Vous êtes sur la page 1sur 7

Second International Conference on Power Electronics and Electrical Drives

USTO-MB, Oran, Algeria - December - 11-12, 2012

×ÝÐÛÛ܎ïî ÁÁ Û´»½¬®·½¿´ Ó¿½¸·²»­ ¿²¼ Ü®·ª»­


íï ñ éç
1

Commande d'un Convertisseur Matriciel Triphasé Par Réseaux de


Neurones –Entraînement d’une machine Asynchrone

** **
M. Benali Youcef & A. Bouhani Ben zian B. Belmadani & *A. Djahbar
Université Hassiba Ben Bouali de Chlef Université Hassiba Ben Bouali de Chlef
École Doctorale Génie Électrique École Doctorale Génie Électrique
Département d’Électrotechnique Département d’Électrotechnique
Chlef, Algérie Chlef, Algérie
** **
E-mail : benaliyoucef@ymail.com L E-mail : belmadani_dz@yahoo.fr
* *
E-mail : bouhani.1984@gmail.com E-mail : a_djahbar@yahoo.fr

Résumé—Le travail présenté relatif à l'élaboration des (reconnaissance de forme, traitement du signal, robotique,
stratégies de commande basées sur les techniques des traitement d’image. . .). Le secteur de l'électronique de
réseaux de neurones et appliquées à un convertisseur puissance est également concerné par cette avancée. Le
matriciel triphasé, ces techniques basées sur les modulations convertisseur matriciel est devenu un axe de recherche
et stratégies de commande classiques de ce dernier
important et plus attractif dans le domaine d'entraînement
(Venturini et Roy). Pour évaluer les performances apportées
par ces techniques de modulation, une étude des ou de génération à vitesse variable par exemple
performances de l’association MC-MAS par simulation l’entrainement des machines électriques.
numérique sous l'environnement Matlab. L’application des Les stratégies de commande par réseaux de neurones
réseaux de neurones à la commande d’un MC Nécessite le
chois d’architecture et le type du réseau élaboré, on expose le
d’un convertisseur matriciel triphasé basées sur les
modèle neuronal adopté dans nos propres démarches de modulations de Venturini et Roy. Nous nous sommes
commande, qui est le réseau neuronal multicouche de type limités aux réseaux de neurones de type perceptrons
anticipatrice avec l’algorithme de rétropropagation, et la multicouches de type Feedforward avec l’algorithme de
base d’apprentissage qui est élaborée à partir des rétropropagation, et la base d’apprentissage qu’est
algorithmes de Venturini et de Roy. Après les tests de élaborée à partir des résultats fournis par l’algorithme de
simulation et les comparaisons entