédés de fabrication. Il faut donc garder un
regard critique sur les résultats, sachant que notre travail est d'ordre méthodologique et peut
être appliqué à n’importe quelles données souhaitées.
Pour les composants supplémentaires tels que les câbles, les connecteurs, les protections et
le support de panneaux, nous adoptons les données présentées par Tom Markvart et Luis
Castañer dans le livre « Practical Handbook of Photovoltaics: Fundamentals and Applications
» [40]. Les composants complémentaires (BOS) ont des besoins en énergies primaires
relativement faibles (<10% du système installé). On se fixe la valeur de 300MJ/m². Pour le
châssis en aluminium, on retient la valeur de 400MJ/m².

104
Pour une batterie au plomb-acide remplacée tous les 4,2 ans, l’énergie primaire a été
évaluée à 60MJ/Ah (pour 25 ans). Cette valeur suppose un taux de recyclage optimiste de
90% pour les métaux de batteries [40] [41] [42] et une amélioration annuelle de 1% dans le
traitement des matériaux et les processus de fabrication [43]. A 0% de recyclage, les besoins
en énergie primaire de la batterie augmente à 103 MJ / Ah [41].
δe tableau 3.7 récapitule les différentes hypothèses et données utilisées pour l’évaluation
énergétiques des systèmes PV et des batteries. Le tableau 3.8 présente le bilan d’énergies
primaires pour différents panneaux photovoltaïques prenant en compte les composants
additionnels nécessaires à leur bon fonctionnement.
Hypothèses
1- Les données présentées concernent un module type poly cristallin silicium avec châssis en
aluminium.
2- On suppose un taux de recyclage optimiste de 90% pour les métaux de batteries.
3- Les composants complémentaires tels que les câbles ou les convertisseurs ont des besoins
en énergies primaires relativement faibles (<10% du système installé).
4- On assume une amélioration annuelle de 1% dans le traitement des matériaux et les
processus de fabrication. Ainsi, l’énergie primaire incarnée par les batteries diminue d’un
remplacement à un autre.
Données
Panneau PV
Composant Besoins en énergies Besoins en énergies
primaires (MJ/m²) primaires (KWh*/m²)
Module PV sans châssis 2300 639,4
Installation du châssis en aluminium 400 111,2
Total module avec châssis 2700 750,6
Composants supplémentaires (BOS) 300 83,4
Total module (installé) 3000 834
Convertisseur statique
Etat Besoins en énergies Besoins en énergies
primaires primaires
(MJ/W puissance) (KWh/W puissance)
Convertisseur statique (initial) 1 0,278
Convertisseur statique (après 10 ans) 0,9 0,250
Convertisseur statique (après 20 ans) 0,82 0,228
Total Convertisseur statique 2,72 0,756
Batteries
Etat Besoins en énergies Besoins en énergies
primaires primaires
(MJ/Ah stockage) (KWh/Ah stockage)
Batteries (initial) 11 3,058
Batteries (après 4,2 ans) 10,545 2,932
Batteries (après 21 ans) 8,907 2,476
Total Batteries ** 60 17
*1KWh=3.6 MJ or 1MJ=0.278 KWh **Chiffre arrondi
Tableau 3.7: Hypothèses et données utilisées pour le bilan énergétique par m² de panneaux
photovoltaïques et par Ah de batteries en considérant les composants supplémentaires

105
Module Model Pmax Area PV BOS Installtion Convertisseur Convertisseur Convertisseur Total MJ/m²
(m²) (MJ) (MJ) chassis en statique (MJ) statique après 10 statique après 20 (MJ)
(W) aluminium ans (MJ) ans (MJ)
(MJ)
Sharp
Sharp ND- 240 1,63 3749 489 652 240 217,05 196,3 5543,35 3400,83
240QCJ
Solar Word
SW 240 poly 240 1,6767 3856,1 503,01 670,68 240 217,05 196,3 5683,45 3389,66
Trina Solar
Trina TSM-DA01- 180 1,2789 2941,47 383,67 511,56 180 162,79 147,22 4326,71 3383,15
180
TSM-235PA05 235 1,6365 3763,95 490,95 654,6 235 212,53 192,21 5549,24 3390,92
Kyocera
KD235GX-LPB 235 1,645 3783,5 493,5 658 235 212,53 192,21 5574,74 3388,9
Sunwize
SW130 130 0,9776 2248,48 293,28 391,04 130 117,57 106,33 3286,70 3362,01
SW-S85P 85 0,686 1577,8 205,8 274,4 85 76,87 69,52 2289,39 3337,31
Moyenne 3379
(chiffre
arrondi)
Tableau 3.8μ Bilan d’énergies primaires de différents panneaux photovoltaïques en prenant en compte
les composants additionnels nécessaires à leur bon fonctionnement en fonction de leurs surfaces
En outre, grâce à ces hypothèses et à ces données, aussi bien l’énergie primaire incarnée
dans les panneaux photovoltaïques ( ) en fonction de leur surface (Apv) que celle
contenue dans les batteries ( ) en fonction de leur capacité de stockage (Cn) peuvent
être exprimées respectivement par les modèles linéaires suivants :
(3.32)
(3.33)

106
3.5- Simulation dynamique du système hybride
Pour simuler le système hybride éolien photovoltaïque avec batteries, nous avons opté
pour l’utilisation d’un modèle dynamique sous εatlab/Simulink. δa plupart des logiciels de
simulation sont développés en C ou en Microsoft Visual Basic. Les principaux avantages
d’utiliser Simulink sont les suivants :
- des outils graphiques facilitant la programmation,
- la possibilité de simuler l’évolution temporelle du système d’où l’appellation « simulation

dynamique » grâce à l’interface graphique,
- l’aptitude à intégrer des systèmes linéaires et non linéaires modélisés en continu ou en

discret,
- la génération automatique des codes ce qui garantit une exécution plus rapide,
- la capacité d’incorporer des nouveaux composants tels qu’un générateur diesel.
Dans ce qui suit, nous décrirons le simulateur développé ainsi que son principe de
fonctionnement.
3.5.1- Description du simulateur
La figure 3.10 présente le simulateur développé. Il est constitué d’un modèle d'éolienne,
d’un modèle de générateur photovoltaïque, d’un modèle idéal de batterie et d’un sous-système
de gestion d’énergie et de régulation de charge. Ce sous-système permet d’arrêter le processus
de charge lorsque la capacité du banc de stockage atteint sa valeur maximale ( SOCmax).
Dans ce cas, si la puissance totale générée par le générateur photovoltaïque et l’éolienne
(Pres) est supérieure à la puissance demandée par le consommateur (toutes pertes prises en
compte), un excès d'énergie est compté. Sinon, si la capacité des batteries atteint son niveau
minimum (SOCmin), certains appareils sont délestés. Par conséquent, les besoins en
électricité de l’habitat sont insatisfaits. Ainsi, une pénurie de la puissance produite par le
système hybride (LPS) est prise en considération.
Le système doit assurer la LPSP désirée. Ce paramètre est inclus dans le bloc «Total Unmet
Load and LPSP Calculation ». Les sorties de ce bloc sont la charge totale insatisfaite
exprimée en KWh et la probabilité d’insatisfaction de la demande exprimée en pourcent (%).

107
Le coût du cycle de vie du système est calculé dans le bloc «Life Cycle Cost». Sa sortie est
une estimation du coût économique global du système pendant 25 ans en fonction des
variables (Apv, Awt, Cn).
Le coût énergétique exprimé par l'énergie primaire incarnée dans le système est donné par
le bloc «EmbodiedEnergy». Son résultat est une évaluation du coût total en énergie primaire
du système en fonction des variables (Apv, Awt, Cn).
Figure 3.10: Modélisation Simulink du système hybride éolien-photovoltaïque avec batteries

108
3.5.2- Principe de fonctionnement du simulateur
Le principe de fonctionnement du simulateur développé peut être résumé par le

chronogramme suivant :
Apv, Awt, Cn, SOCmin, SOCmax, SOCini

Paramètres des modèles Paramètres des coûts
Données de vent & d’irradiation

Initialisation Profil de consommation
Altitude, Température
oui
t = tsim ? Fin simulation
Non
Estimation des coûts économiques et énergétiques

Prise en compte de la demande
Calcul de la puissance éolienne et photovoltaïque
Considération des pertes dans les convertisseurs et les câbles
Etablissement de la balance énergétique :

Idiff = (Pres – Pdemand)/Ubus = Ire – Iload
SOCmin ≤ SOC ≤SOCmax SOC <SOCmin&Idiff< 0 SOC >SOCmax&Idiff> 0
Fonctionnement normal Manque de production Excès de production

Consommation satisfaite Déconnexion de la batterie Déconnexion de la batterie
Evaluation de la charge totale Evaluation de l’excès
insatisfaite
Calcul de la LPSP (%)
t = t + ∆t
Figure 3.11 μ Synoptique de simulation du fonctionnement d’un système

109
δa première phase est une phase d’initialisation où les paramètres d’origine du système
sont fixés (taille des composants et état de charge initial des batteries). Compte tenu de la
durée considérée pour les simulations (minimum 1an), on peut considérer que l’état de charge
initial des batteries n’a pas d’impact sur les résultats. Ensuite, la même boucle va être répétée
pour chaque pas de temps de la simulation (Δt) jusqu’à ce que le temps de simulation (tsim)
soit atteint.
Pour une configuration donnée du système, après avoir pris en compte la demande
électrique du consommateur, la puissance totale produite par les générateurs éoliens et
photovoltaïques est évaluée à chaque pas de calcul Δt, les pertes dans les convertisseurs
(hacheur PV εPPT, convertisseur AC/DC de l’éolienne et onduleur) et dans les câbles sont
déduites. La charge et la décharge des batteries peuvent alors être contrôlées par la différence
entre la production injectée sur le bus DC (production minorée des pertes des convertisseurs)
Pres et la demande du consommateur sur le bus DC (demande augmentée des pertes de
l’onduleur et dans les câbles) Pdemand. Un switcher assure la gestion de l’énergie selon
différents scénarios :
a) Fonctionnement normal, au cours duquel le consommateur est pleinement satisfait et

l’état de charge à t + Δt se trouve dans les limites de seuils minimum et maximum
imposés pour garantir un bon fonctionnement de l’accumulateur. δes batteries sont
connectées et deux cas peuvent se produire :
 Si l’état de charge des accumulateurs est inférieur à SOCmax (fixé à 100%) et
Pdemand< Pres, alors l’excès de production (Pdemand-Pload).Δt est stocké dans les
batteries.
 Si l’état de charge de la batterie est supérieur à SOCmin (fixé à 30%) et
Pdemand> Pres, alors dans ce cas, l’énergie précédemment stockée est utilisée pour
compenser le manque de production (Pdemand-Pres).Δt.
b) Fonctionnement dégradé, au cours duquel l’état de charge estimé dépasse un des

seuils imposés. Dans ce cas, le switcher est ouvert et les batteries sont déconnectées. Deux
cas de figure sont envisageables :
 Manque de production : il survient quand il y a une surconsommation
(Pdemand> Pres) associée à un état de charge à t + Δt calculé inférieur au seuil
minimum de l’accumulateur. Cela signifie que le seuil SOCmin est atteint. Dans le cas
où le consommateur est équipé d’un système domotique permettant de délester

110
individuellement certaines charges (cas le moins courant), la demande électrique du

consommateur doit donc être délestée (mode délestage partiel de la consommation).
τn parle alors d’une pénurie de capacité ou d’une insatisfaction de la demande. Ce
manque de production peut être évalué pour la période de délestage Δt en tant que
(Pdemand-Pres).Δt.
 Excès de production μ il se produit dans le cas d’une surproduction (Pres>Pdemand)
accompagnée d’un état de charge calculé supérieur au seuil maximal autorisé pour
l’accumulateur. Cet excès peut être quantifié pour sa durée Δt en tant que (Pres-
Pdemand).Δt.
3.6- Résultats et discussions :
Cette partie est dédiée à la prise en main du simulateur. δ’objectif est de tester ce dernier
avec différentes configurations et dans différentes situations afin de valider son bon
fonctionnement et émettre des conclusions.
3.6.1- Etude de différentes configurations
Pour cette partie, nous allons considérer les données de la charge électrique mi-horaires
obtenues par filtrage et des panneaux photovoltaïques inclinés de 60° par rapport à
l’horizontal et orientés plein sud.
3.6.1.1-Cas d’un système photovoltaïque seul avec batteries
Considérons un système photovoltaïque autonome composé de 9 panneaux Sharp ND-

240QCJ soit (9*1,63 = 14,67 m² de surface installée) et de 4 batteries Vision 6FM200D, 12 V
200 Ah. Les résultats de simulation sont donnés dans le tableau 3.9. Ils concernent l’analyse
économique et énergétique du système ainsi que l’étude de sa fiabilité pour chaque année de
2002 à 2010 en termes de production, d’excès, d’insatisfaction de la demande et d’état de
santé des batteries.
εalgré la surface de panneaux importante, la probabilité d’insatisfaction de la demande

dépasse les 5 % pour de nombreuses années. Ainsi, si l’on veut mieux répondre aux besoins
énergétiques de l’habitat, il est obligatoire d’utiliser au moins 11 panneaux. Ce qui va
augmenter la surface nécessaire pour l’installation (11*1,63 = 17,93m²) et par conséquent le
coût économique (21944 €) et surtout le coût énergétique (108590MJ).

111
Résultats de l’analyse économique et énergétique
Coût estimé de cycle de vie (€) 19825
Quantité estimée d’énergie 97570

primaire incarnée dans le
système (MJ)
Résultats de fiabilité
Année Production Producti Consommation Charge Excès de LPSP SOH des

PV (kWh) on de l’habitat totale production (%) batteries après
éolienne non une année
(KWh) (KWh) satisfaite (KWh) d’utilisation
(kWh) (%)
2002 3414 0 2201 108 795 4,904 93,58
2003 3230 0 2201 164,5 677,6 7,471 93,77
2004 3249 0 2198 143,7 676,6 6,538 93,64
2005 3284 0 2196 129,7 699,4 5,905 93,67
2006 3392 0 2198 99,69 773,5 4,536 93,58
2007 3255 0 2198 113,9 648,3 5,184 93,54
2008 3322 0 2205 139,4 735,1 6,321 93,65
2009 3220 0 2198 162,6 669,8 7,398 93,73
2010 3244 0 2193 153,6 692,2 7,006 93,75
Tableau 3.9μ Résultats de simulation d’un système photovoltaïque seul avec batteries
τn remarque aussi qu’à part la consommation qui est à peu près la même pour toutes les
années, les autres résultats varient aléatoirement d’une année à une autre à cause des profils
aléatoires des sources renouvelables.
3.6.1.2- Cas d’une éolienne seule avec batteries
Considérons maintenant un système éolien autonome composé de l’éolienne ProvenWT 6

avec une surface balayée de 23,60 m² et 8 batteries Numax Gel SLG140-12, 12 V 140 Ah
chacune (2 en parallèle et 4 en série soit une capacité nominale totale de 280 Ah). Le tableau
3.10 montre les résultats de simulation dans ce cas.

112

système (MJ)
Année Production Production Consommation Charge Excès de LPSP SOH des

PV (kWh) éolienne de l’habitat totale production (%) batteries après
(KWh) non une année
(KWh) satisfaite (KWh) d’utilisation (%)
(kWh)
2002 0 4247 2201 672.2 2211 30.54 96.71
2003 0 4389 2201 819.8 2502 37.24 97
2004 0 3961 2198 767.4 2041 34.91 96.85
2005 0 4739 2196 836.5 2861 38.09 97.1
2006 0 5256 2198 602.5 3108 27.42 96.73
2007 0 4179 2198 723.9 2197 32.94 96.77
2008 0 5498 2205 552.3 3266 25.05 96.51
2009 0 4319 2198 838.6 2458 38.15 97.05
2010 0 3293 2193 975 1620 44.46 97.16
Tableau 3.10μ Résultats de simulation d’un système éolien seul avec batteries
Il est clair que malgré la taille importante de l’éolienne et de la capacité de stockage, la

consommation électrique de l’habitat est loin d’être satisfaite. En effet, bien que l’énergie
annuelle produite soit supérieure au cas précédent, le manque de régularité du vent pénalise
fortement le consommateur. Cette configuration n’est pas convenable ni en terme de coût
économique (58300€) ni en terme de taux d’insatisfaction de la demande (la probabilité
d’installation de la demande dépasse les 25% fréquemment).Il est impératif donc d’ajouter
une autre source d’énergie.
3.6.1.3- Cas d’un système hybride éolien photovoltaïque avec batteries
Prenons la première configuration, 9 panneaux Sharp ND-240QCJ soit (9*1,63 = 14,67 m²

de surface installée) et 4 batteries Vision 6FM200D, 12 V 200 Ah. Ajoutons une éolienne
Kestrel Wind 800 de surface balayée 3,46 m². Nous obtenons alors les résultats suivants :

113

système (MJ)
Année Production Production Consommation Charge Excès de LPSP SOH des

PV (kWh) éolienne de l’habitat totale production (%) batteries après
(KWh) non une année
(KWh) satisfaite (KWh) d’utilisation (%)
(kWh)
2002 3414 622,6 2201 62,15 1386 2,823 94,53
2003 3230 643,4 2201 90,92 1258 4,13 94,54
2004 3249 580,8 2198 80,82 1203 3,676 94,38
2005 3284 694,8 2196 83,64 1355 3,808 94,51
2006 3392 770,6 2198 51,99 1510 2,366 94,68
2007 3255 612,7 2198 66,2 1220 3,012 94,34
2008 3322 806,1 2205 61,99 1472 2,812 94,63
2009 3220 633,2 2198 96,66 1239 4,397 94,46
2010 3244 482,7 2193 94,89 1121 4,327 94,28
Tableau 3.11μ Résultats de simulation d’un système hybride éolien photovoltaïque avec batteries
Dans ce cas, bien que le site soit plutôt ensoleillé, une hybridation peut s’avérer
intéressante car les deux sources (soleil et vent) sont souvent complémentaires. Le fait
d’ajouter une éolienne permet d’assurer la satisfaction des besoins énergétiques de l’habitat à
plus de 95 % tout en limitant le nombre de panneaux photovoltaïques. Le coût économique
reste raisonnable mais le coût énergétique est meilleur. δ’hybridation présente des vrais
avantages pour couvrir les besoins en électricité d’un habitat.
3.6.2- Influence de la position des panneaux
Pour étudier l’influence de la position des panneaux, nous considérons les deux
configurations différentes suivantes:
Configuration I : le système hybride est composé d’une éolienne Kestrel Wind 800 (surface
balayée de 3,46 m²), de 9 panneaux Sharp ND-240QCJ (14,67 m² de surface installée) et de 4
batteries Vision 6FM200D, 200 Ah.

114
Configuration II : l’éolienne SouthWest (Whisper 200) avec une surface balayée de 5,725 m2
est associée à 8 panneaux Sharp ND-240QCJ (13.04 m² de surface installée) et de 4 batteries
Vision 6FM200D, 200 Ah.
Pour ces deux configurations, nous faisons varier la position des panneaux selon la figure
3.12. Celle-ci représente la variation du taux d’insatisfaction de la demande sur les neuf
années en fonction de la position des capteurs photovoltaïques.
3,8
3,7
3,6
LPSP (%) sur 9 ans
3,5
3,4
3,3
3,2
Configuration I
3,1
Configuration II
3
Position des panneaux : inclinaison (°) / Orientation (°)
Figure 3.12 μ Variation du taux d’insatisfaction de la demande LPSP (%) sur les neuf ans en
fonction de la position des panneaux pour deux configurations hybrides
Il est clair que la meilleure position à considérer dans le cas d’une hybridation correspond
à une inclinaison de 45° par rapport à l’horizontale et à une orientation de 5° vers l’est par
rapport au plein sud ( . C’est elle qui garantit le taux d’insatisfaction de la demande
le plus faible sur les 9 ans.
3.6.3-Influence du profil de consommation
Dans ce paragraphe, nous étudions l’influence du profil de consommation sur les résultats
de simulation. Nous considérons la première configuration hybride c'est-à-dire : une éolienne
Kestrel Wind 800 associée à 9 panneaux Sharp ND-240QCJ 240W et 4 batteries Vision
6FM200D, 200 Ah comme indiqué précédemment, les panneaux sont inclinés de 45° par
rapport à l’horizontale et orientés de 5° vers l’est par rapport au plein sud ( . Nous
répétons la simulation avec deux profils de consommation différents :

115
- le profil de consommation avec des données réelles filtrées,
- le profil de consommation type (décrit dans le paragraphe 2.4.1) corrigé de manière à avoir
une énergie annuelle égale à celle d’un profil de consommation avec des données réelles
filtrées.
Les résultats obtenus sont représentés dans le tableau qui suit :
Résultats en utilisant le profil de consommation avec des données réelles filtrées

Année Consommation Charge non Excès de production LPSP (%)
de l’habitat satisfaite
(KWh/an) (kWh/an) (KWh/an)
2002 2201 57,6 1608 2,617
2003 2201 86,97 1478 3,951
2004 2198 73,97 1417 3,365
2005 2196 77,31 1569 3,52
2006 2198 48,49 1731 2,207
2007 2198 65,39 1446 2,976
2008 2205 58,57 1702 2,657
2009 2198 86,26 1443 3,924
2010 2193 93,42 1348 4,26
Résultats en utilisant le profil de consommation type

Année Consommation Charge non Excès de production LPSP
de l’habitat satisfaite
(KWh/an) (kWh/an) (KWh/an) (%)
2002 2201 42,21 1591 1,918
2003 2201 60,69 1449 2,757
2004 2198 50,42 1383 2,288
2005 2196 55,46 1546 2,525
2006 2198 34,49 1712 1,569
2007 2198 33,71 1409 1,534
2008 2205 47,09 1681 2,13
2009 2198 66,48 1424 3,025
2010 2193 53,51 1303 2,44
Tableau 3.12μ Résultats de simulation d’un système hybride éolien photovoltaïque avec batteries pour
différents profils de consommation

116
Nous remarquons une grande sensibilité des résultats de fiabilité (charge non satisfaite en
KWh/an, excès de production en KWh/an et probabilité d’insatisfaction de la demande en %)
en fonction du profil de consommation. Ils montrent bien l’impact de la forme du profil de
consommation sur la probabilité d’insatisfaction de la demande. En effet, bien que les deux
profils incarnent des énergies annuelles égales, la probabilité d’insatisfaction de la demande
n’est pas la même pour les deux cas. Cette dernière dépend alors des habitudes énergétiques
du consommateur ce qui va directement influer sur le dimensionnement du système hybride.
Ainsi, ces résultats montrent qu’en modifiant le profil de consommation, on peut améliorer le
taux d’insatisfaction, c’est la base des études des smart grids. Ces résultats sont intéressants
car ils confirment l’avantage d’utiliser un simulateur dynamique dans l’étude des systèmes
d’énergies renouvelables par rapport à d’autres travaux [6] [44] se basant sur des calculs
d’énergies annuelles. Ce dernier permet une meilleure considération de la variation temporelle
de la production et de la consommation.
Il est aussi important de signaler à ce stade que lors de ces différentes simulations, nous
avons remarqué que, dans le cas d’une hybridation avec des panneaux inclinés de 45° par
rapport à l’horizontal et orientés de 5° vers l’est par rapport au plein sud ( , c’est
l’année 2010 qui procure la probabilité d’insatisfaction de la demande la plus élevée. Donc,
afin de diminuer le temps de traitement, nous allons utiliser ces données par la suite pour la
procédure d’optimisation.
En plus, pour les différents cas étudiés, nous remarquons que la dégradation de la batterie
décrite par la diminution de sa capacité de stockage nominale ne dépasse pas les 7% par an
(SOH> 93%). Ce qui justifie notre choix de remplacer les batteries chaque 4,2 ans. En effet,
après cette période, on se trouve avec une dégradation supplémentaire de l’ordre de 7*4,2 =
29,4%.
Au cours de ce chapitre, les modélisations énergétiques des différents composants du

système hybride éolien photovoltaïque avec batteries ont été présentées. Ensuite l’évaluation
des performances en termes de couts économiques et énergétiques sur cycle de vie et en
termes de service rendu au consommateur (satisfaction de la charge en énergie électrique) a
été mise en œuvre et constitue une approche nouvelle qui n’était pas décrite jusque-là ou
partielle à notre connaissance dans la littérature pour les systèmes de petites puissances.
Enfin, les aspects concernant la simulation temporelle ont été abordés. Un simulateur

117
dynamique du système sous Matlab/Simulink a été présenté et testé avec différentes

configurations prenant en compte l’inclinaison et l’orientation des panneaux photovoltaïques.
Une inclinaison de 45 ° par rapport à l’horizontale et à une orientation de 5° vers l’est par
rapport au plein sud donne les meilleurs résultats au cours des dix dernières années d’étude.
δ’apport de l’hybridation a été ainsi confirmé après que la production a été évaluée par une
seule source (soit solaire soit éolienne). δ’impact du profil de consommation sur la probabilité
d’insatisfaction de la demande et par conséquent le dimensionnement a été mis en évidence.
Enfin, l’année retenue pour la procédure d’optimisation et la position optimale des panneaux
ont été fixée.
δe chapitre suivant est consacré à l’optimisation du dimensionnement d’un système hybride

éolien photovoltaïque avec batteries.

118
Bibliographie
[1] W. Shepherd et D. Shepherd, Energy studies, Imperial College Press, 2003.
[2] W. Tong, Wind Power Generation and Wind Turbine Design, WIT Press, 2010.
[3] J. Hofierka et J. Kañuk, «Assessment of photovoltaic potential in urban areas using open-
source solar radiation tools,» Renewable Energy, vol. 34, n° 10, pp. 2206-2214, 2009.
[4] B. Liu, S. Duan et T. Cai, «Photovoltaic DC Building Module Based BIPV System : Concept and
Design considerations,» IEEE Transactions on Power Electronics, vol. 26, n° 5, pp. 1418-1429,
2011.
[5] F. Lasnier et T. Ang, Photovoltaic Engineering Handbook, 1e éd., Taylor and Francis, 1990.
[6] R. A. Messenger et J. Ventre, Photovoltaic systems engineering, CRC Press, 2005.
[7] J. F. Manwell et J. G. McGowan, «Lead Acid Battery Storage Model for Hybrid Energy
Systems,» Solar Energy, vol. 50, n°5, pp. 399-405, 1993.
[8] R. A. Jackey, «A Simple, Effective Lead-Acid Battery Modeling Process for Electrical System
Component Selection,» SAE SP, n° 2130, pp. 17-26, 2007.
[9] Cherif A., M Jraidi, A Dhouib, «A battery ageing model used in stand alone PV systems,»
Journal of Power Sources, vol. 112, n° 1, pp. 49-53, 2002.
[10] B. Borowy et Z. Salameh, «Methodology for optimally sizing the combination of a battery bank
and pv array in wind/pv hybrid system,» IEEE Transactions on Energy Conversion, vol. 12, n° 1,
pp. 367-375, 1996.
[11] J. Stevens et G. P. Corey, «A study of lead-acid battery efficiency near top-of-charge and the
impact on PV system design,» chez Photovoltaic Specialists, Washington, DC , USA , 1996.
[12] A. Bin, Y. Hongxing et S. X. ,. L. Hui, «Computer aided design for pv/wind hybrid system,»
Renewable Energy, vol. 6, n°10, pp. 1491-1512, 2003.
[13] S. Diaf, G. Notton, M. Belhamel, M. Haddadi et A. Louche, «Design and techno-economical

optimization for hybrid pv/wind system under various meteorological conditions,» Applied
Energy, vol. 85, n°10, pp. 968-987, 2008.
énergétique sur cycle de vie des systèmes photovoltaïques autonomes et hybrides , Évaluation
du potentiel de la technologie Li-ion,» ENSC, 2010.
[15] A. Luque et S. Hegedus, Handbook of photovoltaic science and engineering, John Wiley& Sons
Ltd,, 2003, pp. 812-849.

119
[16] H. Bindner, T. Cronin, P. Lundsager, J. F. Manwell, U. Abdulwahid et I. Baring-Gould, «Lifetime

Modelling of Lead Acid Batteries,» Risø National Laboratory, Roskilde Denmark, 2005.
[17] A. Andersson, «Simulation model for improved battery lifetime for renewable based energy
systems for rural areas,» Risø National Laboratory, Roskilde , Denmark, 2006.
[18] B. L. D. S. Johnson, «A Battery Life Prediction Method for Hybrid Power Applications,» National
Renewable Energy Laboratory, Golden, Colorado , USA, 1997.
[19] O. Gergaud, «Modélisation énergétique et optimisation économique d'un système de

production éolien et photovoltaïque couplé au réseau et associé à un accumulateur,» SATIE
UMR CNRS 8029, Cachan, France, 2002.
[20] Y. Riffonneau, «Gestion des flux énergétiques dans un système photovoltaique avec stockage -
Appli atio à l’ha itat,» La o atoi e de G ie Éle t i ue de G e o le G2Ela , G e o le ,
France, 2010.
[21] I. Abouzahr et R. Ramakumar, «Loss of power supply probability of standalone photovoltaic

systems: a closed form,» IEEE Transactions on Energy Conversion, vol. 6, n° 1, pp. 1-11, 1991.
[22] A. Kornelakis et E. E.Koutroulis, «Methodology for the design optimisation and the economic
analysis of grid-connected,» IET Renewable Power Generation, vol. 3, n° 4, pp. 476-492, 2009.
[23] Y. Hongxing, L. Lu et L. J. Burnett, «Weather data and probability analysis of hybrid

photovoltaic–wind power,» Renewable Energy, vol. 28, n°11, pp. 1813-1824, 2003.
[24] M. Sagrillo et I. Woofenden, «Wind turbine buyer's guide,» home power, n° 119, pp. 34-40,
2007.
[25] A. G. Environnement, «www.age2007.eu,» [En ligne]. Available:

http://www.age2007.eu/media/Catalogue$20AGE2007$20Eoliennes.pdf.
[26] T. B. Johanson et L. Burnham, Renewable energy: sources of fuels and electricity, 1e éd., Island
Press, 1992.
[27] Institut national de la statistique et des études économiques, [En ligne]. Available:
http://www.insee.fr
[28] Whlesalesolar, «www.wholesalesolar.com,» [En ligne]. Available:

http://www.wholesalesolar.com/.
[29] tanyabatteries, «www.tayna.co.uk,» [En ligne]. Available: http://www.tayna.co.uk/.
[30] atbatt, «www.atbatt.com,» [En ligne]. Available: http://www.atbatt.com/.

120
[31] O. Jolliet, M. Saadé et P. Crettaz, Analyse du cycle de vie, comprendre et réaliser un écobilan,
Lausanne, Suisse : Presses polytechniques et universitaires romandes, 2005.
[32] D. Ancona et J. McVeigh, «Wind Turbine – Materials and Manufacturing Fact Sheet,» 2001.
[33] B. Fleck et M. Huot, «Comparative life-cycle assessment of a small wind turbine for residential
off-grid use,» Renewable Energy, vol. 34, n°12, pp. 2688-2696, 2009.
[34] M. F. Ashby, Materials and the Environment: Eco-Informed Material Choice, Elsevier, 2009, pp.
146-148.
[35] E. N. E. Alsema, «Energy viability of photovoltaic systems,» Energy Policy, vol. 28, n°14, pp.
999-1010, 2000.
[36] C. J. Rydh et B. A. Sandén, «Energy Analysis of batteries in photovoltaic systems. Part 1 :

Performance and energy requirement,» Energy Conversion and Management, vol. 46, pp.
1957-1979, 2005.
[37] «Hammond, G.; Jones, G.,» University of Bath, 2008.
[38] A. Stoppato, «Life cycle assessment of photovoltaic electricity generation,» Energy, vol. 33,
n° 2, pp. 224-232, 2008.
[39] C. Koroneos, N. Stylos et N. Moussiopoulos, «LCA of Multicrystalline Silicon Photovoltaic

Systems- Part 1: Present Situation and Future Perspectives,» International Journal of Life Cycle
Assessment, vol. 11, n° 2, pp. 129-136, 2004.
[40] T. Markvart et L. Castañer, Practical Handbook of Photovoltaic: Fundamentals and

Applications, Elsevier, 2003, pp. 870-884.
[41] E. Alsema, «Environmental Life Cycle Assessment of Solar Home Systems,» Dept. of Science ,
Technology and Society , Utrecht University, Utrecht, 2000.
[42] K. E. Aifantis, S. A. Hackney et R. V. Kumar, High Energy Density Lithium Batteries , Chapter 1,
Weiheim: WILEY-VCH Verlag GmbH & Co. KGaA, 2010, p. 23 of chapter 1.
[43] J. De Beet, Potential for Industrial Energy-Efficiency Improvement in yhe Long Term, The
Netherlands: Kluwer Academic Publishers, 2000.
[44] E. O. et B. Ozerdem, Hybrid combination of photovoltaic and wind energy conversion system,
sizing and optimization of hybrid energy systems, 1e éd., Lambert Academic Publishing, 2010.

121
Optimisation du dimensionnement
Chapitre 4 : τptimisation du dimensionnement d’un système hybride

éolien-photovoltaïque avec batteries
4.1- Introduction
Dans les chapitres précédents, nous avons analysé et traité les données du site afin
d’évaluer le gisement de production d’énergie d’origine renouvelable ainsi que le profil de
consommation. Puis, nous avons établi les modèles de chaque composant du système hybride
éolien photovoltaïque avec batteries et développé un outil de simulation du système complet.
Nous allons passer maintenant à la phase d’optimisation du dimensionnement du système
complet en tenant compte des critères cités précédemment à savoir : la satisfaction des
besoins en électricité pour l’habitat résidentiel, le coût énergétique au cours du cycle de vie
ainsi que le coût économique du système entier. Ce chapitre est donc consacré à la
problématique de l’optimisation du dimensionnement. Il est organisé de la manière suivante :
dans une première partie, les méthodes de dimensionnement existantes sont étudiées et
évaluées. Puis, une méthodologie d’optimisation est présentée afin de résoudre cette
problématique. Plusieurs approches sont passées en revue, allant d’une optimisation mono-
objective à multi-objective et évaluant le coût économique et écologique de chacune de ces
solutions. Une solution « pratique » est retenue pour les composants PV, éolien et batteries
du système final afin d’évaluer la viabilité énergétique, économique et écologique. Les
résultats montrent un impact environnemental faible et un coût raisonnable du point de vue
économique ainsi qu’une satisfaction de la charge dans les limites autorisées. A la fin de ce
chapitre, une évaluation d’un logiciel existant est menée et permet de valider la méthode
développée dans nos travaux.
4.2-Méthodes et outils de dimensionnement des systèmes hybrides éolien-
photovoltaïques autonomes avec batteries
Etant donné le caractère intermittent et limité des sources renouvelables ainsi que la
variation significative de la consommation électrique d’un habitat en fonction du moment de
la journée et de la saison, la problématique du dimensionnement des systèmes hybrides
éolien-photovoltaïques autonomes avec batteries est cruciale. Depuis les années 90, plusieurs
travaux [1], [2], [3] se sont intéressés à cette problématique. Les premières méthodes
proposées (méthodes conventionnelles [4], [5] ) tiennent leur justification de l’expérience et
de la pratique. Elles se basent sur l’étude statistique des données de gisement de production
(vitesse du vent, ensoleillement et température ambiante) et de profil de consommation. Les

123
nouvelles méthodes [6] sont plutôt basées sur des simulations dynamiques et ont abouti à la
réalisation de différents outils logiciels de dimensionnement.
Dans ce qui suit, nous présentons les principales méthodes ainsi que les outils de
dimensionnement rencontrés dans la littérature.
4.2.1- Les méthodes de dimensionnement
4.2.1.1- Les méthodes conventionnelles
4.2.1.1.1- Méthode itérative
Connue aussi sous le nom de méthode « Ampère-heure » [4], [5], cette méthode consiste à
déterminer le nombre de panneaux photovoltaïques nécessaire pour satisfaire la demande,
puis peu à peu à réduire ce nombre, tout en calculant le pourcentage des besoins énergétiques
annuels fournis par le générateur PV et ainsi à compléter le reste par l’énergie fournie par un
générateur complémentaire. En règle générale, ce dernier est un générateur diesel mais nous
avons pu adapter la méthode pour une génératrice éolienne qui présente un impact écologique
réduit. La démarche proposée est la suivante :
Etape Description
On calcule l’énergie quotidienne nécessaire à produire en

moyenne (Ep) afin de déduire les besoins pour chaque mois. Cette
énergie peut être exprimée en Wh ou en « Ah sous 48 V ». Elle
est égale à l’énergie consommée par la charge (Ec) corrigée par
un coefficient k pour bien assurer les besoins de l’habitat :
1) Evaluation de la puissance à produire (4.1)
Ep pour satisfaire la demande Le coefficient k tient compte des facteurs suivants :
- Le rendement du convertisseur DC-AC (95%),
- Le rendement des cycles de charge et de décharge de la batterie

(85%),
- Les pertes dans les câbles et connexions (2%).
La capacité des batteries est donnée par la formule suivante [7]:
(4.2)
2) Détermination de la capacité de
stockage des batteries en cas avec :
d’insuffisance des sources renouvelables Cn : Capacité nominale de la batterie en Ampère-heure (Ah),
Ep: Energie à produire par jour (Ah/J),
N μ σombre de jours d’autonomie. Il est de 7 jours en moyenne en

124
France dans le cas d’un système photovoltaïque seul, pour pallier

les jours mal ou non ensoleillés. Cependant, dans le cas d’une
installation hybride, 3 jours de stockage sont suffisants en cas
d’absence de vent et/ou de soleil. De plus, cette période est
suffisante en cas de maintenance sur les composants du système
hybride PV-éolien.
: Profondeur de décharge maximale admissible par les

batteries (70% pour les batteries au plomb),
: Facteur de réduction de température :
(4.3)
où C est la capacité de la batterie à la température Ta (en °C) et

Co est la capacité de la batterie évaluée à 27°C [5].
La capacité à retenir correspond à la capacité nominale disponible

sur le marché et qui respecte les résultats de calcul de la plupart
des mois.
3) Calcul de la puissance crête Il se fait de la manière suivante :
nécessaire Pc du générateur (4.4)

photovoltaïque pour chaque mois (avec
avec :
la moyenne des données quotidiennes sur
un mois) Ep : énergie produite par jour (Wh/J),
: Temps équivalent avec pleine irradiation (heure par jour),
ηpc: facteur de dégradation (en général égal à 0,9).
4) Détermination du nombre de Ce nombre se calcule de la manière suivante :
panneaux photovoltaïques nécessaire (4.5)

chaque mois
Il faut calculer l’énergie annuelle produite pour chaque nombre de

panneaux en fonction du calcul mensuel puis choisir le nombre à
installer en tenant compte des critères suivants :
 Minimiser le coût économique sur cycle de vie,


5) Déduction du nombre de panneaux
Assurer le pourcentage de production photovoltaïque
photovoltaïques pour couvrir les besoins souhaité en évitant un excès de production d’énergie
énergétiques annuels trop important (qq %),

 Tenir compte de l’encombrement. Ainsi, il est
préférable d’opter pour un nombre de panneaux dont la
surface ne dépasse pas 10-15m² pour qu’ils s’intègrent
à la toiture d’une majorité d’habitats résidentiels et que
l’on puisse bénéficier des tarifs de rachat de l’électricité

125
avec une puissance installée inférieure à 3 KWc.
A ce stade, il faut s’assurer de la continuité de fourniture de

l’énergie pour toutes les saisons et tous les jours μ c’est un critère
important dans tout le processus de conception du système
hybride.
δ’énergie restant à couvrir par l’éolienne est évaluée selon la

formule suivante :
(4.6)
Où
- est la production annuelle de l’éolienne en kWh/an,

6) Calcul de la contribution en énergie de
la part de la source complémentaire - est la réserve en énergie des batteries en KWh en
tenant compte de la contribution des panneaux photovoltaïques
(éolienne)
( :
(4.7)
étant les besoins énergétiques total de

l’habitat sur un an.
- Les coefficients 1,2 et 0,95 correspondent respectivement au

ratio de la tension de charge par rapport à la tension nominale de
la batterie (en considérant un rendement de charge de la batterie
de 0,85 et un rendement du chargeur de 0,95) et au rendement du
convertisseur AC-DC mis entre la génératrice de l’éolienne et les
batteries.
δe dimensionnement de l’éolienne revient à chercher la surface

Awt balayée par le rotor qui assure le besoin énergétique pour
soutenir la production photovoltaïque :
(4.8)
7) Dimensionnement de l’éolienne
0 ,3 étant le rendement global de la chaîne de conversion éolienne
( et P Wind la densité d’énergie annuelle du vent
exprimée en KWh/m²/an.
Les étapes 5, 6 et 7 peuvent être répétées avec différents nombres de panneaux jusqu’à ce
que l’on aboutisse au dimensionnement adéquat qui réponde à la plupart des critères exigés
par le concepteur et décrits dans la procédure de l’étape 5.

126
4.2.1.1.2- Méthode par programmation linéaire
Développée au début par Tomas Markvart [8], cette méthode a été expliquée et appliquée
par Orhan Ekren et Baris Özerdem dans le livre « Hybrid Combination of Photovoltaic and
Wind Energy Conversion System » [9]. δa méthode est en sorte l’automatisation de la
méthode précédente « Ampère-heure ». Elle fixe la capacité nominale des batteries qui peut
être calculée avec la formule (4.2). Puis, en utilisant les méthodes de programmation linéaire
(méthode Graphique, méthode Simplex ou méthode Matrix), elle détermine la configuration
optimale des deux générateurs qui satisfait la demande en énergie tout au long de l'année. Les
dimensions des deux générateurs sont définies en termes de la surface effective de chacun
et .
δe problème d’optimisation linéaire est présenté de la manière suivante :
Fonction objective (Optimum):
Minimum Coût économique : (4.9)
Sous réserve des restrictions imposées par le critère de satisfaction énergétique :
(4.10)
(4.11)
(4.12)
(4.13)
(4.14)
(4.15)
(4.16)
(4.17)
(4.18)
(4.19)
(4.20)
(4.21)

127
En prenant compte des contraintes de faisabilité pour une résidence autonome :
(4.22)
(4.23)
représentent les facteurs de coût économique respectivement pour un m² de

surface balayée par l’éolienne et un m² de panneaux photovoltaïques.
et correspondent respectivement au potentiel énergétique mensuel éolien et

photovoltaïque multiplié par le rendement de chacun des générateurs. est la demande
mensuelle en énergie électrique de l’habitat.
, et sont les limites inférieures et supérieures des variables

de dimensionnement.
4.2.1.1.3- Avantages et limites des méthodes conventionnelles
δes méthodes conventionnelles sont relativement simples à mettre en œuvre « à la main »

ou avec des feuilles de calcul. Pour cette raison, une majorité des installateurs des systèmes
photovoltaïques les utilisent. Cependant, comparé à la simulation du système avec un outil
logiciel, ce type de méthodes peut prendre plus de temps. D’ailleurs, cela n’en constitue pas le
seul inconvénient. Elles en présentent d’autres : d’abord, elles dimensionnent les batteries par
rapport au nombre de jours d’autonomie. δe choix de ce nombre est critiquable. Bien qu’il se
base dans la plupart des cas sur le nombre de jours mal ensoleillés et sans vent suffisant, il
reste subjectif. Sa période n’est pas démontrée rigoureusement (pourquoi 3 pas 5 ou 7?). C’est
aussi par exemple que dans le cas où les besoins énergétiques de l’habitat sont de 21λ3
kWh/an, soit une charge quotidienne moyenne kWh/jour, supposons que la batterie
fonctionne à une température moyenne de 10 degrés Celsius alors en appliquant les équations
(4.2) et (4.3) et en considérant trois jours d’autonomie, on constate une forte capacité
nominale de batteries de l’ordre de :
(4.24)
Par la suite, on obtiendra une batterie de 180 Ah avec un LPSP moins de 5%. Ce qui montre
que 3 jours d’autonomie ne se justifient pas si on accepte 5% de δPSP.

128
Ensuite, ces méthodes ne prennent pas en considération les changements météorologiques et

la variation de la forme des profils de consommation lesquels se basant sur des valeurs
moyennes quotidiennes et non instantanées. Nous avons démontré dans le troisième chapitre,
que la forme du profil de consommation a un impact sur la probabilité d’insatisfaction de la
demande (cf paragraphe 3.6.3).
De plus, ces méthodes s’intéressent surtout à la minimisation du coût économique et à la

satisfaction de la demande de l’utilisateur. Elles n’intègrent pas les préoccupations
environnementales. Enfin, la configuration obtenue par la méthode itérative n’est
certainement pas optimale, et la méthode de programmation linéaire ne s’applique que dans le
cas de problèmes d’optimisation linéaires. Elle est incommode pour notre cas où centaines
fonctions du coût économique et/ou énergétique sont non linéaires.
4.2.1.2- Les méthodes à base de simulations dynamiques
Nous avons pu constater au troisième chapitre, qu’en se basant sur les différents modèles
(de performances, économique, énergétique, etc.) du système hybride, il est possible de
développer un simulateur dynamique du système. Avec cet outil, il est possible d’optimiser le
système pour un ensemble de variables de décision en utilisant un algorithme informatique
adéquat. La fonction objective habituellement formulée pour le coût du cycle de vie, doit être
réduite au minimum en respectant les contraintes de fiabilité à savoir la satisfaction des
besoins électriques du consommateur. Cette démarche apparaît dans plusieurs publications
[6], [10], [11] et a été adoptée dans plusieurs travaux de thèse [3], [12], [13].
Par exemple, Borowy et Salameh [14] présentent une méthode pour optimiser le
dimensionnement d'un système hybride éolien-photovoltaïque avec batteries : le taux
d’insatisfaction de la demande souhaité est obtenu en modifiant le nombre de panneaux
photovoltaïques et de batteries. δ’éolienne, le type de panneaux et la technologie des batteries
sont fixés. Comme il y a plusieurs solutions techniquement réalisables, ils choisissent la
moins coûteuse.
On peut citer aussi les travaux de Yang et al [15] qui présentent une méthode de
dimensionnement d’un système hybride éolien photovoltaïque avec batteries minimisant le
coût moyen actualisé de l'énergie (Levelized Cost of Energy LCE). L'optimisation est réalisée
par simulation du système complet et en changeant de nombreux paramètres: la combinaison

129
des composants, l'orientation des modules PV, la puissance nominale des générateurs, la
hauteur de la tour de l'éolienne et la capacité des batteries.
En 2007, Shiet et al [11] ont proposé une méthode de dimensionnement robuste des systèmes
éolien-photovoltaïque autonomes permettant d’atteindre une configuration optimale du
système insensible aux variations climatiques. Elle était basée sur une optimisation multi-
objective avec contraintes résolue par un algorithme génétique multi-objectif, NSGA-II.
Un an plus tard, en 2008, la même démarche a été alors suivie par Rodolfo Dufo-López et
José L.Bernal-Agustín [16] en appliquant pour la première fois, l'algorithme évolutionnaire de
Pareto pour l’optimisation multi-objective de la conception d’un système multi-sources (PV-
éolien-diesel avec pile à combustible et batteries). Ils minimisent, simultanément, trois
objectifs: le coût, les émissions de polluants et la charge électrique non satisfaite. Les
optimisations ont étés faites avec un outil de simulation (HOGA : Hybrid Optimization by
Genetic Algorithms) développé en C++.
En même temps, en France, le Laboratoire « Systèmes et Applications des Technologies de
l’Information et de l’Énergie » de l’Ecole σormale Supérieure de Cachan s’est intéressé à la
problématique du dimensionnement des systèmes hybrides à travers deux thèses successives.
δa première, est celle d’τlivier Gergaud [12] qui, disposant de modèles énergétiques,
économiques et d’un outil pour la simulation de l’ensemble, a effectué l’optimisation du
dimensionnement et de la gestion des systèmes de productions éolien et photovoltaïque
autonomes ou couplé au réseau et associé à un accumulateur avec un simple calcul
systématique et sans recourir à un algorithme d’optimisation. La deuxième est celle de Yaël
Thiaux [13] qui s’est basé sur les modèles d’τlivier Gergaud pour effectuer l’optimisation
multi-objective des systèmes photovoltaïques autonomes et hybrides (PV-diesel) en
minimisant les coûts économiques et énergétiques sur cycle de vie du système ainsi que le
taux de délestage énergétique. δ’algorithme utilisé pour les optimisations est l’algorithme
évolutionnaire NSGA-II.
En résumé, la plupart des études mentionnées ci-dessus se concentrent principalement sur
la minimisation des coûts économiques. Quelques-unes, seulement, prennent en compte
l’impact écologique et considèrent, dans le cas des systèmes hybrides autonomes éolien-
photovoltaïque avec batteries la réduction de l'énergie primaire contenue dans le système.
Afin de pallier ce manque, nous proposons dans ce chapitre une approche pertinente qui
consiste à minimiser à la fois l'énergie incarnée par le système (EE [MJ]), le coût économique
sur cycle de vie du système (CCV [€]) et la probabilité d’insatisfaction de la demande

130
(LPSP [%]). Différentes méthodes d’optimisation sont utilisées. δes variables de décision
utilisées sont la surface installée des panneaux (Apv [m²]), la surface balayée par le rotor de
l’éolienne (Awt [m²]) et la capacité de batteries (Cn [Ah]). Ce concept de surface installée est
souvent utilisé pour les systèmes solaires photovoltaïques de production. Il est moins fréquent
pour les systèmes hybrides éolien-photovoltaïque avec batteries. La méthode proposée diffère
aussi de l’outil de simulation utilisé décrit dans le paragraphe 3.5.
4.2.2- Les principaux outils de dimensionnement [17]
Il existe plusieurs logiciels de dimensionnement et de simulation des systèmes d’énergie

hybride [18], [19] parmi lesquels nous pouvons citer: HOMER, SOMES, RAPSIM, SOLSIM,
IσSEδ… Tous ces logiciels ont pour but d’optimiser les systèmes hybrides, mais les
stratégies d’optimisation sont différentes. Une brève description de chaque outil est donnée ci-
après :
4.2.2.1- HOMER
C’est un outil développé par le « National Renewable Energy Laboratory » (NREL),

capable de dimensionner et d’optimiser un système hybride qui contient différents
composants : éolienne, PV, micro-hydrocentrale, diesel, réseau, pile à combustible et
batteries. HOMER exécute des simulations pour toutes les configurations possibles du
système dans le but de vérifier si celles-ci sont réalisables. Il estime ensuite le coût
d’installation et de fonctionnement du système et propose une liste de configurations, classées
par rapport au coût de leurs cycles de vie.
4.2.2.2- SOMES
C’est un outil de simulation et d’optimisation des systèmes d’énergies renouvelables.
SτεES est développé par l’Utrecht University, au Pays Bas. Les composants disponibles
sont : PV, éolienne, générateur diesel, réseau électrique, batteries de stockage et plusieurs
types de convertisseurs. La simulation est réalisée sur une base de temps horaire. Le système
optimal est recherché en comparant les coûts de plusieurs systèmes, dans les limites définies
par l’utilisateur.
4.2.2.3- RAPSIM
Ce logiciel a été développé par la Murdoch University Energy Research Institute en
Australie. Il est conçu pour simuler des systèmes d’énergies alternatives tels que des
générateurs PV, des éoliennes et des générateurs diesels. Un dimensionnement optimal est
réalisé par tâtonnement. Les utilisateurs changent les paramètres du système (nombre de

131
batteries, d’éoliennes, puissance des générateurs diesels) et jugent le résultat pour choisir la
meilleure solution répondant à leurs besoins.
4.2.2.4- SOLSIM
Il est développé au Fachhochschule Konstanz, en Allemagne. C’est un outil de simulation
qui permet aux utilisateurs de concevoir, d’analyser et d’optimiser des systèmes connectés ou
pas à un réseau et des systèmes d’énergie hybrides. δes sources d’énergie disponibles
consistent en des panneaux PV, en des éoliennes, en des installations de biogaz ou de
biomasse, en des batteries et en des générateurs diesels. C’est un logiciel qui comporte des
outils différents : un programme de simulation général appelé SOLSIM, une unité
d’optimisation de l’angle d’inclinaison des panneaux PV appelée Solτpti, une unité de calcul
des coûts du cycle de vie appelée SolCal et l’unité simulant des générateurs éoliens appelée
SolWind.
4.2.2.5- INSEL
Il est développé par l’Université d’τldenburg en Allemagne. Il réalise la simulation des
systèmes d’énergie renouvelable. C’est un logiciel avec une interface graphique en blocs.
Chaque bloc représente un composant d’une puissance prédéterminée. δes utilisateurs doivent
sélectionner des blocs à partir d’une bibliothèque et les interconnecter pour construire un
diagramme représentant les systèmes d’énergie à étudier.
En somme, un nombre très limité de logiciels permet d’optimiser la conception de

systèmes multi-sources et en particulier les systèmes hybrides éolien-photovoltaïque avec
batteries, et encore les optimisations sont faites par variation de la combinaison des
composants. En fait, la plupart de ces outils servent à simuler un système donné prédéfini par
l’utilisateur et sont plutôt dédiés à évaluer une certaine configuration du système et à
visualiser manuellement l’effet d’un changement dans ses paramètres.
Par surcroît, le degré de précision des modèles qui utilisent ces outils varie de l’un à
l’autre et n’intègrent pas l’énergie primaire contenue dans le système comme indicateur
d’évaluation si bien que seul l’aspect économique est considéré. Ainsi, le besoin de
développer un outil qui permette à la fois de simuler et d’optimiser le dimensionnement des
systèmes multi-sources, et qui n’exige pas la fixation d’un type particulier de composants,
s’avère être pressant.

132
Dans les paragraphes suivants, nous nous proposons de développer un outil de

dimensionnement et d’optimisation économique et écologique avec une application aux
systèmes hybrides éolien-photovoltaïques avec batteries. Cet outil pourra être employé pour
des systèmes multi-sources en général.
4.3- Procédure d’optimisation du dimensionnement d’un système hybride
4.3.1- Rappel des critères d’optimisation
Dans cette thèse, nous considérons l’énergie primaire intrinsèque à la fabrication du

système (exprimée en MJ ou kWh) comme un critère d’optimisation supplémentaire
(minimisation du coût de cycle de vie et prise en compte de la probabilité d’insatisfaction des
besoins en électricité de l’habitat résidentiel). Notre objectif est de trouver la meilleure
configuration possible entre le générateur photovoltaïque (Apv), l’éolienne (Awt) et la capacité
de stockage des batteries (Cn) afin de satisfaire les besoins en énergie de la charge avec un
impact environnemental minimal en terme d’énergie primaire associé à un coût économique
le plus réduit. Apv, Awt et Cn seront les variables de décision.
Les fonctions objectives à optimiser sont alors les suivantes:
 Fonction coût économique :
Parmi les objectifs d'optimisation, il y a la minimisation du coût du cycle de vie (CCV
[€]) du système. Compte tenu des évaluations économiques du chapitre 3, la mise en équation
de ce coût en fonction des variables de décision est la suivante :
(4.25)
 Fonction coût énergétique :

Un autre objectif de la procédure d'optimisation est de minimiser le coût en termes
d’énergie primaire contenue (EE [MJ]) en fonction de la taille des panneaux (Apv), de la
surface balayée par le rotor de l’éolienne (Awt) et de la capacité des batteries installés (Cn) :
(4.26)
 Fonction probabilité d’insatisfaction de la demande :

La fiabilité du système d'alimentation est considérée comme un critère primordial au
processus de conception des systèmes hybrides. Dans notre thèse, comme indiqué dans le
chapitre 3, la fiabilité du système est exprimée en termes de probabilité d’insatisfaction de
la demande LPSP [%] :

133
∑
∑
(4.27)
L'un des objectifs de la procédure d'optimisation est de trouver la combinaison entre les
différents éléments du système électrique hybride qui garantissent un LPSP inférieur au
maximum autorisé par l'utilisateur.
4.3.2- Formulation du problème d’optimisation
δ’optimisation du système hybride peut être traitée comme un problème mono-objectif

qui vise à minimiser le coût du système (qu’il soit énergétique ou économique). Dans ce cas,
le problème peut être décrit selon la formulation mathématique suivante :
 Formulation (I) :
Fonction objective (Optimum):
Minimum Coût : [CCV [€] ou EE [MJ]], Eq. (4.25), Eq. (4.26)
Sous réserve de la restriction imposée par le critère de satisfaction énergétique :
(4.28)
En prenant compte des contraintes de faisabilité pour une résidence autonome :
(4.29)
(4.30)
(4.31)
Apv, Awt, et Cn étant les variables de décision.
est la probabilité maximale d’insatisfaction de la demande autorisée par le

consommateur pour la période considérée ΔT (ici ΔT: un an). Puisque certains appareils
électriques ne sont pas « critiques » dans une maison et ne nécessite pas une alimentation
électrique continue, leur mise hors tension momentané en cas de manque de production est
possible. Par conséquent, un taux de délestage de 5% ( est choisi dans cette
étude afin d’éviter le recours à un générateur diesel ou au surdimensionnement du système
hybride.
, , sont les limites inférieures et supérieures

des variables de décision spécifiées par l'utilisateur.

134
Le même problème peut être perçu comme une optimisation multi-objective. En effet, les
différents coûts du système (énergétique et économique) doivent être minimaux tout en
assurant au consommateur la meilleure qualité de service en termes d’alimentation électrique.
Ceci est présenté par la formulation mathématique suivante :
 Formulation (II) :
Fonctions objectives:
Minimum Coûts : [CCV [€] et EE [MJ]]
&
Minimum LPSP [%]
Sous réserve des contraintes de faisabilité (4.29) (4.30) (4.31).
4.3.3- Description de la procédure d’optimisation
4.3.3.1- Principe
La figure 4.1 présente le principe de la procédure qui a été mise en place pour réaliser
l’optimisation en reliant la simulation dynamique du système hybride sous Matlab/Simulink à
la méthode d’optimisation.
Les données à fournir sont :
- les données nécessaires à la simulation du système hybride :

 les paramètres des modèles (ηdcdc, ηacdc, ηinv, ηcha, ηdis et ηwr),
 les données de la vitesse du vent, de l’irradiance et du profil de consommation par
an,
 les paramètres des coûts (économique et énergétique),
 les conditions limites et initiales (temps de simulation, SOCmin, SOCmax et
SOCini).
- les données nécessaires à la méthode d’optimisation :
 les paramètres à optimiser,
 l’(es) objectif(s) recherché(s),
 les contraintes (restriction imposée par le critère de satisfaction
énergétique et contraintes de faisabilité).
 les conditions d’arrêt.
- un point de départ pour la procédure (jeu de paramètres
initiaux : )

135
SOCmin, SOCmax, SOCini
Paramètres des modèles

Simulation dynamique
Paramètres des coûts
du système hybride
CCV [€], EE [MJ], LPSP [%]
sous Matlab/Simulink
Données de:
Vitesse du vent [m/s]
I’irradiance [W/m²]
Profil de consommation
[W]
Apv, Awt, Cn
M thode d’opti isatio
Figure 4.1 μ Principe de la procédure d’optimisation proposée
δ’optimisation est une procédure itérative (on note k l’itération en cours). Elle se déroule
comme suit μ à l’état initial (k=0), on dispose d’un ensemble de paramètres (variables de
décision initiaux ), la simulation dynamique du système permet
d’évaluer les fonctions objectives et la contrainte (CCV [€], EE[MJ] et LPSP [%]).
Parallèlement, l’analyse de sensibilité incluse dans la méthode d’optimisation permet de
déterminer le sens de variation des objectifs et de la contrainte par rapport aux paramètres.
Tant que les critères d’arrêt ne sont pas satisfaits pour le jeu de paramètres , la méthode
d’optimisation est utilisée pour calculer un nouveau jeu de paramètres à partir des
résultats de la simulation et de l’analyse de sensibilité. Ce dernier jeu de paramètres est utilisé
pour définir les données de la simulation suivante.
4.3.3.2- choix de la méthode d’optimisation
Le problème d'optimisation du système hybride éolien photovoltaïque avec batteries est

un problème d’optimisation continue non linéaire multi variables sous contraintes. En effet,
les fonctions objectives CCV [€] et EE [MJ] sont polynomiales. En plus, la fonction LPSP [%]
(considérée comme contrainte) n’a pas de représentation explicite. Il est nécessaire d'utiliser
la simulation dynamique pour calculer aussi précisément que possible ses différentes valeurs.

136
Pour cette raison, une méthode basée sur de la programmation informatique (mathématique
déterministe ou non) doit être utilisée pour l'optimisation.
4.3.3.2.1-Cas d’une optimisation mono-objective
a) Evaluation des méthodes et critères de choix
Dans ce cas, on cherche à résoudre un problème de minimisation linéaire ou non sous

contrainte non linéaire. Le problème est décrit par la formulation I. Selon les propriétés des
fonctions CCV [€], EE [MJ] et LPSP [%], différentes méthodes sont envisageables pour
résoudre le problème. τn trouve (d’après [20] ) :
 les méthodes déterministes de programmation mathématique qui comprennent :

- les méthodes de programmation mathématique utilisant les dérivées des fonctions
CCV [€], EE [MJ] et LPSP [%],
- les méthodes de programmation mathématique n’utilisant pas les dérivées,
 les méthodes non déterministes basées sur une exploration plus ou moins aléatoire de
l’espace des solutions.
δe choix de la méthode d’optimisation adéquate dépend surtout des critères suivants μ
- la fiabilité ou convergence globale : c'est-à-dire la capacité à déterminer un

optimum global parmi plusieurs optimums locaux. D’une manière générale, la
fiabilité d’une méthode dépendra de la forme de la fonction « objectif ». Renders
[21] propose ainsi de choisir la méthode d’optimisation selon le relief de la
fonction à optimiser.
δa convergence des méthodes d’optimisation par programmation mathématique
vers un optimum global est soumise à des conditions très restrictives sur la
fonction et les contraintes. Ces méthodes seront plus performantes pour une
fonction « objectif » linéaire, quadratique, unimodale (un seul optimum) ou
multimodale simple. Répéter l’optimisation en utilisant plusieurs points initiaux
permet d’améliorer la fiabilité dans les autres cas.
Les méthodes aléatoires présentent dans tous les cas une très bonne fiabilité.
δ’algorithme de « recuit » simulé (méthode empirique provenant d'un processus
utilisé en métallurgie) est particulièrement adapté pour des fonctions présentant un
grand nombre d’optimums locaux (fonctions unimodales bruitées) car les solutions
intermédiaires sont autorisées.

137
δes algorithmes génétiques sont particulièrement performants pour l’optimisation

des fonctions qui présentent de nombreux optimums locaux non disposés de
manière aléatoire et contenant donc une information sur la position des autres
optimums. Enfin, les méthodes de recherche totalement aléatoire seront seules,
fiables pour des fonctions multimodales sans structure (position des extremums
locaux totalement aléatoire).
- la vitesse de convergence locale : Les méthodes de programmation mathématique

présentant la vitesse de convergence locale la plus élevée, sont des méthodes du
second ordre (convergence super-linéaire ou quadratique). δ’utilisation de ces
méthodes pourra donc réduire le nombre d’itérations, si l’on se trouve initialement
suffisamment proche de l’optimum.
La convergence des méthodes aléatoires et évolutionnaires est en général
beaucoup moins bonne et ces méthodes nécessitent un très grand nombre
d’évaluations de la fonction objectif. Elles seront donc pénalisantes si le calcul de
la fonction objectif est long.
- la précision : D’une manière générale, les méthodes aléatoires sont beaucoup

moins précises que les méthodes de programmation pour un même nombre
d’évaluations de la fonction. Elles seront donc à éviter si l’on souhaite une grande
précision des résultats.
- εise en œuvre : La mise en œuvre des méthodes aléatoires est bien entendue plus
facile puisque l’optimisation ne nécessite alors que des calculs directs de l’objectif.
δ’utilisation des algorithmes génétiques demande toutefois la création de
mécanismes de sélection, reproduction et mutation qui doivent parfois être
spécifiques au problème pour des meilleurs résultats.
Les méthodes de programmation mathématique sont plus ou moins difficiles à
mettre en œuvre. Dans ces cas, on devra au moins calculer les dérivées de
l’objectif et des contraintes. δes méthodes de gradient sont à éviter car elles
doivent être adaptées à chaque type de problème. Les autres méthodes se ramènent
à des problèmes linéaires ou quadratiques avec ou sans contraintes dont les
techniques de résolution sont généralement très bien connues.
Le tableau 4.1 présente un comparatif des propriétés des méthodes d’optimisation

continue mono-objectif non linéaire sous contrainte selon les critères précédents.

138
Méthode Convergence Vitesse de convergence Précision εise en œuvre

globale locale
Méthodes primales par directions réalisables
Gradient Non (oui en Linéaire, très lente pour des Bonne Délicate à mettre en œuvre pour
projeté pratique pour problèmes mal conditionnés des cas généraux
des contraintes
linéaires)
Gradient Non (sous la Linéaire, très lente pour des Bonne Impose des contraintes linéaires
réduit forme de base) problèmes mal conditionnés
Gradient Oui, sous des Linéaire, très lente pour des Bonne Délicate à mettre en œuvre pour
réduit conditions très problèmes mal conditionnés des cas généraux
généralisé restrictives
Méthodes par résolution des conditions de Kuhn-Tucker
Newton et Non si loin de Quadratique (super- linéaire Bonne Se ramène à une optimisation
Wilson l’optimum avec des algorithmes quasi- quadratique
newtoniens)
Méthodes duales des pénalités
Pénalités Oui, sous des Dépend de la méthode sans Faible Se ramène à une optimisation
(extérieures et conditions peu contrainte utilisée (super- sans contraintes
intérieures) restrictives linéaire pour quasi-Newton
ou gradient conjugué)
Méthodes duales Lagrangienne
Uzawa et Oui pour Linéaire Bonne Se ramène à une optimisation

Arrow- certaines sans contraintes
Hurwicz versions
améliorées
Dantzig Non si loin de Linéaire Bonne Se ramène à une optimisation

l’optimum linéaire sous contraintes
Lagrangiens Non (sous la Selon la méthode sans Bonne, Se ramène à une optimisation
augmentés forme de base) contraintes utilisée (linéaire améliorée sans contraintes
à quadratique) par rapport
aux
pénalités
Méthodes non déterministes ou stochastique
Monte-Carlo Bonne Faible (nécessitent un grand Faible Ne nécessite que des calculs
et Recuit nombre de calculs) directs
simulé
Algorithmes Très bonne Faible (nécessite un grand Faible σécessite le choix d’options
génétiques nombre de calculs) d’optimisation influentes sur la
qualité de la résolution
Essaims Possible mais Faible (temps de calcul Bonne Nécessite des calculs directs et
particulaires pas garantie élevé) réglage simple des paramètres
Tableau 4.1 : Tableau comparatif des méthodes d’optimisation non linéaire sous contraintes
[20]

139
Si l’on cherche à optimiser sans trop de précision une fonction présentant de nombreux
optimums locaux et si le temps de calcul n’est pas un facteur pénalisant, les méthodes
aléatoires et évolutionnaires sont les mieux adaptées.
Les méthodes de programmation mathématique sont au contraire plus performantes et

précises pour l’optimisation de fonctions simples (présentant peu d’optimums locaux). En
revanche, leur mise en œuvre est également plus délicate.
Enfin, l’utilisation de méthodes hybrides permet de combiner les avantages des deux
types de méthodes : augmenter la fiabilité et la précision tout en diminuant le temps de calcul.
τn pourra par exemple s’approcher de l’optimum global par une méthode aléatoire puis
affiner les résultats par une méthode déterministe. On pourra aussi utiliser un grand nombre
de points initiaux choisis aléatoirement et réaliser des optimisations déterministes à partir de
tous ces points.
b) Etude du relief des fonctions à optimiser et méthode retenue
Pour choisir une méthode d’optimisation efficace pour le problème décrit par la
formulation (I), nous avons déterminé le relief des fonctions à optimiser et celui de la
contrainte comme le montre la figure 4.2. Afin de représenter clairement les figures et de
pouvoir dessiner les contours, l'une des trois variables de décision à savoir la capacité de
stockage des batteries (Cn), a été fixée à une valeur probable de 180 Ah.
4 4
x 10 x 10
4.5 4 13
x 10
4
x 10 15 12
4
5 11
3.5
4 10 10
EE [MJ]
3 3
CCV [€]
9
5
2 8
2.5
1 15 7
0
2 15
0 10
15 6
15 10
5 10
10 1.5 5
5 0 5 5
0 Apv [m²] 0 0
Awt [m²] Awt [m²] Apv [m²]
a) Surface décrite par le coût du cycle de vie du système en b) Surface décrite par l’énergie primaire incarnée dans le
fonction des paramètres Apv et Awt système en fonction des paramètres Apv et Awt

140
90
80
100
70
80
60
LPSP [%]
60 50
40 40
30
20
0
20
0 10
15 10 10
5 0 20
Awt [m²]
Apv [m²]
c) Surface décrite par le taux d’insatisfaction de la consommationde l’habitat résidentiel
en fonction des paramètres Apv et Awt
Figure 4.2 : Relief des fonctions à optimiser et de la contrainte
On remarque que toutes les surfaces obtenues ont une apparence polynomiale, présentant
un unique minimum global (fonctions uni-modales) et sont monotones. Néanmoins, la
fonction LPSP [%] présente une plus forte non-linéarité. En plus, les évolutions des fonctions
coûts CCV [€] ou EE [MJ] et la fonction contrainte LPSP [%] sont contradictoires. La
fonction LPSP [%] n’améliore pas l’avancement des fonctions objectif dans le sens favorable.
Vu la faible non-linéarité des fonctions objectif et le relief de la contrainte, une méthode

d’optimisation classique semble être la plus judicieuse pour une raison d’efficacité (limitation
du nombre de calculs) et de précision (convergence vers l’optimum global). Ainsi, une
méthode d’optimisation par programmation non linéaire peut être retenue. La fonction
fmincon du module d’optimisation de Matlab est donc utilisée [22]. Cette fonction utilise un
algorithme SQP (programmation quadratique séquentielle) dont le détail est exposé ci-
dessous.

141
 Algorithme SQP de Matlab
Cette méthode est basée sur l’algorithme de σewton/Wilson [23], [24], [25]. Cette
méthode itérative (figure 4.3) se décompose comme suit :
- calcul de la fonction et du gradient au point actuel,

- calcul de la direction d’avancée
- approximation au point actuel par un problème quadratique,
- résolution du problème quadratique,
- calcul du pas qui permet une diminution suffisante d’une fonction de mérite
quantifiant l’objectif et les contraintes (étape de minimisation unidimensionnelle),
- calcul du point suivant et approximation de la matrice Hessienne pour l’itération
suivante.
Plusieurs propriétés rendent la méthode SQP avantageuse [25]:
- les points successifs (y compris le point initial) ne sont pas forcément solutions (ce
qui est utile si l’on a du mal à trouver un point initial respectant toutes les
contraintes),
- la résolution repose sur la résolution de problèmes quadratiques à l’aide de
procédures simples et bien connues (ils se ramènent eux-mêmes à la résolution de
systèmes linéaires).

142
K=0
0
P
Calcul de l’o je tif et de la Cal ul des gradie ts de l’o je tif

k
contrainte au point P
k et de la contrainte au point P
k k k k
CCV ( P ) / EE (P ) �CCV ( P ) / �EE(P ),
k
LPSP(Pk) �LPSP (P )
Résolution du
sous-problème
quadratique
dk Hk
Minimisation Mise à jour de la matrice

unidimensionelle Hessienne
αk
k=k+1
Pk+1 = Pk + αk + dk
Crit res d’arr t

vérifiés?
P*
Figure 4.3 : Algorithme de la méthode SQP

143
4.3.3.2.2-Cas d’une optimisation multi-objective
a) Evaluations des méthodes et critères de choix
D’un point de vue concepteur, les approches utilisées pour la résolution de problèmes
multi-objectifs peuvent être classées en deux catégories [26] , [27] : les approches non Pareto
et les approches Pareto (figure 4.4).
 Les approches non Pareto ne traitent pas le problème en tant que véritable problème
multi-objectif. Elles cherchent à ramener le problème initial à un ou plusieurs problèmes
mono-objectifs. Elles sont classées en deux catégories : les approches scalaires, qui
transforment le problème multi-objectif en un problème mono-objectif et les approches
non scalaires, qui gardent l’approche multi-objectif, tout en traitant séparément chacun
des objectifs.
 Les approches scalaires «ces approches sont de type a priori»
A l’origine, les problèmes multi-objectifs étaient transformés en problèmes mono-
objectifs. Plusieurs approches différentes ont été mises au point pour transformer les
problèmes multi-objectifs en problèmes mono-objectifs : les approches agrégées,
programmation par but, et les approches -contraintes, etc. Que ce soit sous la forme
d'une somme pondérée, ou sous la forme d'une distance à un but, cette transformation
permet d'utiliser facilement les méthodes d'optimisation issues de l'optimisation à un
objectif. Cependant, celles-ci ne sont pas sans reproches : les unes ne peuvent traiter
complètement des problèmes non convexes et par suite sont très sensibles à la forme
du front Pareto ; un autre inconvénient de taille réside dans le fait qu’il faille relancer
plusieurs fois les algorithmes de résolution avec des valeurs différentes pour certains
paramètres tels que le vecteur de poids pour obtenir plusieurs points distincts de la
surface de compromis ; par surcroît, ces méthodes nécessitent aussi souvent une bonne
connaissance du problème à priori, notamment pour fixer les vecteurs de poids ou les
points de référence.
 Les approches non scalaires non Pareto « ces approches sont de type a posteriori »
Ces approches ne transforment pas le problème multi-objectif en un problème mono-
objectif, mais utilisent des opérateurs qui traitent séparément les différents objectifs,
elles n’utilisent pas non plus la notion de dominance Pareto. τn trouve l’approche par
sélection parallèle, et celle par sélection lexicographique. Ces différentes approches
surmontent les difficultés des approches scalaires. Une seule résolution du problème
permet de trouver un ensemble de solutions Pareto optimales. Le décideur peut ainsi

144
choisir une solution suivant la situation courante. Néanmoins, elles tendent à générer
des solutions qui sont largement optimisées pour certains objectifs et le sont très peu
pour d’autres.
σous présentons dans la section suivante l’approche PARETτ qui, non seulement traite les
problèmes multi-objectifs sans transformation et sans favoriser un objectif par rapport à un
autre, mais aussi fournit au décideur un ensemble compromis de solutions (supportées et non
supportées) en une seule résolution du problème [28].
 Les approches Pareto « ces approches sont de type a posteriori ≫
Au 19ème Siècle, Vilfredo Pareto, un mathématicien Italien, formule le concept suivant :
dans un problème multi-objectif, il existe un équilibre tel que l’on ne peut pas améliorer un
objectif sans détériorer au moins un des autres objectifs. Les approches Pareto utilisent
directement la notion de dominance dans la sélection des solutions générées. Le principal
avantage de ces approches. C’est l’optimisation simultanée d’objectifs contradictoires. Une
grande partie de ces approches exploite une métaheuristique [29]:
- La méthode P.A.S.A (Pareto Archived Simulated Annealing),
- La méthode M.O.G.A (Multiple Objective Genetic Algorithm),
- La méthode W.A.R.G.A ( Weighted Average Ranking Genetic Algorithm),
- La méthode N.S.G.A (Non dominated Sorting Genetic Algorithm),
- La méthode N.P.G.A(Niched Pareto Genetic Algorithm),
- La méthode S.P.E.A (Strength Pareto Evolutionary Algorithm).
Approches de résolution multi-objectif
Approche Non Pareto Approche Pareto
Approches scalaires Approches non scalaires
Agrégation Sélection parallèle
ε-Contrainte Sélection lexicographique
But Programmé
Figure 4.4: Classification des approches de résolution multi-objectif

« D’un point de vue concepteur »

145
Un ensemble de mesures a été proposé pour analyser les performances des algorithmes
multi-objectifs à la fois en termes de convergence et de diversité des solutions obtenues [27],
[29].
δ’analyse de performances en multi-objectif est, en elle seule, un domaine d’étude encore très
ouvert puisqu’il n’existe pas de mesures universellement utilisées. C’est la raison pour
laquelle nous n’allons pas nous étendre plus longuement : nous nous contenterons de signaler
qu'aucune des mesures existantes ne peut synthétiser en une seule valeur toute l'information
contenue dans la surface de compromis et que , par suite, il est souvent nécessaire d'utiliser
plusieurs mesures conjointement pour espérer évaluer au mieux la surface de compromis. Le
meilleur moyen d'évaluer une surface de compromis, lorsque le problème ne comporte pas
plus de trois critères, reste encore l'évaluation graphique.
b) Choix et description des méthodes retenues
Dans le cadre de cette thèse, nous établissons un parallèle entre l’approche Pareto et
l’approche non Pareto et nous les testons μ pour la première, nous mettons en œuvre une
méthode qui exploite une métaheuristique ; pour la seconde, une méthode scalaire simple.
σous allons décrire et justifier chacune d’elles dans nos choix finaux.
 La méthode scalaire de pondération des fonctions objectives : « approche agrégée

adaptée » ; aucune des fonctions « objectif » n’est favorisée, coefficient de
pondération unitaire.
Cette approche de la résolution du problème d’optimisation multi-objectif est choisie car

la plus évidente. D’ailleurs, on appelle aussi cette méthode « l’approche naïve » de
l’optimisation multi-objectif [30]. Dans notre cas, il s’agit de revenir à un problème mono-
objectif et de le résoudre avec la méthode SQP. La manière la plus simple de procéder
consiste à minimiser la somme des fonctions objectif CCV et EE tout en gardant la fonction
LPSP comme contrainte.
 La méthode exploitant une métaheuristique : Algorithme NSGA-II de Matlab
σous avons opté pour l’algorithme NSGA-II de Matlab avec la fonction « GAmultiobj »
de la « Global optimisation Toolbox » [31]. Le choix de cet algorithme a été fait selon la
procédure suivante :

146
1- Choix du mode de résolution :
Désirant avoir plusieurs solutions en main afin de proposer plus d’alternatives au

consommateur, nous tenons à obtenir une approximation de la surface de compromis. Alors,
optons pour un mode de résolution du type à posteriori.
2- Choix du mode de traitement du problème multi-objectif
A ce niveau, assurément, nous avons le choix. Nous sélectionnons un mode de traitement non
agrégatif, dont nous connaissons la propriété suivante μ il n’y a pas de préférence sur les
objectifs.
3- Choix du type de couplage vis-à-vis de la méthode d’optimisation :
Ayant à notre disposition, un algorithme génétique déjà implémenté dans Matlab, nous
utilisons une méthode du type algorithme génétique. Nous choisissons donc une méthode
couplée.
4- Choix de la méthode
Puisque nous cherchons plusieurs solutions, nous choisissons une méthode évolutionnaire :
elle permettra d’en extraire celles qui correspondent aux compromis les plus intéressants.
5- Choix du type d’élitisme
Nous voulons archiver les meilleurs individus rencontrés au cours de l’optimisation afin
d’améliorer les résultats : aussi choisissons-nous une méthode avec élitisme.
6- Choix final
Nous avons donc le choix entre :
MOGA, NSGA, NPGA et WARGA.
Le choix final se portera sur une version évoluée de la méthode NSGA, car elle permet
d’obtenir une bonne répartition des solutions sur la surface de compromis, sans requérir de
réglages trop complexes. Il s’agit de l’algorithme σSGA-II.
δ’algorithme σSGA-II a été proposé par K. Deb et al [31], [32]. Il garantit des meilleurs
résultats. Il intègre un opérateur de sélection, basé sur un calcul de la distance de « crowding »

147
(ou « surpeuplement ») qui estime la densité de chaque individu dans la population. Cet
algorithme est l’un des plus utilisés aujourd’hui car :
 Il utilise une approche élitiste qui permet de sauvegarder les meilleures solutions
trouvées lors des générations précédentes,
 Il se sert d’une procédure de tri fondée sur la non-dominance, plus rapide,
 Il intègre un opérateur de comparaison différent basé sur le calcul de la distance de
« crowding ».
La fonction « distance crowding » remplace la fonction sharing dans son prédécesseur

NSGA qui demande beaucoup de calculs. Cette nouvelle fonction consiste à attribuer deux
caractéristiques à chaque individu :
- représente le rang de non domination de l’individu. Cette caractéristique

dépend de la frontière à laquelle appartient l’individu,
- représente la distance de « crowding » de l’individu et permet d’estimer
la densité de la population autour de lui.
Pour estimer la densité au voisinage d’une solution particulière S sur un front F , la fonction
« distance crowding » calcule la distance moyenne des deux solutions de chaque côté de S
selon chaque objectif. Cette quantité sert d’estimation du périmètre du cuboïde
formé par les plus proches voisins autour de S (figure 4.5). Cette distance de « crowding » va
être utilisée pour guider le processus de sélection.
Figure 4.5: Pour une solution S du front F, la distance de peuplement (crowding distance)
d’une solution Si distance, utilisée dans NSGA-II correspond au périmètre du cuboïde formé par
ses deux voisins

148
Pour répondre à la critique de non élitisme, K. Deb utilise dans cette méthode une sélection
par tournoi avec peuplement (« crowded tournament »). Cet opérateur sélectionne en priorité
les solutions non dominées. Si aucune des solutions tirées aléatoirement ne domine l’autre, la
sélection est faite en fonction de la distance de peuplement. Plus formellement, une solution
S1 gagne un tournoi contre une autre solution S2 si l’une des conditions suivante est vraie :
 si la solution S1 a un meilleur rang (S1rang< S2rang) ;

 si elles ont le même rang et que la solution S1 a une meilleure distance de peuplement
que la solution S2 (S1rang = S2rang et S1distance > S2distance).
δ’algorithme σSGA-II fonctionne de la manière suivante :
À chaque itération, une population Qt est créée à partir de la population parente P t, chacune de
taille N. Les deux populations sont alors combinées pour former une population (
), de taille 2N. Cet assemblage permet d’assurer l’élitisme. δa population de taille (2N) est
ensuite triée selon un critère de non-dominance pour identifier les différents fronts F 1, F 2, etc.
Les meilleurs individus vont se retrouver dans le ou les premiers fronts. Une nouvelle
population parent (P t+ 1) est formée en ajoutant les fronts complets (premier front F 1, second
front F 2, etc.) tant que la population ne dépasse pas N. Si le nombre d’individus présents dans
P t+ 1 est inférieur à N, une procédure de « crowding » est appliquée sur le premier front
suivant, F k, non inclus dans P t+ 1. Le but de cet opérateur est d’insérer les (N-| P t+ 1| ) meilleurs
individus qui manquent dans la population P t+ 1. Les individus de ce front sont utilisés pour
calculer la distance de « crowding » entre deux solutions voisines [33]. Une fois que les
individus appartenant à la population P t+ 1 sont identifiés, une nouvelle population enfant Qt+ 1
est créée par sélection, croisement et mutation. Une sélection par tournoi prenant en compte le
peuplement (« crowded tournament ») est utilisé. Le processus continue d’une génération à la
suivante, jusqu’à un critère d’arrêt.
Voici la procédure détaillée, telle que la décrit Deb (figure 4.6) :
 Etape 1 : Combiner les populations de parents et d’enfants et créer ( ,

puis appliquer un tri non-dominé sur et identifier les différents fronts : F k, k= 1,…,
etc.
 Etape 2 : Créer une nouvelle population P t+ 1= et initialiser k = 1.
Tant que | P t+ 1| + |F k| < N (la population n’est pas pleine), on fait P t+ 1 = P t+ 1+ F k et
k = k+1.

149
 Etape 3 : Lorsque toutes les solutions de F k ne peuvent être intégrées à P t+ 1, on fait un

tri sur les distances de « crowding » et on inclut à P t+ 1 les N-|P t+ 1| solutions les plus
éparpillées en utilisant la distance de « crowding » dans l’ensemble F k.
 Etape 4 : Créer la population d’enfants Qt+ 1 à partir de P t+ 1 en utilisant la sélection par
tournoi à base de « distance crowding » et les opérateurs génétiques (sélection,
croisement et mutation). Incrémenter le compteur des générations (t = t+ 1) jusqu’à
atteindre les conditions d’arrêt.
Rt Qt Pt
Tri selon la dominance de Pareto
Individus non classés Fronts
F3 F2 F1
Tri selon la distance de Crowding
Gen = Gen+1
F3Trié
Individus rejetés Pt+1
Sélection, Croisement, Mutation:

Cr atio d’u e ouvelle populatio e fa ts Qt+1
Boucle sur les générations jusqu’à atteindre les

conditions d’arrêt
Figure 4.6: Algorithme de la méthode NSGA-II

150
4.4- Résultats d’optimisation
4.4.1-Cas d’une optimisation mono-objective selon l’approche économique
Dans le cas d’une optimisation mono-objective, nous avons considéré les paramètres
suivants :
 Critère d'arrêt: variation moyenne de la fonction objective et de la contrainte inférieure

à 1E-6. Cette valeur est assez petite pour bien approcher l'optimum global.
 Limites inférieure et supérieure des variables de décision : pour les trois composants
(panneaux PV, éolienne, batteries) : ,
, , =300Ah.
 Probabilité maximale d’insatisfaction de la demande tolérée par le consommateur pour
une période donnée Δt (ici Δtμ un an) : .
Afin d’approcher au maximum l’optimum global, la routine d’optimisation a été reproduite

plusieurs fois avec des conditions initiales différentes.
La solution avec le coût le plus faible ( ) est illustrée à la figure 4.7.

Elle a été obtenue à la 30ème itération en partant des conditions initiales [
] et après 196 évaluations de la fonction objective. La
routine d’optimisation prend moins de 30 minutes pour converger avec un processeur Intel
Core Duo (CPUT6500@2.1GHz) en appliquant un traitement en parallèle.
Le dimensionnement optimal du système est obtenu par :
- une surface de panneaux photovoltaïques installée : [ ] ,
- une surface balayée par le rotor de l’éolienne : [ ] ,
- une capacité de stockage :
Ce résultat est conforme aux attentes car le site est plutôt photovoltaïque et le coût sur cycle
de vie du m² de panneaux photovoltaïques est beaucoup moins cher que pour un « m² »
d’éolienne (figure 4.2.a). En effet, un m² de panneaux vaut en moyenne 650 € contre 1982,67
€ pour un m² d’éolienne.
Pour valider la méthode d’optimisation et nous assurer de la bonne convergence de

l’algorithme, nous avons fait un calcul systématique du coût total du système hybride sur 25
ans, pour plusieurs valeurs de la surface des panneaux photovoltaïques, de la surface balayée

151
par le rotor de l’éolienne et de la capacité de stockage. δes résultats sont représentés dans la
figure 4.8. Ils montrent bien que la solution obtenue se situe bien dans la zone optimale.
Valeurs normalisées des variables optimisées
Paramètres optimaux Nombre total d'évaluations de la fonction coût: 196

20
1
Nb d'évaluations par itération

�
Apv [m²], Awt [m²], Cn [Ah]
�
0.8 � � � �
15
� �
0.6
10
0.4
� � �
5
0.2
� � �
0 0
1 2 3 0 5 10 15 20 25 30
Variable de décision Itération
x 10
4
CCV minimal: 22416€ Dépassement des 5% de probilité d'insatisfaction de la demande: 0
6 100
5 80
LPSP [%]
4 60
CCV [€]
3 40
2 20
5%
1 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Itération Itération
Figure 4.7μ Résultats d’optimisation dans le cas d’une optimisation mono-objective selon
l’approche économique

152
CCV [ € ] x 104
5
250 4.5
4
Cn [Ah]
200
3.5
150 3
Zone Optimale
15
15
10
14
13 2.5
5 12
11
Awt [m²] 0 10
Apv [m²]
Figure 4.8μ Estimation du coût total (€) du système hybride en fonction de Apv[m²], Awt[m²],
Cn[Ah]
4.4.2- Cas d’une optimisation mono-objective selon l’approche écologique
La solution avec le coût énergétique minimal ( ) est présentée à la

figure 4.9. Elle a été obtenue à la 19ème itération en partant des conditions initiales [
] et après 107 évaluations de la fonction objectif. La
routine d’optimisation prend moins de 20 minutes pour converger avec un processeur Intel
Core Duo(CPUT6500@2.1GHz) en appliquant un traitement en parallèle.
Le dimensionnement optimal du système est obtenu par :
- une capacité de stockage : .
Ces résultats prouvent que l’hybridation est avantageuse en termes d’énergie primaire
incarnée d’autant plus que l’éolienne est plus efficace énergétiquement que les autres
composants du système (figure 4.2.b).
Comme pour le cas d’une optimisation mono-objective selon l’approche économique, nous
avons confirmé la fiabilité du résultat obtenu par un calcul systématique du coût énergétique
total du système hybride sur 25 ans en termes d’énergie primaire incarnée (EE [MJ]), pour

153
plusieurs valeurs de la surface des panneaux photovoltaïques, de la surface balayée par le

rotor de l’éolienne et de la capacité de stockage. δes résultats sont représentés dans la figure
4.10. Ils montrent que la solution obtenue se situe bien dans la zone optimale.
Valeurs normalisées des variables optimisées
Paramètres optimaux Nombre total d'évaluations de la fonction coût: 107

10

1
�
�
� 8
�
0.8 � �
� � 6
0.6
� � �
4
0.4 � � �
0.2 2
0 0
1 2 3 0 5 10 15 20
5
x 10 EE minimal: 99541,4 MJ Dépassement des 5% de probilité d'insatisfaction de la demand
1.15 10
1.1 8
1.05
LPSP [%]
6
EE [MJ]
1 5%
4
0.95
2
0.9
0.85 0
0 5 10 15 20 0 5 10 15 20 25
Figure 4.λμ Résultats d’optimisation dans le cas d’une optimisation mono-objective selon
l’approche écologique

154
EE [MJ] x 105
1.5
1.45
250
1.4
1.35
1.3
Cn [Ah]
200
1.25
1.2
1.15
150
15
Zone Optimale 1.1
15
10
14
13 1.05
5 12
11
Awt [m²] 0 10
Apv [m²]
Figure 4.10: Estimation de l’énergie primaire incarnée dans le système hybride EE(εJ)
en fonction de Apv[m²],Awt[m²], Cn[Ah]
4.4.3- Cas d’une optimisation multi-objective
4.4.3.1- En appliquant la méthode scalaire
La solution avec le coût économique minimal ( ) et le coût

énergétique le plus bas ( ) est présentée à la figure 4.11. Elle a été
obtenue à la 19ème itération en partant des conditions initiales [
] et après 209 évaluations de la fonction objectif. La routine
d’optimisation prend moins de 30 minutes pour converger avec un processeur Intel Core Duo
(CPUT6500@2.1GHz) en appliquant un traitement en parallèle.
Le dimensionnement optimal du système correspond à :
- une capacité de stockage : .
La fiabilité des résultats est confirmée par calcul systématique à la figure 4.12.

155
Valeurs normalisées des variables optimisées Paramètres optimaux Nombre total d'évaluations de la fonction coût: 209
30

1
� �
� �
25
� � � �
0.8
20
0.6
15
� � �
0.4 � 10
� �
0.2 5
0 0
1 2 3 0 5 10 15 20
5
x 10 EE + CCV minimal: 124411 Dépassement des 5% de probilité d'insatisfaction de la demand
1.5 10
1.4 8
EE + CCV
LPSP [%]
1.3 6
1.2 4 5%
1.1 2
1 0
0 5 10 15 20 0 5 10 15 20
Figure 4.11μ Résultats d’optimisation dans le cas d’une optimisation multi-objective obtenus
par application de la méthode scalaire

156
5
CCV + EEx 10
2
250
1.9
1.8
Cn [Ah]
200
1.7
1.6
150
1.5
15
10 1.4
Zone Optimale
5 15
14 1.3
13
12
Awt [m²] 0 11
10
Apv [m²]
Figure 4.12: Estimation de la somme (EE + CCV)

en fonction de Apv [m²], Awt[m²], Cn[Ah]
4.4.3.2- En appliquant la méthode NSGA-II
Pour appliquer cette méthode, des paramètres de la boîte d’outil « GA multiobj » de

Matlab doivent être réglés. Il s’agit de :
 la population : le type et la taille de la population, la population initiale (utilisée dans

l’algorithme génétique) …
 les opérateurs génétiques : sélection, reproduction, mutation, croisement, etc.
 les paramètres du problème multi-objectif : mesure de la distance entre les individus
(crowding), fraction de la population au sens de Pareto (fraction de la meilleure
population conservée pour maintenir une population diversifiée).
 Critères d’arrêt : génération (spécifie le nombre maximal d’itérations), délai (spécifie
la durée maximale en secondes du fonctionnement de l’algorithme génétique avant de
s’arrêter.), limite basse de la fonction objectif, taux minimal de variation de la fonction
objectif.
En se basant sur les paramètres par défaut et en réalisant plusieurs tests avec la boîte à outil
« GAmultiobj » de Matlab, nous avons fixé les paramètres suivants pour notre application.

157
Paramètres Valeurs
Taille de la population 200 (pour avoir un nombre élevé de solutions)
Sélection Tournoi (paramètre par défaut)
Reproduction 0,8 (paramètre par défaut)
Mutation Gaussienne (paramètre par défaut)
Croisement Dispersé (paramètre par défaut)
Mesure de la distance Crowding (paramètre par défaut)
Fraction de la population au sens de Pareto 0,6 (choisi par expérience après plusieurs essais)
Critère d’arrêt Nombre maximum de générations : 100
(respect du dilemme rapidité/ précision)
Tableau 4.2 : Paramètres utilisés dans cette application

Pour des raisons pédagogiques et pour bien évaluer la méthode d’optimisation, nous
commençons par présenter les résultats pour des optimisations bi-objectives puis nous
passons à l’optimisation tri-objective.
 Minimisation du coût économique sur cycle de vie et de la probabilité d’insatisfaction de

la demande :
Résultats de simulation et d’optimisation
Sur la figure 4.13, nous représentons l’ensemble des points obtenus par calcul
systématique, l’ensemble des solutions de la surface de compromis (ici une portion de courbe)
donnée par l’algorithme NSGA-II et un point de référence correspondant à une configuration
optimale pour un LPSP max inférieur ou égal à 5%. σous remarquons qu’on trouve une surface
de compromis typique à des problèmes de minimisation. La surface de compromis obtenue
par optimisation approche parfaitement le cas théorique. Les points solution de notre
problème sont répartis de manière uniforme. Nous avons alors en possession un ensemble de
solutions utile. Ce qui valide la fiabilité et la précision de la méthode et de l’algorithme
d’optimisation utilisé.

158
La solution de référence choisie est très proche de celle obtenue suite à une optimisation
mono-objective avec l’algorithme SQP. σéanmoins, cette dernière reste plus précise.
4
x 10
5.5
Points Optimaux (Front de Pareto)
5 Tous les points
Point optimal pour LPSPmax=5%
[Apv=14,78m² Awt=1.36m² Cn=217.74Ah]
4.5
3.5
CCV [€]
2.5
1.5
1
0 10 20 30 40 50 60 70 80 90 100
LPSP [%]
Figure 4.13 : Représentation de la surface de compromis Front de Pareto

δPSP [%] vs CCV [€]
 Minimisation de l’énergie primaire incarnée dans le système et de la probabilité
d’insatisfaction de la demande :
De même, sur la figure 4.14, nous représentons l’ensemble des points obtenus par calcul
systématique, l’ensemble des solutions de la surface de compromis (ici une portion de courbe)
donnée par l’algorithme σSGA-II et un point de référence correspondant à une configuration
optimale pour un LPSP max inférieur ou égal à 5%. Dans ce cas aussi, par application de
l’algorithme σSGA-II, nous obtenons une bonne représentation de la surface de compromis et
la solution de référence retenue est en adéquation avec celle obtenue suite à une optimisation
mono-objective avec l’algorithme SQP.

159
5
x 10
1.8
Points Optimaux (Front de Pareto)
Tous les points
1.6
Point optimal pour LPSPmax=5%
[Apv=14,7m² Awt=3,92m² Cn=176.5Ah]
1.4
1.2
EE [MJ]
0.8
0.6
0.4
0 10 20 30 40 50 60 70 80 90 100
LPSP [%]
Figure 4.14 : Représentation de la surface de compromis Front de Pareto

LPSP [%] vs EE [MJ]
 Optimisation tri-objective :
Dans ce cas, nous obtenons vraiment une surface de compromis et non plus une portion de
courbe comme dans les cas précédents. La figure 4.15 représente la surface de compromis
obtenue associée à l’ensemble des valeurs des fonctions « objectifs ». Une projection « bi-
objectif » est faite pour faciliter l’interprétation des résultats. δes fronts obtenus pour tous les
objectifs sont typiques à des problèmes de minimisation multi-objectifs. La surface de
compromis théorique est bien approchée et la solution optimale de référence retenue ne
s’éloigne pas de celle obtenue par la méthode scalaire. Ainsi, la fiabilité de la méthode utilisée
est prouvée.
Les résultats montrent aussi que plus le consommateur tolère du délestage, plus le système
hybride est sous-dimensionné et donc moins cher en termes de coût du cycle de vie et
d'énergie primaire incarnée. En effet, il y a une variation considérable du coût (jusqu'à 30%)

160
entre le dimensionnement d'un système qui fournit 95% et 99% des besoins électriques du
système.
4
x 10
16
Points Optimaux (Front de Pareto) EE[MJ] vs LPSP[%] (Front Pareto Optimal)
Tous les points
14 CCV[€] vs LPSP[%] (Front Pareto Optimal)
4 Point optimal pour LPSPmax=5%
x 10
[Apv=14,8m² Awt=3,49m² Cn=178.6Ah]
12
6
5 10
4 8
CCV [€]
3 6
2 100
4
1
50 2
0
0 2 4 6 0 0
8 10 12 14 LPSP [%]
16 0 10 20 30 40 50 60 70 80 90
4 LPSP [%]
x 10 EE [MJ]
a) Représentation 3D b) Projection 2D
Figure 4.15 : Représentation de la surface de compromis Front de Pareto dans le cas

d’une optimisation tri-objective μ CCV [€] vs EE [εJ] & LPSP [%]
Suite à tous ces résultats, nous avons remarqué que la solution obtenue par optimisation
multi-objective en appliquant la méthode scalaire [ [ ] , [ ]
et ] garantit le coût économique et énergétique le plus bas pour une
probabilité d’insatisfaction de la demande limitée à 5%. Pour cette raison, nous avons décidé
de la retenir et de la mettre en œuvre en pratique par rapport aux différents composants
présenté dans le chapitre 3. Ainsi, nous considérons la configuration suivante pour les
systèmes complets:
- 9 panneaux Sharp ND-240QCJ (ce type présente le meilleur rapport qualité/prix

chez les fabricants : CCV [€]= 506,75), soit une surface installée de 9*1,63 = 14,67
m²,
- une éolienne de type Aeromax Engineering (Lacota S, SC) (900 W à 13 m/s) de
3,43 m² de surface (surface balayée industrielle la plus proche avec un bon rapport
qualité/prix : CCV [€] =5926,10 €).
- 4 batteries en série de type Numax Gel SLG180-12 ,12V/ 180Ah VRLA à cyclage
profond (Capacité industrielle la plus proche avec un coût bas par unité :

161
CCV [€] = 174λ,823€). C’est moins cher (économiquement et énergétiquement) et

moins encombrant d’installer 4 batteries de 180 Ah que 8 batteries de λ0Ah.
4.5- Evaluation de la solution retenue
4.5.1- Evaluation des performances
δ’un des objectifs de la procédure d’optimisation est d’obtenir un dimensionnement qui

assure les besoins en électricité de l’habitat résidentiel à λ5% au moins et avec un excès de
production réduit, garantissant un système bien dimensionné. A travers ce paragraphe, nous
avons cherché à évaluer les performances obtenues selon le critère de fiabilité. En installant
les composants choisis, les résultats de l’année 2010 sont décrits dans la figure 4.16. En effet,
86,15 % de l’énergie produite est assurée par le générateur photovoltaïque et 13 ,85 % par
l’éolienne. δe manque de production est de 4,028 % (inférieur à 5% de la valeur exigé). Il
peut être surmonté grâce au délestage. Cependant, il y a un excès de production qui est surtout
lié à une surproduction en été par rapport aux besoins énergétiques en cette saison. Cet excès
pourrait être utilisé à bon escient, pour la cuisson ou le chauffage de l'eau et permet ainsi
d’éviter la dégradation du point de fonctionnement des générateurs éolien et photovoltaïque.
Figure 4.16μ Bilan énergétique de l’année 2010 avec la configuration retenue
Le tableau 4.3 récapitule les données de fiabilité pour toutes les années considérées dans
cette thèse. Pour toutes les années, le manque de la production ne dépasse pas la limite
autorisée de 5%. Ce qui confirme la validité de la méthode de dimensionnement proposée.
δ’année 2006 présente le taux d’insatisfaction le plus faible bien qu’elle n’a pas les
productions renouvelables les plus élevées. Ce qui confirme que le plus important est la

162
répartition des sources et du profil de consommation au cours du temps et non pas l’énergie
renouvelable totale cumulée pour l’année.
Année Production Production Consommat Charge Excès de LPSP SOH des

PV (kWh) éolienne ion de totale production (%) batteries après
(KWh) l’habitat non une année
satisfaite (KWh) d’utilisation (%)
(KWh) (kWh)
2002 3646 694.6 2201 56.4 1689 2.562 94.32
2003 3459 705 2201 83.92 1546 3.812 94.34
2004 3477 655.3 2198 71.04 1498 3.231 94.16
2005 3509 685.2 2196 75.44 1569 3.435 94.3
2006 3622 825.4 2198 48.3 1794 2.198 94.5
2007 3484 676.7 2198 64.74 1517 2.946 94.16
2008 3560 856.3 2205 57.83 1760 2.623 94.44
2009 3437 692.9 2198 82.79 1511 3.766 94.21
2010 3478 559,3 2193 88.33 1425 4.028 94,06
Tableau 4.3 : Résultats de fiabilité de la solution retenue en fonction des années

A propos de l’état de charge des batteries, il est important de signaler que durant toute
l’année celui-ci est toujours compris entre 30 % et 100% comme le montre la figure 4.17 ; ce
qui respecte l’objectif que nous nous étions fixé au niveau de la gestion de la batterie.
Pour les mois de mars à août, il y a une sorte de périodicité dans le cyclage des batteries.
Pour cette période, l'énergie éolienne est très faible. Pendant la journée, les générateurs
photovoltaïques rechargent l’accumulateur. Ensuite, pendant la nuit, l'énergie stockée est
utilisée pour assurer les besoins énergétiques de l’habitat.

163
100 100
80 80
SOC [%]
SOC [%]
60 60
40
40
20
20
0
0 0 500 1000 1500 2000
0 500 1000 1500 2000 Temps[h]
Temps[h]
c) Juillet, Aout, Septembre
a) Janvier, Février, εars
100 100
80 80
SOC [%]
SOC [%]
60 60
40 40
20 20
0 0
0 500 1000 1500 2000 0 500 1000 1500 2000
Temps[h] Temps[h]
b) Avril, εai, Juin d) τctobre, σovembre, Décembre
Figure 4.17μ Evolution de l’état de charge des batteries en fonction des saisons au cours de
l’année 2010
Il est aussi important de signaler que les batteries installées devraient être en mesure de
supporter les pics de puissance occasionnés par les vitesses de vent élevées (voir figure 4.18).

164
2000
1500
1000
500
Pbat[W]
-500
-1000
-1500
0 1000 2000 3000 4000 5000 6000 7000 8000
Temps[h]
Figure 4.18μ Evolution de la puissance des batteries en fonction du temps (2010)
4.5.2- Evaluation économique et écologique
Dans cette partie nous établissons une évaluation économique et écologique du système
tout au long de sa vie.
4.5.2.1- Evaluation économique
δe tableau 4.4 montre le calcul du coût de cycle de vie CCV pour notre système hybride.
Selon cette évaluation économique, il est clair que notre configuration optimale a un CCV
acceptable. Si on suppose que l’année 2010 est reproduite pour les 25 ans, le coût du KWh
produit par le système hybride avec des sources renouvelables revient àμ
� � �� (4.32)
Ce prix est raisonnable pour une maison autonome mais reste élevé par comparaison aux
tarifs proposés par les fournisseurs d’énergie avec un prix du KWh d’énergie conventionnelle
avec raccordement au réseau de 0,12€/KWh environ (puissance souscrite de 6KVA qui
constitue une offre de base).

165
Elément Coût (€) Valeur actuelle (€) % Total CCV

Coûts initiaux
Sous système photovoltaïque
Panneaux 2586,7 2586,7 11,18
PV contrôleur mppt 420 420 1,81
BOS 517,35 517,35 2,24
Installation 1034,7 1034,7 4,47
Sous système éolien
Eolienne 1143,2 1143,2 4 ,94
Tour d’éolienne (10m) 934 934 4,04
BOS éolienne 377,69 377,69 1,63
Convertisseur statique côté éolienne 500 500 2,16
Installation 944,2 944,2 4,08
Stockage
Batteries 1414 1414 6,11
Conversion DC/AC
Onduleur 1700 1700 7,34
Coûts récurrents
Maintenance 146,1 2560,82 11,06
Remplacement
Batteries 4,2 ans 1414 1304,36 5,64
Batteries 8,4 ans 1414 1203,14 5,20
Batteries 12,6 ans 1414 1109,8 4,79
Batteries 16,8 ans 1414 1023,67 4,42
Batteries 21 ans 1414 944,239 4,08
Convertisseur statique côté éolienne après 10 ans 500 374,18 1,62
Convertisseur statique côté éolienne après 20 ans 500 280 1,21
PV contrôleur mppt après 10 ans 420 314,3 1,36
PV contrôleur mppt après 20 ans 420 235,2 1,02
Onduleur après 10 ans 1700 1272,2 5,5
Onduleur après 20 ans 1700 952 4,11
Total (€) 23145,75 100
Tableau 4.4 μ Evaluation Economique du système hybride
4.5.2.2- Evaluation écologique
δ’analyse est basée sur l’étude de l’impact environnemental du système en termes

d’énergie primaire nécessaire à la production de ses différents composants (« embodied
energy » exprimée en εJ ou KWh) et au cours de sa vie.
σous adoptons pour cette partie l’hypothèse suivante μ
- δes produits pèsent ensembles une tonne et proviennent de la région Poitou-

Charentes qui souhaite développer la filière des énergies renouvelables, soit une
distance parcourue maximale de 500 Km avec un facteur de μ 1,36εJ/tonne. Km.
δe tableau 4.5 montre l’écobilan du système hybride. Ce bilan prend en compte les
énergies nécessaires à la production des différents composants ainsi que les énergies
consommées durant la durée de vie du système (25 ans) dissipées en transport et en travaux de
maintenance. δes calculs sont basés sur les énergies intrinsèques à chaque matériel ainsi que
l’énergie nécessaire au processus de fabrication.

166
Elément Energie % Total

requise Energie
(MJ) requise
Panneaux PV 24300 25,77
Eolienne & Tour avec fondations 4258 4,51
Batteries (4*180Ah) (initial) 7920 8,40
Batteries (4*180Ah) (après 4,2 ans) 7592,6 8,05
Batteries (4*180Ah) (après 12,6 ans) 6978 7,40
Batteries (4*180Ah) (après 21 ans) 6413 6,80
Convertisseur statique côté éolienne (1Kwel) (initial) 1000 1,06
Convertisseur statique côté éolienne (1Kwel) (après 10ans) 904,4 0,96
Convertisseur statique côté éolienne (1Kwel) (après 20ans) 817,9 0,87
PV contrôleur mppt (3Kwel) (initial) 3000 3,18
PV contrôleur mppt (3Kwel) (après 10ans) 2713,2 2,88
PV contrôleur mppt (3Kwel) (après 20 ans) 2451,9 2,60
Onduleur (2Kwel) (initial) 2000 2,12
Onduleur (2Kwel) (après 10 ans) 1808,8 1,92
Onduleur (2 Kwel) (après 20 ans) 1635,8 1,73
BOS 5258,5 5,58
Transport 680 0,72
Installation1 10 0,01
Maintenance1 100 0,11
Démontage1 500 0,53
Bilan total 94310,4 100
Tableau 4.5 μ Ecobilan du système hybride Eolien photovoltaïque avec stockage
Selon cet écobilan, le temps de récupération de l’énergie qui a été investie pour la mise en fonction
du système hybride est estimé par :
(4.33)
De même l’intensité énergétique de chaque KWh produit par les sources renouvelables peut être
calculée de la manière suivante :
(4.34)
Ces résultats prouvent l’efficacité énergétique du système hybride avec un temps de

récupération très inférieur à sa durée de vie et avec une intensité énergétique très inférieure à
1.
1
Approximation.

167
4.5.3- Evaluation avec le logiciel HOMER
Cette partie vise à évaluer la solution retenue avec le logiciel de dimensionnement

HOMER introduit au début de ce chapitre dans 4.2.2.1 et à comparer ses résultats avec ceux
de notre outil de simulation développé sous Matlab/Simulink.
a) Evaluation de la solution obtenue
Tout d’abord, il est important de signaler que :
1- HOMER utilise l'équation suivante pour calculer la puissance photovoltaïque :
] (4.35)
étant la puissance totale produite par le générateur photovoltaïque, sa puissance de

référence, ηpc le facteur de dégradation, Ir le rayonnement solaire incident, Is le rayonnement
standard de 1KW/m² , le coefficient de l’influence de la température des cellules
photovoltaïques sur le rendement du générateur, Tc la température des cellules en °C et
la température des cellules aux conditions standards de test (25°C).
2- HOMER utilise une interpolation linéaire pour calculer la puissance fournie par l'éolienne
en fonction de la vitesse du vent à partir d’un tableau de valeurs entré par l’utilisateur.
3- HOMER suppose un état de charge des batteries entre et

.
4- HOMER considère que les rendements de la charge et de la décharge des batteries ηcha et
ηdis sont égaux à la racine carré de 0,8 soit ηcha = ηdis=0,894.
5- HOMER ne prend pas en compte les pertes dans les câbles.
6- HOMER ne dispose pas dans sa bibliothèque de batteries de 90 ou 180 Ah. Pour approcher
au maximum la configuration optimale retenue, nous considérerons des batteries de type
Vision VRLA 6FM200D de 200 Ah avec un prix d’acquisition de l’unité de 83λ$. Ainsi, la
configuration évaluée est la suivante : 9 panneaux Sharp ND-240QCJ soit une puissance
installée de 2,16 KW, une éolienne Aeromax Engineering (Lacota S, SC) avec une surface
balayée de 3,43 m² et une puissance nominale de 900 W à 13 m/s, 4 batteries Vision VRLA
6FM200D de 200 Ah 12 V et un onduleur de 2 KW et de rendement constant de 0,95. Sa
modélisation sous HOMER est décrite par la figure 4.19.

168
7- HτεER prend en compte les différents coûts d’acquisition, de maintenance et de

remplacement.
8- HOMER intègre le coût de l’onduleur et suppose son remplacement tous les 10 ans.
Figure 4.19: Modélisation du système hybride considéré sous HOMER
δes résultats de l’évaluation sont donnés à la figure 4.20. Ils sont concluants. Le taux
d’insatisfaction de la demande est de 3,9 % donc éloigné des 5 % exigés (résultats valables
pour une capacité de stockage de 180 Ah). Ces résultats confirment la fiabilité de la méthode
d’optimisation proposée. A noter que plus d’analyses résultant de cette évaluation sont
présentées dans l’annexe II.

169
Figure 4.20: Récapitulatif des résultats d’évaluation avec le logiciel HτεER
b) Comparaison des résultats :
Pour que la comparaison soit logique et interprétable, nous utilisons pour les deux, des
batteries de 200 Ah avec une profondeur de décharge de 60 % (
et ).
Le tableau 4.6 établit une comparaison entre les résultats obtenus par HOMER et par notre
simulateur développé sous Simulink.
Paramètre Résultats par Résultats par Pourcentage de

HOMER Simulink différence
Consommation électrique (KWh) 2108 2193 3,875 %

Production photovoltaïque (KWh) 3695 3478 5,873 %
Production éolienne (KWh) 542 559,3 3,192 %
Excès de production (kWh) 1762 1433 18,67 %
Charge insatisfaite (kWh) 85,2 84,92 3,3 %
Taux d’insatisfaction de la demande (%) 3,9 3,872 0 ,007%
Coût sur cycle de vie (€) 27506 26220 0,047 %
Durée de vie des batteries (an) 3,19 3,76 15,159 %
Tableau 4.6 : Comparaison des résultats obtenus par HOMER et par Simulink

170
On remarque quelques différences raisonnables dans les résultats qui s’expliquent de la

façon suivante :
Concernant la production photovoltaïque, dans HOMER, elle est calculée par l’équation
(4.37) alors que celle obtenue à partir du modèle Simulink est en partie basée sur le rendement
du générateur photovoltaïque (Eq. 3.2). Accroître ce rendement se traduit par une
augmentation de la puissance produite par le générateur photovoltaïque et par conséquent une
élévation de l’excès de production.
Pour le calcul de la puissance éolienne, HOMER utilise les données de la courbe de

puissance en fonction de la vitesse du vent à travers un tableau de valeurs (Look-up table).
Alors que dans notre modèle Simulink, pour la phase d’évaluation, on utilise une fonction
polynomiale obtenue par un « fitting » comme le montre la figure 4.21.
Figure 4.21: Présentation de la fonction polynomiale de la puissance de l’éolienne
Aeromax Engineering (Lacota S, SC)
Concernant les autres paramètres énergétiques (la consommation électrique, l’excès de

production et le taux d’insatisfaction de la charge), les différences constatées sont
principalement dues à la différence dans la modélisation des pertes dans les câbles et des
rendements de charge et de décharge des batteries, aux différentes approximations faites par
chacun des simulateurs et à la méthode d’intégration numérique de la puissance.
Pour l’estimation des coûts économiques sur cycle de vie, la différence est surtout due aux
données des coûts moyens des composants.

171
Enfin, pour l’estimation de la durée de vie des batteries, la différence est principalement
due à la méthode de prédiction utilisée. HOMER utilise le modèle à énergies échangées décrit
dans 3.2.3.2.2 alors que nous utilisons le modèle de dégradation des performances (évaluation
du SOH).
En conclusion, les deux outils de simulation et de dimensionnement ont pratiquement les

mêmes ordres de grandeurs mais avec leurs spécificités propres. Ce travail de comparaison
permet de valider la pertinence de notre simulateur et par conséquent la fiabilité de ses
résultats par rapport à d’autres logiciels existants dans le commerce.
4.6- Synthèses et conclusions
Ce chapitre a permis d’optimiser le dimensionnement d’un système multi-sources avec

batteries ainsi que l’évaluation économique et environnementale d’un tel système dédié à un
habitat résidentiel « type » de 4 personnes. δes conclusions que nous pouvons tirer de cette
étude sont les suivantes μ
- le système hybride dimensionné est avantageux pour le développement durable vu son

faible impact environnemental et son coût économique raisonnable. Dans le premier
cas, il faut compter presque 6 ans et demi pour amortir le coût écologique lié à la
fabrication du système complet. Pour le coût économique, il est d’environ
0,422 €/KWh.
- ce sont les batteries qui sont les plus gourmandes en énergies primaires. Il est important
d’améliorer leur processus de fabrication ainsi que leur durée de vie par des techniques
de gestion de l’énergie optimales par exemple,
Le chapitre suivant est dédié à la mise en place d’un banc d’essai pour émuler le
fonctionnement du système hybride et analyser son comportement. Une nouvelle méthode de
supervision avec sa mise en œuvre expérimentale est alors présentée.

172
Bibliographie
[1] B. Borowy et Z. Salameh, «Optimum photovoltaic array size for a hybrid wind / PV system,»
IEEE Transactions on Energy Conversion, vol. 9, n° 13, pp. 482-488, 1994.
[2] R. Chedid et S. Rahman, «Unit sizing and control of hybrid wind-solar power systems,» IEEE
Transactions on Energy Conversion, vol. 12, n° 11, pp. 79-85, 1997.
[3] G. C. Seeling-Hochmuth, «A combined optimisation concept for the design and operation
strategy of hybrid-PV energy systems,» Solar Energy, vol. 61, n° 12, pp. 77-87, 1997.
[4] S. N. Laboratories, Stand-Alone Photovoltaic systems - A Handbook of Recommended Design

Practices, 1e éd., Springfield, USA: Sandia National Laboratories, 1991.
[5] R. A. Messenger et J. Ventre, Photovoltaic Systems Engineering, 2e éd., Florida, USA: CRC
Press, 2004, pp. 209-257.
[6] J. L. Bernal-Agustín et R. Dufo-López, «Simulation and optimization of stand-alone hybrid

renewable energy systems,» Renewable and Sustainable Energy Reviews, vol. 13, n° 18, pp.
2111-2118, 2009.
[7] A. Labouret et M. Villoz, Energie solaire photovoltaïque, 2e éd., Dunod, 2005.
[8] T. Markvart, Solar Electricity, 2e éd., New York: John Wiley & Sons, Ltd., 2000.
[9] E. Orhan et Ö. Baris, Hybrid Combination of Photovoltaic and Wind Energy Conversion System,
1e éd., Saarbrüken, Germany: LAP LAMBERT Academic Publishing, 2010.
[10] A. Bin, Y. Hongxing et S. X. ,. L. Hui, «Computer aided design for pv/wind hybrid system,»
Renewable Energy, vol. 6, n° 110, pp. 1491-1512, 2003.
[11] J.-h. Shi, Z.-d. Zhong, X.-J. Zhu et G.-y. CAO, «Robust design and optimization for autonomous
PV-wind hybrid power systems,» Journal of Zhejiang University SCIENCE A, vol. 9, n° 13, pp.
401-409, 2008.
[12] O. Gergaud, «Modélisation énergétique et optimisation économique d'un système de

production éolien et photovoltaïque couplé au réseau et associé à un accumulateur,» Thèse de
Doctorat, SATIE UMR CNRS 8029, Cachan, France, 2002.
énergétique sur cycle de vie des systèmes photovoltaïques autonomes et hybrides , Évaluation
du potentiel de la technologie Li-ion,» Thèse de Doctorat, SATIE UMR CNRS 8029, Cachan,
France, 2010.

173
[14] B. Borowy et Z. Salameh, «Methodology for optimally sizing the combination of a battery bank
and pv array in wind/pv hybrid system,» IEEE Transactions on Energy Conversion, vol. 12, n° 11,
pp. 367-375, 1996.
[15] H. Yang, Z. Wei et L. Chengzhi, «Optimal design and techno-economic analysis of a hybrid
solar–wind power generation system,» Applied Energy, vol. 86, n° 12, pp. 163-169, 2009.
[16] «Multi-objective design of PV-wind-diesel-hydrogen-battery systems,» Rodolfo, Dufo-López ;

José L. , Bernal-Agustín, vol. 33, n°112, pp. 2559-2572, 2008.
[17] I. Vechiu, «Modélisation et analyse de l'intégration des énergies renouvelables dans un réseau
autonome,» Thèse de Doctorat,Université du Havre, 2010.
[18] L. H. Hansen et P. Lundsager, «Review of Relevant Studies of Isolated Systems,» Risø National
Laboratory, Roskilde, 2000.
[19] D. Turcotte, M. Ross et F. Sheriff, «Photovoltaic Hybrid System Sizing and Simulation Tools :
Status and Needs,» chez PV Horizon : Workshop on Photovoltaic Hybrid Systems, Montreal,
Canada, 2001.
[20] E. Mathey, «Opti isatio u i ue du ef oidisse e t des oules d’i je tio de

thermoplastiques basée sur la simulation des transferts thermiques par la méthode des
éléments frontières,» Thèse de Doctorat, Université Toulouse III- Paul Sabatier, Toulouse,
2004.
[21] J.-M. Renders, Algorithmes génétiques et réseaux de neurones: Applications à la commande de

processus, Hermes Sciences, 1995.
[22] «fmincon,» MathWorks, 2012. [En ligne]. Available:

http://www.mathworks.fr/help/toolbox/optim/ug/fmincon.html. [Accès le 09 Janvier 2012].
[23] M. Minoux, Programmation mathématique, Théorie et algorithmes, 2e éd., Tec & Doc
Lavoisier, 2007.
[24] R. Fletcher, Practical Methods of Optimization, 2e éd., Wiley, 2000.
[25] P. T. Boggs et J. W. Tolle, «Sequential Quadratic Programming,» Acta Numerica, vol. 4, pp. 1-
51, 1995.
[26] V. Barichard, «Approches hybrides pour les problèmes multi-objectifs,» Université d'Angers,
2003.
[27] S. Mahdi, «Optimisation multi-objectif par un nouveau schéma de coopération

Méta/Exacte,»Mémoire de MAGISTER, Université Mentouri de Constantine, Algérie.

174
[28] H. Meu ie , «Algo ith es volutio ai es pa all les pou l’opti isatio ulti-objectif de
réseaux de télécommunications mobiles,» Thèse de Doctorat, UNIVERSITÉ DES SCIENCES ET
TECHNOLOGIES DE LILLE, Lille, France, 2002.
[29] Y. Colette et P. Siarry, Optimisation multi-objectif, 1e éd., Paris: Eyrolles, 2002.
[30] C. A. Coello, «An updated survey of GA-based multiobjective optimization techniques,» ACM
Computing Surveys (CSUR), vol. 32, n° 12, pp. 109-143, 2000.
[31] K. Deb, A. Pratap, S. Agarwal et T. Meyarivan, «A fast and elitist multiobjective genetic
algorithm: NSGA-II,» IEEE Transactions on Evolutionary Computation, vol. 6, n° 12, pp. 182-197,
2002.
[32] A. Maoucha, «Etude et Identification paramétrique d'une cellule photovoltaïque organique,»

Mémoire de MAGISTER, Université de Batna, Faculté de la technologie, Batna, Algérie, 2011.
[33] N. Jozefowiez, «Modélisation et résolution approchée de problèmes de tournées multi-

objectif,» Thèse de Doctorat, Université des Sciences et Technologies de Lille, Lille, France,
2004.

175
εise en œuvre expérimentale
Chapitre 5 : εise en œuvre expérimentale d’un système hybride éolien-

photovoltaïque avec batteries
5.1- Introduction
Cette thèse est une contribution à l’étude des systèmes hybrides éolien-photovoltaïque
avec batteries pour plusieurs aspect : évaluation des sources, modélisation, simulation,
optimisation du dimensionnement et enfin commande et supervision. Dans le premier
chapitre, les différentes typologies de systèmes électriques autonomes multi-sources pour
l’habitat résidentiel et les différents dispositifs possibles de stockage de l’énergie électrique
ont été passées en revue. δ’accent a été mis plus particulièrement aux systèmes hybrides
éoliens-photovoltaïques avec batteries car les ressources en vent et en soleil sont souvent
complémentaires. Le chapitre 2 a été dédié à l’étude d’impact sur l’évaluation du potentiel en
énergies renouvelables sur un site donné en prenant en compte la consommation dans un
habitat résidentiel (période et méthode d’acquisition des données, techniques d’évaluation,
…), une analyse qui vise à préciser les différentes pistes pour la simulation d’un système
hybride. Puis, le chapitre 3 a été consacré à des travaux de modélisation et de simulation.
Ensuite, le chapitre 4 a traité de l’optimisation du dimensionnement des systèmes multi-
sources. Enfin, ce chapitre s’intéresse à l’aspect pratique du fonctionnement du système et à
la problématique de commande et de supervision. Un banc d’essai, qui vise à reproduire le
comportement d’un système hybride, est mis en œuvre avec une nouvelle technique de
supervision. δe banc est composé principalement d’une chaîne de conversion à partir de
panneaux photovoltaïques, d’une deuxième chaîne à partir d’une éolienne et d’un dispositif de
stockage par batteries ; une description plus complète est fournie par la suite. Dans la
première partie de chapitre, nous exposons le développement et l’implantation d’un
simulateur solaire photovoltaïque. Puis, dans une seconde partie, nous décrivons le simulateur
éolien. A la fin de ce chapitre, les deux simulateurs sont connectés ensemble en vue de la mise
en œuvre expérimentale du système hybride éolien photovoltaïque avec batteries. δes tests
sont alors menés pour évaluer les performances de ce système.

177
5.2-Développement et implantation d’un simulateur solaire photovoltaïque

5.2.1- Modélisation du générateur photovoltaïque
5.2.1.1- Description du modèle
Dans la littérature, une cellule photovoltaïque est souvent présentée comme un générateur
de courant électrique dont le comportement est équivalent à une source de courant shuntée par
une diode. Pour tenir compte des phénomènes physiques au niveau de la cellule dans un
panneau, le modèle est complété par deux résistances série et parallèle Rs et Rp comme le
montre le schéma équivalent de la figure (5.1) [1].
Figure 5.1 : εodèle idéal à une diode d’une cellule photovoltaïque et modèle équivalent
réaliste d’un panneau avec résistances série et parallèle
Le courant Ipv généré par le panneau est lié aux résistances Rs et Rp, à la tension et aux
courants et par la relation suivante :
[ ] (5.1)
Avec :
: courant photovoltaïque dû à l’irradiation. Si le panneau est composé de Np cellules
connectées en parallèle alors où est le courant de
saturation pour une seule cellule,
: courant de saturation du panneau. où étant le courant pour une
seule cellule et le nombre de cellules en parallèle,
: le potentiel thermique du panneau. , étant le nombre de cellules en série,
K : la constante de Boltzmann [ ], q : la charge d’un électron

[ ] et T la température de la jonction p-n exprimée en Kelvin [K]. A
noter qu’ici, T est supposée égal à la température ambiante Ta +273,15 K. Ta est en °C.

178
a : constante d’idéalité de la diode, supposée égale à 1 dans notre cas.

Vpv : tension aux bornes du panneau.
Le courant photovoltaïque dépend linéairement de l'irradiance (elle sera notée G) et est
également influencé par la température T conformément à l'équation suivante :
( ) (5.2)
est le courant photovoltaïque généré aux conditions nominales ( = 298,15 K et

1000 W/m²), et le coefficient de variation du courant en fonction de la
température.
(5.3)
est le courant nominal de court-circuit dans les conditions nominales de température et

d’irradiation (sous et ).
Le courant de saturation dépend aussi de la température selon l’expression suivante :
�
[ ] (5.4)
Avec : Eg est l’énergie de bande du semi-conducteur (« bandgap energy of the

semiconductor », pour les panneaux polycristallins silicium [1] [2]),
est le courant de saturation nominal donné par :
(5.5)
( )
Où : correspond à la tension nominale à vide et au coefficient de variation de la

tension en fonction de la température.
5.2.1.2- Identification des paramètres d’un panneau
Pour être en adéquation avec le chapitre 4 (paragraphe 4.5), nous utilisons des panneaux du
type « Sharp ND-240QCJ Poly (240Wc) ». Les caractéristiques électriques de ce type de
panneau, d’après la fiche technique, sont :

179
Caractéristiques électriques du SW240 Poly
Pmax 240 Wc
Isc 8,75 A
Voc 37,5 V
Imp 8,19 A
Vmp 29,3 V
KI 53 x 10-5 A/K
KV -36 x 10-3 V/K
Tableau 5.1μ Caractéristiques électriques d’un panneau de type
Solar Sharp ND-240QCJ Poly (240Wc)
On remarque que seuls les paramètres (Rs, Rp) sont manquants. En examinant l’expression
(5.6) de la puissance maximale , on voit que ces deux paramètres sont facilement
identifiables.
{ [ ] } (5.6)
(5.7)
{ [ ] }
Imp et Vmp sont respectivement le courant et la tension du panneau au point de maximum de

puissance. est la puissance maximale du modèle obtenu par la procédure
d’identification et la puissance maximale expérimentale indiquée par le fabricant du
panneau dans les conditions nominales.
Avec un algorithme itératif, il est donc possible de trouver les deux paramètres Rs et Rp. A cet
effet, nous pouvons utiliser la procédure décrite par M.G. Villalva et al. [1] et représentée par
l’organigramme de la figure 5.2.

180
Données: T, G,
Calculer Io, eq. (5.4)

Rs = 0
Rp = Rp,min , eq. (5.7)
FIN εPmax > Seuil

NON OUI
Augmenter Rs
Déterminer Ipv,n , eq. (5.3)

Ipv et Isc , eq. (5.2)
Rp , eq. (5.6)
Résoudre eq. (5.1) pour 0 ≤V≤ Voc,n
Calculer P pour 0 ≤ V ≤ Voc,n

Trouver Pmax
Pmax = || Pmax – Pmax,e ||
Figure 5.2 : Procédure d’identification des paramètres Rs et Rp d’un panneau photovoltaïque
La procédure consiste à chercher Rs (et donc Rp) de manière à avoir la puissance maximale
indiquée par le constructeur P max,e égale à la puissance maximale donnée par le modèle P max,m.
Il suffit simplement d’augmenter de manière itérative la valeur de Rs partant de zéro tout en
comparant les valeurs des deux puissances jusqu’à atteindre la valeur maximale donnée par le
constructeur.
Pour commencer, l’algorithme itératif a besoin de valeurs initiales de Rs et Rp. On peut
considérer = 0 et estimer par [1]:
(5.8)
En appliquant la procédure, nous obtenons les valeurs suivantes pour Rs et Rp.
En utilisant ces paramètres on peut représenter les courbes caractéristiques (figure 5.3) du
panneau « Sharp ND-240QCJ Poly (240Wc) » et présenter l’évolution de sa puissance

181
maximale en fonction de la température ambiante (Ta en °C) et de l’irradiance (G en W/m²)

(figure 5.4).
250 9
8
200
7
6
150
Ppv [W]
Ipv [A]
5
100 4
50 2
1
0
0 5 10 15 20 25 30 35 40 0
Vpv [V] 0 5 10 15 20 25 30 35 40
Vpv [V]
a) Evolution de la puissance du panneau en fonction

b) Evolution du courant généré par le panneau en
de la tension à ses bornes
fonction de la tension à ses bornes
Figure 5.3 : Courbes caractéristiques du panneau « Sharp ND-240QCJ Poly (240Wc) »

(G=1000W/m², Ta=25°C)
300
250
Puissance Maximale (W)
200
150
100
50
0
1000 40
800 20
600
400 0
200
0 -20
G [W/m²] Ta [°C]
Figure 5.4: Evolution de la puissance maximale du panneau «Sharp ND-240QCJ Poly

(240Wc) » en fonction de de la température ambiante (Ta) et de l’irradiance (G)

182
Il est intéressant de noter que suite au calcul des différentes valeurs de la puissance
maximale en fonction de la température ambiante Ta [°C] et de l’irradiance G, il est
possible avec un « fitting » (voir Annexe III) sous εatlab d’avoir un modèle polynomial du
panneau sous la forme suivante :
(5.9)
Ce modèle nous servira pour l’estimation de l’excès de production.
5.2.2- Description de l’algorithme de maximisation de puissance
Il existe dans la littérature différents types d’algorithmes de maximisation de puissance

appliqués aux systèmes photovoltaïques [3], [4], [5] . Dans notre cas, l’algorithme retenu pour
la mise en œuvre est un P&τ amélioré avec un pas adaptatif. Il a été développé lors d’une
thèse précédente à EIGSI [5]. Le principe fondamental de celui-ci est la variation du pas
d’incrémentation de manière à converger plus rapidement vers le point optimal (MPP) tout en
réduisant les oscillations autour de ce point. En effet, afin de converger rapidement vers le
εPP, nous réduisons, le pas d’incrémentation C d’une région à une autre : C = 0.01 pour la
région « S » et 0.001 pour la région « r » (Figure 5.5).
δ’algorithme εPPT est représenté à la figure 5.6.
Figure 5.5 : Principe de recherche avec pas variable dans un algorithme P&O [5]

183
Sense Vpv(k) & Ipv(k)
OUI NON
C = 0.01 |dPpv| > r C =0.001
N
P(k) – P(k-1)
OUI =0
NON
NON OUI
P(k) – P(k-1) > 0
V(k) – V(k-1) > 0 V(k) – V(k-1) > 0
OUI NO OUI
NO
N
N
Iref = Iref + C Iref = Iref - C Iref = Iref + C Iref = Iref - C
RETOURNER
Figure 5.6: Algorithme MPPT P&O amélioré

184
5.2.3- Développement de la chaîne de conversion photovoltaïque

La chaîne de conversion photovoltaïque développée est constituée de quatre éléments
principaux :
 le générateur photovoltaïque composé de deux panneaux « Sharp ND-240QCJ Poly
(240Wc) »,
 le dispositif de stockage d’énergie (batterie ou accumulateur),
 le système de contrôle (régulateur) μ ici, il s’agit d’un hacheur dévolteur commandé en
courant par un bloc MPPT et via un correcteur PI,
 la charge (supposée continue dans le cadre de ce travail).
δ’ensemble est simulé sous εatlab/Simulink/Simpower comme le montre la figure 5.7. Les
paramètres utilisés sont résumés dans le tableau 5.2.
Paramètre Valeur
L 3 mH
C 1,1 mF
Rabt 0,001
Vbat 48V
Charge 4,8
Pas de simulation 10-6 s
Fréquence PWM 20Khz
Tableau 5.2: Paramètres utilisés pour la simulation sous Matlab/Simulink/Simpower
Figure 5.7: Schéma de la chaîne de conversion photovoltaïque développé sous


185
δe bloc de commande εPPT est composé de l’algorithme εPPT et du correcteur PI pour

la boucle de courant comme indiqué dans la figure 5.8.
Figure 5.8: Schéma du bloc de commande MPPT développé sous Matlab/Simulink
Les paramètres du correcteur PI pour la boucle de courant sont calculés de la manière

suivante :
 Procédure de détermination des paramètres du correcteur PI
Pour le calcul du correcteur de la régulation du courant d’entrée du hacheur, nous

utilisons le modèle moyen du hacheur suivant [6] :
Figure 5.9: Modèle moyen du hacheur en interface entre les panneaux solaires et la batterie
D’après ce modèle, on a deux variables d’état : la tension et le courant avec les

expressions suivantes dans le formalisme de Laplace (s) :
( )
{ } (5.10)
On désire asservir le courant en agissant sur le rapport cyclique . On remarque

d’après les deux équations ci-dessus que la fonction de transfert entre est non linéaire.

186
Ainsi, on propose d’exprimer une fonction de transfert linéarisée autour d’un point de
fonctionnement moyen, en considérant
{ } (5.11)
Ainsi, on définit les variables de la façon suivante :
̃ ̃
{ } (5.12)
̃ ̃
D’après (5.10) et (5.11), on obtient :
̃ ̃ ̃ ̃ ̃ ̃
{ } (5.13)
̃ ̃ ̃ ̃ ̃
En considérant ̃ ̃ et ̃ ̃ négligeables devant les autres termes, on obtient le système
suivant :
̃ ̃ ̃ ̃
{ } (5.14)
̃ ̃ ̃
Dû à la présence des panneaux solaires (PV) à l’entrée du hacheur, il y a un lien entre ̃ et

̃ que l’on doit exprimer. δe point de fonctionnement optimum des PV se situe normalement
sur l’hyperbole d’équipuissance du PV, c'est-à-dire .

τn obtient d’après les équations (5.12) :
̃ ̃ ̃ ̃ (5.15)
En négligeant ̃ ̃ devant les autres termes, on a :
̃
̃
(5.16)
En remplaçant ̃ par ̃ dans (5.13), en éliminant et en remplaçant par
(5.11), on peut exprimer la fonction de transfert entre ̃ et ̃. On obtient, avec

:
̃
̃
(5.17)
̃
D’où ̃
(5.18)

187
Avec : ; ; et √
√
Donc la fonction de transfert entre ̃ et ̃ est un système avec un zéro inversement

proportionnel à (irradiation), deux pôles complexes conjugués presque fixe car
dépend peu de l’irradiation, un amortissement proportionnel à et un gain aussi
proportionnel à .
Avec l’application numérique du banc d’essai : L = 3 mH, C = 1100 F, Vbat = 48 V, Vpvo =
60 V donc , on obtient : ; ; ;
.
Avec variant de 0 à 8A, on a toujours , un gain variant de 0 à +20 environ et
un coefficient d’amortissement toujours petit. Ainsi le plus contraignant est pour un faible
courant (faible irradiation).
Exemple : (pour crête de 8A), on obtient une fonction de transfert avec des
pôles à 440rd/s et un coefficient d’amortissement de , ce qui donne
un gain à la résonance de .
√
Donc, pour éviter la résonance en boucle fermée, il faut réduire la bande passante. On choisit
une bande passante de 1 rad/s. A cette fréquence, la fonction de transfert peut être réduite au
gain : d’où avec un correcteur devient :
(5.19)
(5.20)
est choisi égal au pôle (compensation pôle/zéro), , et avec une bande passante
de 1 rad/s. Ce qui donne :
(5.21)
d’où .
La figure 5. 10 présente le tracé du diagramme de Bode pour les fonctions de transfert en
boucle ouverte et en boucle fermée ( et ) pour et .

188
Bode Diagram Bode Diagram
100 40
Boucle ouverte (Ipv = 0,2A) Boucle ouverte (Ipv = 8A)
20
50 Boucle fermée (Ipv = 0,2A) Boucle fermée (Ipv = 8A)
Magnitude (dB)
Magnitude (dB)
0
0
-20
-50
-40
-100 -60
-150 -80
0 0
-45
-45
Phase (deg)
Phase (deg)
-90
-90
-135
-135
-180
-225 -180
-1 0 1 2 3 4 5 6 0 1 2 3 4 5
10 10 10 Frequency
10 (rad/sec)
10 10 10 10 10 10 Frequency
10 (rad/sec)
10 10 10
a) Diagramme de bode en boucle ouverte et fermée b) Diagramme de bode en boucle ouverte et fermée
(cas )
(cas )
Figure 5. 10 : le tracé du diagramme de Bode pour les fonctions de transfert en boucle ouverte
et en boucle fermée ( et ) pour et
Les résultats de simulation sont représentés ci-dessous. Ils confirment la stabilité, la précision
et la rapidité de réponse du correcteur synthétisé ainsi que l’algorithme εPPT utilisé.
1200 500
450
1000
400
350
800
Irradiance [W/m²]
Puissance [W]
300
600 250
200
400
150
200 100
50 Puissance maximale
Puissance mésurée
0 0
0 0.5 1 1.5 0 0.5 1 1.5
Temps [s] Temps [s]
a) Profil d’irradiance en fonction du temps utilisé pour b) Suivi de la puissance maximale au cours du temps
la simulation
Figure 5. 11 : Résultats de simulation de la chaîne de conversion photovoltaïque sous

Matlab/Simulink

189
5.2.4- εise en œuvre du simulateur solaire photovoltaïque

5.2.4.1- Emulateur de panneaux photovoltaïques
Les tests du système hybride éolien photovoltaïque avec batteries dépendent fortement des
conditions climatiques sur la période d’essai. Pour cette raison, la mise en place d’un
émulateur de panneaux photovoltaïques nous a paru essentielle pour l'évaluation permanente
de la commande et de la gestion du système. Ainsi, nous avons développé un émulateur, en
temps réel, d’un générateur photovoltaïque basé sur une commande en boucle fermée par un
modèle de référence. Le système proposé se compose d'une alimentation programmable qui
est pilotée en temps réel par une carte dSPACE DS1104 grâce au progiciel
Matlab/SimulinkTM comme le montre la figure 5.12. La partie contrôle utilise le retour de la
tension et du courant (figure 5.13), ainsi à partir du modèle de référence le point de
fonctionnement de la charge connectée suit la caractéristique du panneau photovoltaïque à
l’aide d’un régulateur de type PI [7]. Le bloc nommé modulePV sert à générer le courant Ipv
à partir des équations de la sous-section 5.1. Pour dépasser le problème de l’implémentation
de la boucle algébrique sur la dSPACE, nous avons utilisé la méthode de Newton – Raphson
[8] pour la résolution de l’équation du courant (5.1). Par la suite ce courant de référence Ipvref
donne le signal de référence de l’alimentation programmable par le régulateur PI. Les
paramètres du régulateur PI sont déterminés en utilisant la toolbox « Simulink Design
Optimization » (voir annexe IV).

190
Figure 5.12 : Synoptique de l’émulateur développé [7]
Figure 5.13 μ Implémentation de la régulation de l’émulateur développé

191
δa figure 5.14 montre le bon fonctionnement de l’émulateur et sa capacité à reproduire le

modèle de référence d’un panneau «Sharp ND-240QCJ (240Wc) » pour différentes
températures et différentes irradiations. δ’avantage de l’émulateur développé par rapport à
ceux proposés dans la littérature est sa dynamique rapide et sa capacité à prendre en compte la
variation de la température.
10 300
T = 10°C
9 T = 25°C
250 T = 40°C
8
7
200
6
[W]
[A]
5 150
pv
pv
P
I
4
100
3
2
T = 10°C 50
1 T = 25°C
T = 40°C
0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Vpv [V] Vpv [V]
a) Reproduction de la caractéristique (Vpv, Ipv) b) Reproduction de la caractéristique

pour différentes températures et pour une (Vpv,Ppv) pour différentes températures et
irradiance de 1000W/m² pour une irradiance de 1000W/m²
10 300
G = 1000W/m²
9 G = 750W/m²
250 G = 500W/m²
8
7
200
6
[W]
[A]
5 150
pv
pv
P
I
4
100
3
2
G = 1000W/m² 50
1 G = 750W/m²
G = 500W/m²
0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Vpv [V] Vpv [V]
c) Reproduction de la caractéristique (Vpv, Ipv) d) Reproduction de la caractéristique

pour différentes irradiances et pour une (Vpv,Ppv) pour différentes irradiances et pour
température de 25°C une température de 25°C
Figure 5.14 : Reproduction du modèle de référence d’un panneau « Sharp ND-240QCJ Poly
(240Wc) » pour différentes températures et différentes irradiations avec l’émulateur
développé

192
5.2.4.2- Simulateur solaire photovoltaïque

Le simulateur solaire photovoltaïque mis en place se compose de:
- une alimentation programmable TKD-Lamda utilisée pour l’émulation de 2 panneaux
photovoltaïques d’une puissance de 240Wc chacun et connectés en série pour avoir
une tension supérieure à celle de la batterie (48V pour rappel),
- deux convertisseurs DC/DC Semikron AN-8005 non réversibles à modules IGBT
SKM50GB123D et affectés respectivement à l’émulateur PV et à la charge (simulation
des variations de charge),
- quatre batteries YUASA 12 V 78 Ah connectées en série afin d’obtenir une tension
proche de celle du bus continu,
- une charge résistive de 4kW.
Les figures 5.15 et 5.16 montrent le schéma de câblage ainsi que la mise en œuvre du
simulateur solaire photovoltaïque réalisée. La commande du système est assurée en temps réel
par une carte dSPACE DS1104.
Figure 5.15 : Schéma de câblage du simulateur solaire photovoltaïque développé

193
Figure 5.16 : Photo du simulateur solaire photovoltaïque mise en place en laboratoire
5.3- Développement d’un simulateur éolien

Un tel simulateur a pour but de reproduire, en laboratoire, le comportement de l’éolienne
δacota SC (λ00 W) avec une mise à l’échelle au 1/3 (pour des raisons de sécurité : diminuer
le courant dans les câbles et protéger les convertisseurs) et de manière très proche de la
réalité. Le développement d’un tel outil permet un gain en termes de coût de recherche, un
encombrement minimal, une flexibilité du point de vue des caractéristiques de la voilure et
surtout une maîtrise totale de la vitesse du vent appliquée.
La base de ce simulateur est faite avec deux machines à courant continu (un moteur et une
génératrice) avec leurs variateurs de vitesse. La caractéristique couple-vitesse du moteur est
identique à celle de l’éolienne et est obtenue par une commande bouclée en couple. Le tout est
représenté par le schéma synoptique de la figure 5.17.

194
Modèle de Machine MCC1

l’ olie e commandée en couple
V
Ceol_ref
��
Cem
Ceol
Equations
mécaniques
Cem
2
�
Commande en Cref
vitesse
MPPT
Machine MCC2
commandée en vitesse
Figure 5.17 : Synoptique du simulateur éolien développé

5.3.1- εodélisation de l’éolienne
Elle est nécessaire pour avoir le couple éolien de référence pour le moteur à courant
continu εCC1. Ce couple dépend de la vitesse de rotation de l’éolienne Ωl, de la vitesse du
vent V et la caractéristique intrinsèque à la voilure de l’éolienne . est la vitesse réduite,
qui est un rapport de la vitesse linéaire en bout des pales de la turbine et de la vitesse de vent :
(5.17)
avec : la vitesse de rotation basse mesurée avant le multiplicateur de vitesse et R est le

rayon de l’aérogénérateur.
Selon la caractéristique propre de la voilure Cp(λ), la puissance éolienne est calculée
par :

195
(5.18)
S étant la surface balayée par l’éolienne : . Prenant en compte la mise à l’échelle 1/3,
avec Awt est la surface balayée par le rotor de l’éolienne δacota SC Engineering.
Soit S= 1.1433 m².

la densité de l’air.
Ainsi, en supposant un fonctionnement quasi-statique de l’aérogénérateur,
le couple éolien peut être obtenu de la manière suivante :
(5.19)
Dans notre cas, nous supposons que la caractéristique de la voilure a la forme de la figure
5. 18 et que [9] :
Cp( ) = - 4.54 10-7. 7
+ 1.3027 10-5. 6
- 6.5416 10-5. 5
- 9.7477 10-4. 4
+ 0.0081. 3
-
0.0013. 2+0.0061. (5.20)
�� λ
opt= 7
Cpmax( opt)=0.476
λ
Figure 5.18 : Courbe caractéristique de l’éolienne
Pour la vitesse réduite optimale opt, le coefficient de puissance est maximal
(Cpmax( opt)) et la voilure délivre un maximum de puissance mécanique. Il est donc
souhaitable d’exploiter le système éolien de façon à obtenir son fonctionnement à ce point.

196
5.3.2- Description de la technique de maximisation de puissance
Dans le cas des éoliennes, les techniques d'extraction maximale de puissance [9], [10]
consistent à ajuster le couple électromagnétique de la génératrice pour fixer la vitesse à une
valeur de référence (Ω réf ) calculée pour maximiser la puissance extraite.
Nous avons opté pour la méthode directe pour la mise en œuvre.
La courbe spécifique Cp (λ) possède une forme en cloche très prononcée. Sur le
sommet de cette courbe, on trouve la puissance optimale qu’il est possible d’extraire. Il est
caractérisé par la vitesse réduite optimale λopt et le coefficient de puissance maximal
Cpmax (Figure 5.18). La référence de la vitesse de la turbine doit donc correspondre à
cette valeur optimale. Elle est obtenue à partir de l’équation (5.21) :
(5.21)
m étant le coefficient de multiplication de vitesse. Dans notre cas, il est pris égal à deux.
Il s’agit donc de faire varier la vitesse de rotation de la turbine en fonction des variations
de la vitesse du vent V. Ce qui permet de continuellement travailler avec un rendement
aérodynamique optimal puisque le coefficient de puissance Cp est toujours égal à sa valeur
maximale.
5.3.3- Simulateur du système de conversion éolienne
La chaîne de conversion éolienne est simulée et se compose des éléments suivants:

 le profil du vent,
 le modèle de la turbine éolienne (Lacota SC (750W à 12m/s)),
 les deux machines à courant continu : MCC1 pour la reproduction du couple éolien et
MCC2 pour simuler la génératrice,
 le stockeur d’énergie (batterie ou accumulateur),
 un premier hacheur abaisseur pour la commande de MCC1 et un deuxième pour la
commande MPPT de la génératrice. Les deux sont commandés via des correcteurs PI,
 la charge supposée continue dans le cadre de ce travail.
δ’ensemble est simulé sous Matlab/Simulink/Simpower comme le montre la figure 5.19. Les
paramètres utilisés sont résumés dans le tableau 5.3.

197
Paramètre Valeur
Machine MCC1
Tension nominale Unom[V] 220
Courant nominale Inom [A] 9,8
Tension d’excitation Uex[V] 100
courant d’excitation Iex [A] 0,65
Vitesse nominale Ωnom [tr/min] 1500
Inertie J [Kg m2 ] 0,11
Constante de couple K [Vs/rad ou Nm/A] 1,7
Inductance propre L [mH] 10
Résistance d’un enroulement R [Ω] 4,6
Machine MCC2
Tension nominale Unom[V] 220
Courant nominale Inom [A] 9,8
Tension d’excitation Uex[V] 220
courant d’excitation Iex[A] 1,2
Vitesse nominale Ωnom [tr/min] 1500
Inertie J [Kg m2 ] 0,11
Constante de couple K [Vs/rad ou Nm/A] 1,7
Inductance propre L [mH] 10
Résistance d’un enroulement R [Ω] 4,6
Hacheurs
Inductance Lh[mH] 2
Fréquence de hachage f [KHz] 20
Batterie
Tension de batterie Vbat [V] 48
Résistance de batterie Rbat [Ω] 0,01
Charge
Résistance de charge Rch [Ω] 10
Paramètres de simulation
Pas de simulation Ts[s] 10 e-3
Méthode de simulation Ode23tb(Stiff/TR-BDF2)
Tableau 5.3: Paramètres utilisés pour la simulation sous Matlab/Simulink/Simpower

198
Figure 5.19: Schéma de la chaîne de conversion éolienne développée sous

Les paramètres des correcteurs PI utilisés pour la commande en couple et en vitesse sont
calculés de la manière suivante :
 Procédure de détermination des paramètres du correcteur PI

 Commande en courant (donc en couple) de la machine MCC1
Pour le calcul du correcteur de courant de la MCC1, nous utilisons le même modèle moyen
du hacheur, soit le modèle suivant :

199
Figure 5.20: εodèle moyen du hacheur en interface entre l’alimentation continue et le

moteur à courant continu MCC1
: fem de la MCC1 = ,
: Résistance de la MCC1,
Lm1 : inductance de la MCC1 + 0,01 mH (inductance additionnelle),
αm1 : rapport cyclique du hacheur.
Comme E à l’entrée du hacheur est constante, une seule équation d’état est à utiliser :
(5.22)
ou encore : (5.23)
On obtient le schéma bloc suivant :
Figure 5.21: Schéma bloc de la boucle de régulation du courant de la machine MCC1
Avec : (5.24)
Ainsi la fonction de transfert en boucle ouverte vis-à-vis de la référence est :
(5.25)

200
Pour le réglage du régulateur, on peut choisir la compensation Pôle/Zéro. Ainsi :

(5.26)
Application numérique pour et .
En boucle fermée, la fonction de transfert devient :

(5.27)
�
La bande passante étant : (5.28)
Si on choisit alors .
Vis-à-vis de la perturbation , on a :
- En boucle fermée : (5.29)
Ou encore, (5.30)
Soit : (5.31)
δ’application numérique donne :

(5.32)
Cette fonction de transfert en boucle fermée peut être tracée dans le domaine de Bode de la
manière suivante :
Bode Diagram
-30
-40
Magnitude (dB)
-50
-60
-70
-80
90
Boucle fermée (Kp=0.3 et Ki= 384)
45
Phase (deg)
-45
-90
1 2 3 4 5 6
10 10 Fréquence
10 (rad/sec)
10 10 10
Figure 5.22: le tracé du diagramme de Bode de la fonction de transfert de la

perturbation en boucle fermée

201
Ainsi, on obtient une rejection de de 37 dB pour une pulsation de 384 rd/s (60Hz).
Comme la variation de la vitesse est lente (=quelques Hz), la réjection de est donc
suffisante.
 Réglage de la boucle de courant de la génératrice

δe modèle moyen entre l’entrée α et la sortie ( ) peut se mettre de la forme suivante en
adoptant la modélisation moyenne du hacheur :
Figure 5.23: Modèle moyen du hacheur en interface entre la génératrice MCC2 et la

batterie
; ; K = 1,7 Nm/A ; C=1100 F ; ; et
D’après ce schéma, il y a trois variables d’état avec les expressions suivantes :

( )
{ } (5.33)
Comme le système est non linéaire, on exprime la fonction de transfert entre et autour
d’un point de fonctionnement moyen. , et sont pris à zéro et on a :
{ } (5.34)
On définit en régime transitoire les variables par :

̃
̃
(5.35)
̃
{ ̃ }

202
D’après les équations précédentes, on obtient pour les variations autour d’un point de
fonctionnement moyen le système suivant :
̃ ̃ ̃ ̃ ̃ ̃
{ ̃ (̃ ̃ ̃ ̃) } (5.36)
̃ ̃ ̃
En négligeant les produits ̃ ̃ et ̃ ̃ et en exprimant ̃ et ̃ en fonction de ̃ et ̃, on
obtient :
̃
�
̃ �
(5.37)
� � �
Comme , en fonction du fonctionnement moyen, seul et interviennent

dans la fonction de transfert. Pour des points de fonctionnement différents, la réponse
dynamique sera différente selon la vitesse du vent. On a les valeurs de et de qui sont
liées à la vitesse du vent. Pour une faible vitesse du vent, la vitesse de l’éolienne sera faible
ainsi que la f.e.m et la puissance de la génératrice et ainsi sera proche de 1 et (courant
dans la batterie) sera aussi faible. Inversement pour une vitesse de vent importante, sera
plus faible et plus grand.
En prenant les valeurs numériques : ; ; ;
; ; et .
̃
�
̃
(5.38)
� �
En négligeant car et , on fait l’étude des deux extrémités du
fonctionnement avec :
Pour , on a d’après le simulateur et ;
et pour , on a avec le simulateur et .
Ainsi, on obtient deux fonctions de transfert en mettant sous la forme de pôle de zéro et de
gain (calcul fait avec Matlab) :
pour :
̃
�
̃
(5.39)
pour :
̃
�
̃
(5.40)

203
Pour une étude en basse fréquence, on peut simplifier les deux fonctions de transfert à :
̃
�
̃
(5.41)
̃
�
̃
(5.42)
La fonction de transfert la plus contraignante est pour . Ce qui donne un pôle

complexe à 187 rd/s (√ .
Pour un correcteur , on choisit une compensation d’un pôle par , donc
.
En boucle ouverte, la fonction de transfert devient :
(5.43)
Pour une bonne marge de phase, il faut que soit inférieur à 187 rd/s.
On choisit 100 rd/s d’où =0,02.
 Réglage de la boucle de vitesse de l’éolienne μ

Pour le réglage de la boucle de vitesse de l’éolienne, le modèle peut se simplifier en
considérant que la boucle de courant de la MCC2 est parfaite :
Figure 5.24: Schéma bloc de la boucle de régulation de vitesse

Il faut privilégier le réglage pour minimiser la perturbation (couple éolien).
Avec , la fonction de transfert en boucle ouverte :
(5.44)
(5.45)

204
Bode Diagram
150
Boucle ouverte Wrot

100 Boucle fermée
Magnitude (dB)
50
-50
0
-45
Phase (deg)
-90
-135
-180
-3 -2 -1 0 1 2 3
10 10 10 Fréquence10(rad/sec) 10 10 10
Figure 5.25: le tracé du diagramme de Bode de la fonction de transfert de la vitesse de

l’éolienne en boucle fermée et en boucle ouverte
Pour obtenir une marge de phase suffisante, on choisit un rapport de fréquence :
(5.46)
Ainsi : (5.47)
En boucle fermée, vis-à-vis du Couple éolien ( , on a :
(5.48)
τn fait un deuxième choix d’avoir un gain de 1/10 pour une fréquence de 1rd/s alors :
(5.49)
Avec (5.47) et (5.49), on obtient et (5.50)
Les résultats de simulation pour une référence de vent qui varie de 12 à 2 m/s avec une
superposition d’une oscillation de 0,2 m/s à 3 Hz sont représentés dans les figures qui suivent.
Ils montrent un suivi parfait du couple éolien de référence et une commande satisfaisante de la
vitesse de rotation de la génératrice malgré quelques perturbations en basse vitesse. Ces
dernières sont dues aux pertes et de la contrainte imposée par la tension aux bornes de la
génératrice qui doit être supérieure à celle de la batterie.

205
15 8
Couple mesuré
Vitesse du vent en [m/s]
Couple de référence
6
Couple éolien [Nm]

10
4
5 2
0
0 2 4 6 8 10 -2
0 1 2 3 4 5 6 7 8 9 10
Temps [s] Temps [s]
a) Evolution de la vitesse du vent en fonction du b) Evolution du couple éolien en fonction du temps
temps
Vitesse de rotation de la génératrice[rd/s]
200 1000
Vitesse de référence Puissance extraite
800 Puissance maximale théorique
Puissance éolienne [Nm]
Vitesse mesurée
150
600
100 400
200
50
0
0 -200
0 2 4 6 8 10 0 2 4 6 8 10
Temps [s] Temps [s]
c) Evolution de la vitesse de rotation de la génératrice d) Evolution de la puissance éolienne en fonction du

temps
en fonction du temps
Figure 5.26: Résultats de simulation de la chaîne de conversion éolienne sous
Matlab/Simulink
* Note importante : Pour la mise en œuvre du banc, en plus de ce calcul théorique qui a
permis d’avoir les ordres de grandeur des paramètres des correcteurs, un réglage manuel sur le
banc autour de ces valeurs théoriques s’est avéré nécessaire pour prendre en compte les gains
des capteurs, les filtres de mesures, la variation des paramètres des machines avec le temps,
les perturbations dues aux mesures et aux non linéarités négligées (saturation,…).

206
5.3.4- Simulateur éolien
Le simulateur éolien mis en place est représenté par les figures 5.27 et 5.28. Il est basé sur
l’accouplement de deux machines à courant continu. δa première machine MCC1 sert à
reproduire le couple mécanique éolien. La deuxième MCC2 joue le rôle de génératrice. Sur
l’arbre mécanique, est monté un tachymètre pour la mesure de la vitesse de rotation. Ses
signaux ainsi que les mesures de tension et de courant sont envoyés directement sur le port
parallèle de la carte DSPACE en code Gray. Puisque les signaux de sortie de cette dernière
sont de type TTL (0 ou 5V) alors que ceux de la commande des convertisseurs statiques
(Semikron AN-8005) sont de niveaux 0 ou 15V, alors une carte électronique d’interface a été
développée pour assurer la bonne conversion des signaux. δ’ensemble des paramètres a été
réglé précisément pour avoir une puissance électrique de l’ordre de 250 W pour une vitesse de
vent de 12 m/s afin de garantir la mise à l’échelle au 1/3 par rapport à une éolienne δacota SC
Engineering (750W à 12m/s).
Figure 5. 27 : Schéma de câblage du simulateur éolien développé

207
Carte
d’i terfaçage
Génératrice MCC2
Machine MCC1
Carte Dspace 1104
PC commande
Alimentation
continue
Tachymètre
Alimentation
des hacheurs
Alimentation
et de la carte
continue
d’i terfaçage
Hacheurs dévolteurs
Charge pilotable + banc de

batteries
Figure 5.28 : Photo du simulateur éolien mis en place au laboratoire
5.4-εise en œuvre expérimentale du système hybride éolien photovoltaïque avec

batteries
5.4.1- Description du banc d’essai
Le banc hybride est la jonction des deux simulateurs, photovoltaïque et éolien. Il est décrit
par la photo de la figure 5.29. La commande du système est assurée en temps réel par deux
cartes Dspace DS1104.

208
Simulateur éolien
Simulateur photovoltaïque
Figure 5.29 : Photo du banc d’essai hybride éolien photovoltaïque avec batterie

209
5.4.2- Présentation de la procédure de supervision

Au cours du fonctionnement d’un système hybride autonome, les batteries peuvent subir :
des surcharges si leurs SOC dépassent le seuil haut (SOCmax) ou des décharges profondes
dans le cas où leur SOC passe au-dessous du seuil bas (SOCmin). En plus, la satisfaction de la
charge peut être limitée en cas d’absence des sources renouvelables ou de pénurie de l’énergie
stockée. En considérant ces remarques, nous proposons une nouvelle technique de
supervision du système hybride basée sur des commandes en courant des différents
convertisseurs et sur l’estimation de l’état de charge des batteries. Habituellement, la stratégie
de gestion d’énergie se base sur l’imposition de la tension du bus continu, autour de la tension
nominale de la batterie [5], [11].
5.4.2.1- Algorithme de supervision
Il est indispensable d’utiliser un système de supervision global permettant d’optimiser les
fonctionnements des sous-systèmes de production et d’empêcher la surcharge ou la décharge
profonde des batteries. Un tel superviseur doit prendre en compte les deux modes de
fonctionnements déjà décrit dans le chapitre 3 (paragraphe 3.5.2) :
 Mode de fonctionnement normal, au cours duquel les deux générateurs renouvelables

fonctionnent à puissance maximale et l’état de charge des batteries se situe dans les
limites de seuils minimum (SOCmin ) et maximum (SOCmax ).
 Mode de fonctionnement dégradé, au cours duquel l’état de charge estimé dépasse un
des seuils imposés. Dans le cas d’un excès de production (SOC SOCmax et Pre
Pdemand), le superviseur doit effectuer les actions suivantes :
-imposer un courant de référence dans la batterie égal à zéro,
-dégrader le fonctionnement des générateurs éolien et photovoltaïque de

manière à avoir Pres = Pdemand. Pour cela, nous avons décidé que
l’émulateur PV est considéré comme étant la source principale de
production, alors que l’émulateur éolien sera pris comme un générateur
complémentaire. Cependant, ce choix particulier n’est dû à aucune
limitation, il est arbitraire. Nous pouvons reprendre la stratégie de gestion
d’une manière que la source éolienne serait le fournisseur principal et que
le sous-système PV serait considéré comme étant la source secondaire.

210
Dans le cas d’une défaillance de production (SOC SOCmin et Pres <

Pdemand)), le superviseur doit procéder un délestage de la charge en imposant
Pdemand = 0,9*Pres. Le coefficient 0,9 est intégré pour prendre en compte les
pertes dans le circuit du système.
Ainsi, l’algorithme de supervision implanté sous Dspace peut être représenté par
l’organigramme suivant :
Calculer Pres = Ppv + Pwt
Estimer SOC
SOCmin ≤ SOC ≤SOCmax SOC < SOCmin SOC > SOCmax

& Pres < Pdemand & Pres > Pdemand
  Manque de production 

Fonctionnement Excès de production
Déconnexion de la batterie par 

normal Imposer un courant nul
Consommation délestage

dans la batterie (Ibat = 0 )
satisfaite (Imposer Pdemand = 0.9*Pres) Dégrader le
fonctionnement des
générateurs
(Imposer Pres = Pdemand)
Figure 5.30 : Organigramme de la méthode de supervision proposée

211
5.4.2.2- Estimation de l’état de charge des batteries

Dans cette partie, nous exposons les modèles utilisés pour l’estimation de l’état de charge
des batteries, essentiel pour la procédure de supervision.
a) Modèle de prédiction de la tension en circuit-ouvert
δe choix d’un modèle de prédiction de la tension en circuit-ouvert pour la batterie est dicté
par le critères suivant : le modèle doit être pratique, car la stabilisation de la tension en
circuit-ouvert n’est atteinte qu’après plusieurs heures. Il est déconseillé de laisser la
charge hors service durant toute cette période pour le relevé de l’état initial ou la mise
à jour de l’état de charge. Pour cela, il est nécessaire de prédire la valeur de la tension en
circuit-ouvert avant que la batterie ne se stabilise complètement après une période de
repos raisonnable. Le modèle de prédiction de la tension en circuit-ouvert tient compte de
la réduction adéquate du temps de repos de la batterie. La tension en circuit ouvert Voc
est exprimée par la relation linéaire simple suivante [12] :
(5.21)
M étant la pente de cette droite et est calculée par l’expression suivante:
(5.22)
Et : Vo la tension en circuit-ouvert à l’instant t = 1 minute, V1 est la tension en circuit-

ouvert à l’instant t= 5 minutes.
La tension de circuit ouvert est utilisée pour la détermination de la valeur initiale de l’état
de charge de la batterie et pour le « recalage » de l’état de charge des batteries (SOC) estimé
par mesure coulomb-métrique selon l’expression suivante :
(5.23)
Le « recalage » se fait à chaque fois que l’on a une période de pause (courant de batterie nul)
supérieure à 5 minutes.
b) Modèle de la mesure coulomb-métrique
Ce modèle considère que l’état de charge d’une batterie (SOC) est le rapport entre la
quantité d’électricité [Ah] restituée par la batterie et sa capacité nominale Cn [Ah]. Le calcul
de l’état charge des batteries (SOC) se fait en permanence en appliquant les relations
récursives suivantes :

212
en charge (3.5)
en décharge (3.6)
SOC(t) et SOC étant l’état de charge des batteries à l’instant t et , avec

-3
le pas de calcul (10 s dans notre cas).
ηcha et ηdis sont les rendements de la charge et de la décharge des batteries (ηcha = 0,85,
ηdis= 1).
Et étant le courant à l’entrée et à la sortie de batterie.
5.4.3- Résultats et discussions

Cette partie est consacrée à l’expérimentation de la gestion/supervision d’énergie mettant
en relation : un émulateur éolien, un émulateur photovoltaïque, des batteries standards (48V)
et une charge variable. Nous avons implanté les lois de commande pour chaque source pour
un contrôle en courant. Des relevés expérimentaux, qui caractérisent la gestion d’énergie du
système hybride développée sont réalisés et analysés.
5.4.3.1- Validation de la méthode de supervision
Pour cette validation, nous avons considéré que les variables d’entrée (sources,
température et consommation) varient de la manière suivante :

213
Wind [m/s]
10
5
0
0 100 200 300 400 500 600 700 800 900 1000
Vent (m/s)
Solar IR [W/m²]
500
0
0 100 200 300 400 500 600 700 800 900 1000
Temp T [°C]
50
0
0 100 200 300 400 500 600 700 800 900 1000
400
Load [W]
200
0
0 100 200 300 400 500 600 700 800 900 1000
Time [s]
Figure 5.31 : Evolution des données d’entrée (vent, température, irradiation et consommation)
en fonction du temps utilisée pour la validation de la technique de supervision
Puis, nous avons fixé les limites supérieur et inférieur de l’état de charge des batteries
respectivement à : SOCmax = 50,2% et SOCmin = 49,8% pour tester les différents modes de
fonctionnements possibles (fonctionnement en mode normal, fonctionnement en mode
dégradé et fonctionnement en mode délestage).
Les principaux résultats de cet essai sont représentés dans la figure qui suit :

214
400 400
Ppvmax
300 Ppv 300
P [W]
P [W]
200 200
100 100 Pload Satisfied

Pload
0 0
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
600 500
Peolelec Pbattery
400
P [W]
P [W]
200 0
-200 -500
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
Time [s] Time [s]
a) Puissances renouvelables produites en fonction du temps b) Evolution de la puissance de la charge et des batteries en
fonction du temps
3.5 700
Imcc1
Imcc1ref
600
3
500
2.5
400
P [W]
I [A]
300
2
200
1.5
100
Prenouvelable (Produite)
Putile (Pertes prises en compte)
1 0
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
Time [s] Time [s]
c) Evolution du courant produit par la turbine éolienne (image d) Bilan des puissances en fonction du temps
du couple éolien, machine MCC1) en fonction du temps
50.5
SOC [%]
180 Wdeg (fonct. dégradation)

50 Wrotation mésuré
160 Wopt (fonct. optimal)
49.5
0 100 200 300 400 500 600 700 800 900 1000
140
55
120
Vbat [V]
W [rad/s]
50
100
45
0 100 200 300 400 500 600 700 800 900 1000
80
20
60
Ibat [A]
10
0
40
-10
0 100 200 300 400 500 600 700 800 900 1000
Time [s] 20
0 100 200 300 400 500 600 700 800 900 1000
Time [s]
e) Evolution des paramètres des batteries ( tension, courant, f) Evolution de la vitesse de rotation de la génératrice
état de charge ) en fonction du temps ( machine MCC2) en fonction du temps
Figure 5.32 : Principaux résultats de l’essai de validation de la technique de supervision
*Possibilité d’un petit décalage des temps dû à l’utilisation de deux Dspaces et de deux PC de commande

215
Analyse des résultats :
Les résultats indiquent que :
- l’état de charge des batteries est toujours compris entre SOCmax = 50,2% et SOCmin =
49,8% (figure 5.32.e). Ce qui prouve sa bonne gestion et la fiabilité de la technique de
supervision proposée,
- pour t [0 125], [310 450] et [600 1000] : phase de fonctionnement normal. Les deux
générateurs fonctionnent à leur point de maximum de puissance « MPPT » (figure
5.32.a),
- pour t [125 300], SOC=SOCmin : c’est le cas de défaillance de production. Il y a une
insatisfaction de la demande, donc un délestage de la charge de manière à avoir Pdemand
= 0,9*Pres (figure 5.32.b). Le courant des batteries est alors nul par balance énergétique.
- pour t [450 600], SOC=SOCmax et Pdemand < Pres : c’est le cas d’excès de production.
Un courant nul est donc imposé aux bornes des batteries. Les générateurs ne fonctionnent
plus à leurs points optimaux et Pres = Pdemand avec Peolelc= Pdemand – Ppv. La
production photovoltaïque subit une diminution. La vitesse de rotation de la génératrice
éolienne passe alors de 145,7 rad/s à 40 rad/s bien que la vitesse du vent reste constante à
12 m/s durant tout l’intervalle de temps [300 600] (figure 5.32.f). De même le courant
généré par la turbine éolienne (machine MCC1) chute de 2,7 A à 1,75 A (figure 5.32.c).
- il existe une différence entre la puissance renouvelable produite et celle réellement
consommée par la charge et les batteries (puissance utile) (figure 5.32.d) à cause des
pertes dans les convertisseurs et dans les câbles.
5.4.3.2- Etude de sensibilité : effet de la variation des variables
Dans cette partie, nous nous posons dans le cas d’un fonctionnement normal. Chaque 200 s,
une des variables d’entrée subit un changement comme le montre la figure 5.33.

216
Wind [m/s] 10
5
0
0 100 200 300 400 500 600 700 800 900 1000
Temp T [°C]
50
0
0 100 200 300 400 500 600 700 800 900 1000
Solar IR [W/m²]
500
0
0 100 200 300 400 500 600 700 800 900 1000
500
Load [W]
0
0 100 200 300 400 500 600 700 800 900 1000
Time [s]
Figure 5.33 : Evolution des données d’entrée (vent, température, irradiation et consommation)
en fonction du temps utilisée pour l’étude de sensibilité
δe but est de s’assurer du bon fonctionnement du banc pour différentes configurations,

d’étudier l’effet de chaque variation et de confirmer la robustesse des correcteurs.
Les résultats de ce test sont représentés dans la figure 5.34.

217
400 10
Ppvmax
300 Ppv 9
P [W]
200 8
100 7
0 6
0 100 200 300 400 500 600 700 800 900 1000
I [A]
5
300 4
Peolelec
200 3
P [W]
100 2
Idemand
0 1 Iload Reference
Iload Satisfied
-100 0
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
Time [s] Time [s]
a) Evolution des puissances éoliennes et photovoltaïques en b) Evolution du courant dans la charge en fonction du temps
fonction du temps
3
Imcc1 180 Wrotation mésuré
Imcc1ref
Wopt (fonct. optimal)
2.5 160
140
2
120
W [rad/s]
I [A]
100
1.5
80
1 60
40
0.5
0 100 200 300 400 500 600 700 800 900 1000 20
Time [s] 0 200 400 600 800 1000
Time [s]
c) Evolution du courant généré par la turbine éolienne d) Evolution de la vitesse de rotation de la génératrice en
( image du couple éolien, machine MCC1) fonction du temps
Figure 5.34 : Principaux résultats de l’essai d’étude de sensibilité
*Possibilité d’un petit décalage des temps dû à l’utilisation de deux Dspaces et de deux PC de commande
Analyse des résultats :
La figure 5.34.a montre que la variation de la température ou de l’irradiation implique la

variation de la puissance photovoltaïque ; une diminution de la température se traduit par une
augmentation de la puissance photovoltaïque générée. Elle confirme le bon fonctionnement de
l’algorithme de maximisation de puissance implémenté sous Dspace pour l’optimisation du
fonctionnement du générateur photovoltaïque.
De même, une diminution de 4 m/s de la vitesse du vent (passage de 12 m /s à 8 m/s) divise la
puissance produite par .

218
Les figures 5.34.b et 5.34.c confirme la bonne régulation du courant de charge et du courant
éolien. Une suivie parfaite de la consigne est constatée.
Enfin, la figure 5.34.d montre la variation de la vitesse de rotation de la génératrice en
fonction de la vitesse du vent. Elle confirme l’efficacité de l’algorithme de maximisation de
puissance utilisé et le bon asservissement de la vitesse de rotation de la génératrice.
5.4.3.2- Essai pour l’évaluation des taux de δPSP et de l’excès de production

Ce dernier essai a pour but de visualiser de manière concrète les taux (LPSP* et excès de
production) évoqués au cours de cette thèse. Bien évidemment, il ne s’agit pas d’une
reproduction à taille réelle du système hybride mais une démonstration de son comportement.
δes données de vent, d’irradiation et de température utilisées pour ce test sont des données
réelles utilisées au cours de cette thèse et correspondent à la journée du 14 Novembre 2010.
Pour la charge, nous avons considéré le même profil de consommation pour cette journée
avec une mise à l’échelle au tiers. σous avons considéré un pas de simulation de 30s. δ’état
de charge des batteries est gérée entre SOCmin = 49,8% et SOCmax = 50,2%. Les résultats
montrent que l’insatisfaction de la demande augmente dès que SOC = SOCmin et Pres < Pload
(Pdemand) et qu’un excès de production est évaluée dès que SτC atteind SOCmax et Pres >
Pload (Pdemand). Le site étant plutôt photovoltaïque, la production éolienne n’est pas assez
importante.
* LPSP [%] est un pourcentage déterminé selon les expressions des équations (3.20) et (4.27). Sa valeur élevée n’est pas
représentative, car pour cet essai l’insatisfaction de la charge est très importante dû aux seuils très proches SOCmin et SOCmax.

219
1000 10 500
Pload satisfied
Irradiation [W/m²]
450
Vitesse [m/s]
Pload
500 5 400
350
0 0 300
0 1000 2000 0 1000 2000
P [W]
Temps [s] Temps [s] 250
5 500
200
400
Température [°C]
0 150
300
P [W]
200 100
-5
100 50
-10 0
0 1000 2000 0 1000 2000 0
0 500 1000 1500 2000 2500
Temps [s] Temps [s]
Temps [s]
a) Evolution des données d’entrée en fonction du temps b) Evolution de la puissance de charge en fonction du temps
500 50.4
Ppv SOC
400 50.2
SOC [%]
300
P [W]
50
200
49.8
100
0 49.6
0 500 1000 1500 2000 2500
0 500 1000 1500 2000 2500
400
200 Pbat
Peolien 200
150
P [W]
0
P [W]
100
-200
50
-400
0 0 500 1000 1500 2000 2500
Temps [s]
0 500 1000 1500 2000 2500
Temps [s]
c) Evolution de l’état de charge et de la puissance des
c) Puissance éolienne et photovoltaïque produite en fonction
batteries en fonction du temps
du temps
60
LPSP
LPSP [%]
40
20
0
0 500 1000 1500 2000 2500
-3
x 10
20
Excès
15
E [kWh]
10
0
0 500 1000 1500 2000 2500
Temps [s]
c) Evolution du taux d’insatisfaction de la demande (δPSP) et de l’excès de production en fonction du temps
Figure 5.35 : Principaux résultats du dernier essai consacré à l’émulation du comportement

d’un système hybride éolien photovoltaïque avec batteries

220

Dans ce chapitre, un banc expérimental PV-éolien avec batteries a été développé. Il a
permis une émulation proche de la réalité du comportement du système et ceci pour
différentes configurations. Ainsi, une nouvelle stratégie de commande basée sur le contrôle
des courants et l’estimation de l’état de charge des batteries a été implémentée et validée avec
succès.
Ce banc expérimental constitue un bon outil d’investigation dans le domaine des systèmes
multi-sources. Plusieurs aspects sont encore à améliorer pour une reproduction parfaite et à
l’échelle d’un système hybride éolien-photovoltaïque avec batteries.

221
Bibliographie
[1] M. G. Villalva, J. R. Gazoli et E. Ruppert F., «MODELING AND CIRCUIT-BASED SIMULATION OF
PHOTOVOLTAIC ARRAYS,» Brazilian Journal of Power Electronics, vol. 14, n° 1, pp. 35-45, 2009.
[2] W. De Soto, S. Klein et W. Beckman, «Improvement and validation of a model for photovoltaic
array performance,» Solar Energy, vol. 80, n° 1, pp. 78-88, 2006.
[3] V. Salas, E. Olías, A. Barrado et A. Lázaro, «Review of the maximum power point tracking
algorithms stand-alone photovoltaic systems,» Solar Energy Materials and Solar Cells, vol. 90,
n° 11, pp. 1555-1578, 2006.
[4] V. Boitier et P. Maussion, «Recherche du maximum de puissance sur les générateurs

photovoltaïques», article scientifique.
[5] A. T. Si go, «Syst e d’ali e tatio photovoltaï ue ave sto kage hy ide pou l’ha itat
énergétiquement autonome,» , Thèse de Doctorat , Groupe de Recherche en Electrotechnique
et Electronique de Nancy, Faculté des Science et Technique, 54500 Vandoeuvre-lès-Nancy,
2010.
[6] B. Bryant et M. K. Kazimierczuk, «Open-loop power-stage transfer functions relevant to

current-mode control of boost PWM converter operating in CCM,» IEEE Transactions on Circuits
and Systems I , vol. 52, n° 10, pp. 2158-2164, 2005.
[7] R. Kad i, «Co t i utio à l’a lio atio de la aptu e de l’ e gie solai e photovoltaï ue da s
l’ha itat side tiel : ouvelles st u tu es de puissa e et de o a de,», Thèse de Doctorat
La o atoi e d’Auto ati ue et d’I fo ati ue I dust ielle LAII , U ive sit de Poitie s, Poitie s,
2010.
[8] T. J. Ypma, «Historical development of the Newton-Raphson method,» SIAM Review, vol. 37,
n° 4, pp. 531-551, 1995.
[9] I. Munteanu, A. I. Bratcu, N.-A. Cutululis et C. Emil, Optimal Control of Wind Energy Systems,
Verlag London: Springer, 2008.
[10] M. Adam, «Etude comparative de chaînes de conversion d'énergie dédiées à une éolienne de
petite puissance,», Thèse de Do to at, La o atoi e d’Ele t ote h i ue et d’Ele t o i ue
I dust ielle, l’ENSEEIHT, Toulouse, 2005.
[11] M. Dali, «Commande et Gestion Energétique des Systèmes Hybrides Photovoltaïque - Eolien,»,
Thèse de Doctorat, ENIT, Tunis, 2009.
[12] V. Pop, H. J. Bergveld, D. Danilov, P. P. L. Regtien et P. H. L. Notten, Battery Management

Systems: Accurate State-of-Charge Indication for Battery-Powered Applications, 1e éd.,
Springer, 2008, p. 71.

222
Conclusion générale et perspectives

L’objectif du travail effectué dans le cadre de cette thèse était de dimensionner et
d’optimiser un système hybride PV éolien avec batteries pour un habitat résidentiel. Pour ce
faire, nous avons développé une méthodologie qui permet de déterminer la surface des
panneaux photovoltaïques, le diamètre de l’éolienne ainsi que la capacité de stockage des
batteries, afin de satisfaire le profil de consommation électrique en fonction des gisements
éolien et solaire du site et de respecter des critères de minimisation de coûts (économique et
écologique). Cette méthodologie est justement basée sur la connaissance du potentiel des
gisements et le besoin énergétique du consommateur à chaque instant (avec une période de
résolution de 30 minutes) sur une année complète. Ainsi, il est obligatoire de disposer de
relevés de données météorologiques du site (vitesse du vent, température, pression,
irradiation,…). Une étude fréquentielle a montré que la connaissance de la base de données
avec une période de 30 minutes est suffisante.
Un site isolé alimenté uniquement par de l’énergie éolienne et solaire avec des batteries de
stockage ne permet pas, avec un coût raisonnable, de disposer à 100% de l’énergie électrique.
Il faut que le consommateur accepte un certain pourcentage de manque d’énergie (δPSP).
C’est cette variable qui va être la grandeur qui va orienter le choix du dimensionnement final.
Celle-ci ne peut être calculée que par intégration sur une période donnée. Comme les
conditions météorologiques ont une période naturelle de un an, c’est cette période
d’intégration que nous avons choisi. Ainsi, nous avons développé un simulateur dynamique
prenant en considération tous les éléments (PV, éolienne, batteries) du système de production.
Nous avons développé des modèles énergétiques pour chaque élément et calculé à chaque
instant toutes les grandeurs intervenant dans le système : puissances fournies par les PV et
l’éolienne, l’état de charge des batteries, la puissance demandée par l’habitat, le manque
éventuel de puissance (l’intégration de cette puissance permet de calculer le rapport LPSP) ou
le surplus de puissance non récupérée. Ce simulateur est paramétré par trois grandeurs : les
surfaces des PV et de l’éolienne et la capacité des batteries, et fourni pour chaque simulation
sur une année le coefficient d’insatisfaction de fourniture d’énergie (δPSP).
Pour résoudre la problématique de dimensionner un système de gestion d’énergie

électrique à 95% des besoins (LPSP = 5%), il est nécessaire de se donner d’autres critères.

224
Pour cela, nous avons montré dans cette thèse, que l’on pouvait prendre en compte les coûts
en termes économiques et écologiques. Pour chaque élément composant ce système de
génération d’énergie électrique, il a été développé des modèles de coût en euros (€) en
fonction des trois grandeurs à dimensionner (surfaces des PV et de l’éolienne et la capacité
des batteries) et des modèles de coût en énergies grises (MJ) en fonction des trois mêmes
grandeurs. Ces modèles ont été développés en prenant en compte le cycle de vie complet
(fabrication, transport, maintenance et démantèlement) de l’ensemble des éléments.
Avec le simulateur dynamique et les modèles de coût, il est nécessaire d’utiliser des
algorithmes d’optimisation pour obtenir une solution optimale selon les critères choisis. Ce
problème d'optimisation du système hybride éolien photovoltaïque avec batteries s’est révélé
un problème d’optimisation continue non linéaire multi variables sous contraintes. Pour cela,
deux algorithmes d’optimisations ont été utilisés et comparés μ l’algorithme d’optimisation
non linéaire SQP et les algorithmes génétiques. Durant cette thèse nous avons envisagé
plusieurs scénarios de dimensionnement : le minimum de coût en Euros, le minimum
d’énergie grise et la double minimisation des deux coûts, paramétré par la probabilité
d’insatisfaction de la demande (δPSP). Ainsi, la meilleure configuration avec un impact
environnemental minimal en termes d’énergie primaire et avec un coût économique le plus
faible possible a été obtenue avec la configuration suivante : pour le générateur
photovoltaïque, Apv = 15 m² (surface des panneaux), Awt = 3,378 m² (surface balayée par
l’éolienne) et Cn = 169,217Ah (capacité de stockage des batteries). Ce dimensionnement final
est très satisfaisant car il permet d’assurer les besoins en électricité de l’habitat résidentiel à
95% au moins avec un excès de production réduit. Pour le site sur lequel notre méthodologie a
été testée, il s’est avéré que 86,15 % de l’énergie produite est assurée par le générateur
photovoltaïque et 13,85 % par l’éolienne. δ’excès de production, surtout en période estivale,
pourrait être utilisé pour la cuisson ou le chauffage de l'eau sanitaire et éviter ainsi la
dégradation du point de fonctionnement des générateurs éolien et photovoltaïque.
Un autre résultat important concerne la gestion d’énergie au niveau des batteries. Dans le
cas annuel le plus défavorable en énergies renouvelables, il est important de noter que l’état
de charge se situe toujours entre 30 % et 100% et donc garantit une durée de vie des batteries
très honorable. A la fin, nous avons comparé les résultats de notre démarche à un logiciel
existant (Homer) et les conclusions de ce test sont très probantes. Ainsi, la solution optimale
recherchée est aussi bien d’un point de vue économique, énergétique qu’écologique et
constitue une approche nouvelle dans la littérature.

225
D’un point de vue économique, notre configuration optimale a un CCV acceptable. σous
aboutissons à un coût du KWh produit par le système hybride avec des sources renouvelables
qui revient à . Ce prix est raisonnable pour une maison en site isolée en rapport
au prix du KWh d’énergie observée (0,12€/KWh environ pour une puissance souscrite de
6KVA, offre de base), d’autant plus que ce dernier est amené à progresser de 30% d’ici 2016.
D’un point de vue écologique, notre analyse s’est basée sur l’énergie primaire nécessaire à
ses différents composants au cours de sa vie (« Embodied Energy »). Les résultats indiquent
un bon ratio énergétique de produit correspondant à un temps de 6 ans
et demi pour amortir le coût écologique lié à la fabrication et à l’exploitation du système
complet de 25 ans.
Dans le dernier chapitre de cette thèse, un banc expérimental hybride PV-éolien avec
batteries a été mis en œuvre dans notre laboratoire afin d’émuler au mieux le comportement
d’un système hybride. Une nouvelle stratégie de supervision basée sur le contrôle des
courants et l’estimation de l’état de charge des batteries a été alors validée avec succès malgré
la simplicité de la commande des convertisseurs qui a été mise en œuvre (simple commande
PI). Ce banc fera l’objet de plusieurs futurs travaux de recherche surtout dans le domaine de la
commande et de la supervision.
Ces travaux de thèse peuvent subir des améliorations et des nombreuses perspectives
peuvent être dégagées à leur issue. Au niveau de la procédure d’optimisation du
dimensionnement des systèmes multi-sources, un outil automatisant la méthodologie proposée
avec des interfaces conviviales pour l’utilisateur peut être développé. Pour les boucles de
régulations des convertisseurs statiques, il s’est avéré que la modélisation mène souvent à des
modèles non linéaires avec des paramètres dépendant de l’amplitude des sources d’énergie.
Ainsi, des commandes plus élaborée des convertisseurs sont nécessaires à établir pour
améliorer la dynamique du système et minimiser les pertes énergétiques. Cette perspective fait
l’objet de la thèse de δiδa Croci débutée en τctobre 2010, et aussi codirigée par εr. André
εartinez, chercheur à l’EIGSI. Pour le stockage, il reste à améliorer la technique d’estimation
de l’état de charge des batteries pour une meilleure précision et par conséquent une gestion
énergétique plus efficace. Il est aussi possible d’ajouter des supercapacités pour absorber les
pics de puissance au niveau des générateurs et de la charge pour minimiser les pertes, sous
dimensionner les convertisseurs,…

226
Annexes
Annexe I – Algorithme développé pour l’évaluation de la puissance solaire

reçue par un plan incliné
clear all
clc
%% Data
%%%%%%%%%%%%%%%%%%%%%%%
% Choose year to load %
load 2002; %
%%%%%%%%%%%%%%%%%%%%%%%
%%%%% Parameters %%%%%%

TiltOpt = 35; %
AzOpt = 180; %
rho=0.2; %
%%%%%%%%%%%%%%%%%%%%%%%
i=1;
while (i<=length(Ir))
if Ir(i)<0;
Ir(i)=0;
end;
i=i+1;
end;
Gh=Ir(1:30:length(Ir));
Gext1=Gext(1:30:length(Ir));
Zenith=Azenith(1:30:length(Ir));
Elevation=Aelevation(1:30:length(Ir));
Azimuth=Aazimuth_E_N(1:30:length(Ir));
i=1;
while (i<=length(Zenith))
if Zenith(i)> 89;
Zenith(i)=89;
end;
i=i+1;
end;
for j=1:6
if (j==1)
tilt=TiltOpt;
Az_panel=AzOpt;
end
if (j==2)
tilt = Zenith - 15;
Az_panel = AzOpt;
end
if (j==3)
tilt = Zenith - 1.5;
Az_panel = AzOpt;
end
if (j==4)

228
Annexes
tilt = Zenith +15;

Az_panel = AzOpt;
end
if (j==5)
tilt = TiltOpt;
Az_panel = Azimuth-1.5;
end
if (j==6)
tilt = Zenith - 1.5;
Az_panel = Azimuth-1.5;
end
%% Memory Preallocation
Solution=[0 0 0];
kt2 = zeros(1,length(Gext1));
coef = zeros(1,length(Gext1));
%% Calculation
costheta=sin(Zenith.*pi/180).*sin(tilt*pi/180).*cos((Azimuth-
Az_panel).*pi/180)+ cos(Zenith.*pi/180).*cos(tilt*pi/180);
theta = acos(costheta).*180/pi;
Rb=costheta./cos(Zenith.*pi/180);
i=1;
while (i<=length(Gext1))
if Gext1(i)==0;
kt2(i) =0;
else
kt2(i)=Gh(i)/Gext1(i);
end;
i=i+1;
end;
kt=kt2';
i=1;
while (i<=length(kt))
if kt(i)<0.21;
coef(i)=(0.995-0.081*kt(i));
elseif (0.21<=kt(i)&& kt(i)<=0.76)
coef(i)=(0.724+ 2.738*kt(i)-8.32*kt(i)^2+4.967*kt(i)^3);
else
coef(i)=0.18;
end;
i=i+1;
end;
coef1=coef';
Gd=coef1.*Gh;
Gb=Gh-Gd;
P=Gb.*Rb + Gd.*((1+cos(tilt.*pi/180))/2)+ Gh.*rho.*((1-
cos(tilt.*pi/180))/2);
i=1;
while (i<=length(P))
if P(i)<0;
P(i) =0;
end;

229
Annexes
i=i+1;
end;
Pincident_PV =P;
Temps=0:(length(Ir)/60)/(length(Pincident_PV)-1):(length(Ir)/60);
Potentiel_PV = trapz(Temps,Pincident_PV)/1000;
if (j==1)
str = ['Panneaux fixes: ',
num2str(Potentiel_PV), 'kWh'];
disp(str);
end
if (j==2)
str = ['Panneaux mobiles selon Zenith (-15): ',
disp(str);
end
if (j==3)
str = ['Panneaux mobiles selon Zenith (-1.5): ',
disp(str);
end
if (j==4)
str = ['Panneaux mobiles selon Zenith (+15): ',
disp(str);
end
if (j==5)
str = ['Panneaux mobiles selon Azimuth (-1.5): ',
disp(str);
end
if (j==6)
str = ['Panneaux Mobiles (-1.5 ; -1.5): ',
disp(str);
end
end

230
Annexes
Annexe II – Résultats détaillés de l’évaluation de la solution retenue dans le

chapitre 4 avec le logiciel commercial HOMER
System architecture
PV Array 2.16 kW
Wind turbine 1 Aeromax Engineering : LaKota S,SC
Battery 4 Vision 6FM200D
Inverter 3 kW
Rectifier 3 kW
Cost summary
Total net present cost $ 34,972
Levelized cost of energy $ 1.177/kWh
Operating cost $ 891/yr
Net Present Costs

Capital Replacement O&M Fuel Salvage Total
Component
($) ($) ($) ($) ($) ($)
PV 11,424 0 3,157 0 0 14,581
Aeromax Engineering : LaKota S,SC 6,727 0 2,368 0 0 9,095
Vision 6FM200D 1,260 4,964 564 0 -62 6,726
Converter 3,000 1,443 423 0 -295 4,571
System 22,411 6,407 6,511 0 -357 34,972

231
Annexes
Annualized Costs
Capital Replacement O&M Fuel Salvage Total
Component
($/yr) ($/yr) ($/yr) ($/yr) ($/yr) ($/yr)
PV 811 0 224 0 0 1,035
Aeromax Engineering : LaKota S,SC 477 0 168 0 0 645
Vision 6FM200D 89 352 40 0 -4 477
Converter 213 102 30 0 -21 324
System 1,590 455 462 0 -25 2,481
Electrical
Production Fraction
Component
(kWh/yr)
PV array 3,695 87%
Wind turbine 542 13%
Total 4,236 100%
Load Consumption Fraction
(kWh/yr)
AC primary load 2,108 100%

232
Annexes
Quantity Value Units
Excess electricity 1,762 kWh/yr
Unmet load 85.2 kWh/yr
Capacity shortage 105 kWh/yr
Renewable fraction 1.000
Total 2,108 100%
PV
Rated capacity 2.16 kW
Mean output 0.422 kW
Mean output 10.1 kWh/d
Capacity factor 19.5 %
Total production 3,695 kWh/yr
Minimum output 0.00 kW
Maximum output 2.44 kW
PV penetration 168 %
Hours of operation 4,290 hr/yr
Levelized cost 0.280 $/kWh
DC Wind Turbine: Aeromax Engineering : LaKota S,SC

Variable Value Units
Total rated capacity 0.900 kW
Mean output 0.0618 kW
Capacity factor 6.87 %
Total production 542 kWh/yr

233
Annexes
Variable Value Units
Minimum output 0.00 kW
Maximum output 0.754 kW
Wind penetration 24.7 %
Hours of operation 2,887 hr/yr
Levelized cost 1.19 $/kWh
Battery
Quantity Value
String size 4
Strings in parallel 1
Batteries 4
Bus voltage (V) 48
Nominal capacity 9.60 kWh
Usable nominal capacity 5.76 kWh
Autonomy 23.0 hr
Lifetime throughput 3,668 kWh
Battery wear cost 0.384 $/kWh
Average energy cost 0.000 $/kWh
Energy in 1,283 kWh/yr
Energy out 1,028 kWh/yr
Storage depletion 1.63 kWh/yr
Losses 254 kWh/yr
Annual throughput 1,149 kWh/yr
Expected life 3.19 yr

234
Annexes
Converter
Quantity Inverter Rectifier Units
Capacity 3.00 3.00 kW
Mean output 0.24 0.00 kW
Minimum output 0.00 0.00 kW
Maximum output 1.47 0.00 kW
Capacity factor 8.0 0.0 %
Quantity Inverter Rectifier Units
Hours of operation 8,487 0 hrs/yr
Energy in 2,219 0 kWh/yr
Energy out 2,108 0 kWh/yr
Losses 111 0 kWh/yr

235
Annexes
Emissions
Pollutant Emissions (kg/yr)
Carbon dioxide 0
Carbon monoxide 0
Unburned hydocarbons 0
Particulate matter 0
Sulfur dioxide 0
Nitrogen oxides 0

236
Annexes
Annexe III – Fitting avec Matlab des paramètres de la fonction de la

puissance maximale Pmax produite par un panneau photovoltaïque de type
Sharp ND-240QCJ Poly (240Wc) en fonction de la température de la cellule
T et de l’irradiance et sa validation avec Maple

237
Annexes
> restart:
> with(plottools):
f := p00 p10 Ta p01 Ir p20 Ta 2p11 Ta Ir p02 Ir 2

> f:=p00+p10*Ta+p01*Ir+p20*Ta^2+p11*Ta*Ir+p02*Ir^2;
> p00 := -6.051:

p10 := 0.004106:
p01 := 0.2653:
p20 := 1.919e-5:
p11 := -0.0004092:
p02 := -8.286e-6:
>
P 6.051 0.004106 Ta 0.2653 Ir 0.00001919 Ta 20.0004092 Ta Ir

> 'P'=f;
0.8286 10 -5 Ir 2
> plot3d(f,Ta=-15..35,Ir=0..1000,axes=boxed);

238
Annexes
Annexe IV : Détermination des paramètres du correcteur PI utilisé pour la

commande de l’émulateur de panneaux photovoltaïques avec “Simulink
Design Optimization” toolbox de Matlab
εodèle de commande de l’émulateur de panneaux utilisé sur le banc

Utilisation de
“Simulink Design
Optimization”
toolbox de Matlab
Choix des paramètres du correcteur à régler (Kp et Ki)

239
Annexes

240
Annexes
Réglage des bornes limites de l’erreur entre la consigne de courant et sa mesure
Visulation de l’évolution de la procédure d’optimisation

241
Annexes
Obtention des résultats pour les paramètres du correcteur PI

242
Annexes
Annexe V : Implémentation de l’algorithme de commande et de supervision

du banc d’essai du système hybride éolien photovoltaïque avec batteries sous
Matlab/Simulink

243
Annexes
Annexe VI : Interfaces développées sous ControlDesk pour la commande et la

la supervision du banc d’essai

244
Annexes

245
Résumés
Résumé de la thèse
Cette thèse est une contribution à l’étude des systèmes hybrides éoliens-photovoltaïques
avec batteries sur plusieurs aspects : évaluation des sources, modélisation, simulation,
optimisation du dimensionnement et enfin commande et supervision.
Dans le chapitre 1, les différentes typologies de systèmes électriques autonomes multi-

sources pour l’habitat résidentiel et les différents dispositifs possibles de stockage de l’énergie
électrique sont passées en revue. δ’utilisation de batteries au plomb s’avère très intéressante
car c’est une technologie éprouvée et qui présente un bon ratio performance /coût. Après avoir
montré les limites d’utilisation d’une seule source pour satisfaire aux besoins de la charge,
l’accent est mis plus particulièrement sur les systèmes hybrides éoliens-photovoltaïques car
les ressources en vent et en soleil sont souvent complémentaires.
δe chapitre 2 présente une étude d’impact sur l’évaluation du potentiel en énergies

renouvelables sur un site donné en prenant en compte la consommation dans un habitat
résidentiel (période et méthode d’acquisition des données, techniques d’évaluation, …). Cette
analyse vise à préciser les différentes pistes pour la simulation du système hybride (éolien
photovoltaïque avec batteries) dans la suite des travaux.
Le chapitre 3 est consacré à la modélisation du système hybride éolien photovoltaïque avec

batteries. δ’objectif principal est le dimensionnement ainsi que l’évaluation économique et
écologique du système complet. Dans un premier temps, les modélisations énergétiques des
différents composants du système sont présentées, puis les aspects économiques et
écologiques sont définis dans le but de réaliser une évaluation globale de la solution de
dimensionnement. δ’ensemble des modèles est représenté à l’aide du logiciel
Matlab/Simulink. Le fonctionnement global du système est étudié selon différents profils de
consommation et tient compte de l’orientation et de l’inclinaison des capteurs d’énergie (PV
en particulier). A la fin de ce chapitre, des résultats de simulation sont présentés et discutés.
δe chapitre 4, traitant de l’optimisation du dimensionnement du système multi-sources, il

aborde le cœur de la thèse. Après une étude bibliographique, les principales méthodes de
dimensionnement existantes sont exposées en soulignant leurs apports et leurs insuffisances.
Puis, une méthodologie d’optimisation est développée et comparée à plusieurs approches,

247
Résumés
allant d’une optimisation mono-objective à une multi-objective et évaluant le coût

économique et écologique de chacune de ces solutions. Une solution « pratique » est retenue
pour les composants PV, éolien batteries du système final afin d’en évaluer la viabilité
énergétique, économique et écologique. Les résultats montrent un impact environnemental
faible et un coût raisonnable du point de vue économique ainsi qu’une satisfaction de la
charge dans les limites tolérées par l’usager. A la fin de ce chapitre, la méthode développée de
dimensionnement est comparée à un outil commercial existant.
Dans le chapitre 5, un banc expérimental PV-éolien avec batteries a été développé. . Il a

permis une émulation proche de la réalité du comportement du système et ceci pour
différentes configurations. Ainsi, une nouvelle stratégie de commande basée sur le contrôle
des courants et l’estimation de l’état de charge des batteries a été validée avec succès.
Finalement, une conclusion générale avec quelques perspectives pour des travaux futurs
sont données.
Mots clés : “système hybride”, “sources renouvelables”, “modélisation”, “simulation”,

“commande”, “supervision”, “dimensionnement”, “optimisation”, “analyse du cycle de vie”,
“écobilan”, “banc d’essai”.

248
Résumés
Abstract
This thesis is a contribution to the study of photovoltaic-wind-battery hybrid systems for
several aspects: source evaluation, modeling and simulation, design optimization and finally
control and supervision.
In Chapter 1, different typologies of autonomous multi-source electrical systems for

residential housing and various options for electrical energy storage are reviewed. The use of
lead acid batteries is adequate in our application due to their reliable technology and their
good performance / cost ratio. After showing limitations of using a single source to meet the
needs of load, we focus our work particularly in photovoltaic-wind hybrid systems as wind
and sun resources are often complementary.
Chapter 2 provides an impact study on the evaluation of renewable energy potential at a

given site taking into account consumption in residential housing (period and method of data
acquisition, evaluation techniques…). This analysis clarifies the various parameters to be
considered for the simulation of the hybrid system thereafter.
Chapter 3 is devoted to hybrid wind-PV-battery system modeling. Initially, all the

components of the system are modeled and then economic and ecological aspects are defined
in order to make an overall assessment of various system configurations. All models are
represented using Matlab/Simulink tool. System is studied for different consumption profiles
taking into account energy captors’ position (especially PV panels). At the end of this chapter,
simulation results are presented and discussed.
Chapter 4 is consecrated to multi-source system design optimization. After a literature

review, the main existing design methods are discussed. Their advantages and shortcomings
are evoked. Then, a methodology for single and multi-objective design optimization is
developed to minimize system Life Cycle Cost (LCC), Embodied Energy (EE) and Loss of
Power Supply Probability (δPSP). A “practice solution” is thus retained and evaluated.
Results show a low environmental impact and a reasonable economic cost as well as a
satisfaction of the load within the limits tolerated by the user. At the end of this chapter, a
very convincing comparison of the developed sizing method to an existing commercial tool is
presented.

249
Résumés
In Chapter 5, an experimental PV-wind-battery tested is developed in laboratory to ensure

a quasi-realistic emulation of hybrid system behavior for different configurations.
Accordingly, a new supervision strategy based on currents control and battery state of charge
estimation is successfully validated.
Finally, a general conclusion with some perspectives for future work is given.
Keywords : “Hybrid power system”, “renewable sources”, “modeling”, “simulation”,

“control”, “supervision”, “design optimization”, “Life Cycle Cost“, “Life Cycle Analysis”,
“experimental test”.

250
Publications
Publications
1 Revue acceptée :
 Dhaker Abbes, André Martinez, Gérard Champenois, Jean Paul Gaubert,

Étude d’un système hybride éolien photovoltaïque avec stockage : Dimensionnement et
analyse du cycle de vie, European Journal of Electrical Engineering (2012) en cours de
publication (article de la conférence CONFREGE)
2 Revues en 2° relecture :
 Dhaker Abbes, André Martinez, Gérard Champenois, Eco-Design Optimization of an

Autonomous Hybrid Wind-PV System with Battery Storage, Revue IET: Renewable
Power Generation
 Dhaker Abbes, André Martinez, Gérard Champenois, Multi-Objective design
optimization of a hybrid PV-wind-battery system, Soumis à la revue Elsevier: J. Math.
Comput. Simulat (Matcom) (suite Electrimacs 2011)
3 congrès internationaux:
 Dhaker Abbes, André Martinez, Gérard Champenois, Jean-Paul Gaubert, Multi-

objective design optimization of a hybrid PV-wind-Battery System, Electrimac’s,
Cergy Pontoise, France, 2011
 Dhaker Abbes, André Martinez, Gérard Champenois, Jean-Paul Gaubert, Riad Kadri,
Estimation of Wind Turbine and Solar Photovoltaic Energy Using Variant Sampling
Intervals, EPE-Power Electronics and Motion Control, Ohrid, republic of Macedonia,
pp. T12_28-34, ID 151, September, 2010
 Dhaker Abbes, André Martinez, Gérard Champenois, Jean-Paul Gaubert, Statistical
study of the influence of the data sampling interval on the estimation of wind turbine
energy, International Conference on Renewable Energies and Power Quality, Granada,
Spain, 2010
1 congrès national :
 Dhaker Abbes, André Martinez, Gérard Champenois, Jean-Paul Gaubert, Etude d’un
système hybride éolien-photovoltaïque avec stockage : dimensionnement et analyse du
cycle de vie, Conférence Francophone sur l’Eco-conception en Génie Electrique,
Toulouse, France, 2010
Conférence invitée :
 Gérard CHAMPENOIS, Jean Paul GAUBERT, Riad KADRI, Dhaker ABBES, The
needs of the automatic in energy seen by researchers in electrical engineering, 12th
International Conference on Sciences and Techniques of Automatic Control &
computer engineering STA’2011, Sousse, Tunisia

252

2012 Abbes Dhaker These PDF

Transféré par

Informations du document

Titre original

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

2012 Abbes Dhaker These PDF

Transféré par

Droits d'auteur :

Formats disponibles

THÈSE

Pour l'obtention du grade de

École doctorale : Sciences et ingénierie en matériaux, mécanique, énergétique et aéronautique -

Contribution au dimensionnement et à l'optimisation

Soutenue le 20 juin 2012 devant le jury

Président Mohamed Machmoun Professeur, Polytech Nantes

Rapporteur Serge Pierfederici Professeur des Universités, Université de Nancy 1

Rapporteur Cristian Nichita Professeur des Universités, Université Le Havre

Membre Gérard Champenois Professeur des Universités, Université de Poitiers

Membre Jean-Paul Gaubert Maître de conférences, Université de Poitiers

Membre André Martinez Professeur, EIGSI de La Rochelle

Pour citer cette thèse :

ÉCτδE DτCTτRAδE DES SCIEσCES ET IσGÉσIERIE PτUR δ’IσFτRεATIτσ

Directeur de Thèse : Gérard CHAMPENOIS

Présentée et soutenue publiquement le 20/06/2012

devant la Commission d’Examen

Thèse préparée au sein du δaboratoire d’Automatique et d’Informatique pour les Systèmes

Chapitre 2 : Evaluations de la source et de la consommation dans un habitat 33

Chapitre 3 μ εodélisation et simulation d’un système hybride éolien-photovoltaïque 77

3.6- Résultats et discussions 111

Chapitre 4 : Optimisation du dimensionnement des systèmes hybrides éolien- 123

4.5.3- Evaluation avec le logiciel HOMER 168

Chapitre 5 : Mise en œuvre expérimentale d’un système hybride éolien- 177

5.4-εise en œuvre expérimentale du système hybride éolien photovoltaïque avec 208

Liste des figures

Figure 2.18 μ Evolution de l’irradiation solaire estimée en 2008 en fonction de la 69

Figure 4.14: Représentation de la surface de compromis Front de Pareto 160

Figure 5. 11: Résultats de simulation de la chaîne de conversion photovoltaïque 189

Thèse D. ABBES Page

Thèse D. ABBES Page

Liste des tableaux

Nomenclatures et principales abréviations

: Courant de saturation du panneau

: Facteur de coût économique par un m² de panneaux photovoltaïques

: Facteur de coût économique pour un m² de surface éolienne

: Demande mensuelle en énergie électrique de l’habitat

: Potentiel photovoltaïque mensuel éolien multiplié par le rendement des panneaux

: Coefficient de perte relatif à la technologie de l’accumulateur

: Coût de cycle de vie des batteries

: Le rayonnement extraterrestre global sur une surface horizontale pour un instant

Courant de saturation nominal d’un panneau photovoltaïque

: Courant photovoltaïque généré aux conditions nominales

: Courant photovoltaïque dû à l’irradiance

: Courant généré par un panneau photovoltaïque

: Courant nominal de court-circuit dans les conditions nominales de température et

: Coefficient de variation de la tension aux bornes d’un panneau photovoltaïque en

: Réserve en énergie des batteries en KWh

: Energie annuelle produite par les panneaux photovoltaïques en KWh/an

: Production annuelle de l’éolienne en kWh/an

: Besoins énergétiques totaux de l’habitat sur un an,

: Probabilité maximale d’insatisfaction de la demande autorisée par le

: Coût de cycle de vie d’un système photovoltaïque

: Puissance maximale expérimentale indiquée par le fabricant du panneau

Puissance maximale du modèle de panneau photovoltaïque obtenu par la procédure

: Tension à vide d’un panneau photovoltaïque dans les conditions nominales

: Potentiel thermique du panneau photovoltaïque

: Energie primaire incarnée par une petite éolienne

: Facteur d’actualisation de ce coût si le produit serait racheté n années plus tard

: Vitesse de rotation basse mesurée avant le multiplicateur de vitesse

: Angle d’incidence du rayonnement solaire sur une surface inclinée

a : Constante d’idéalité de la diode, supposée égale à 1dans notre cas

Apv : Surface des panneaux photovoltaïques en mètres carrés

B.M.S : Battery Management System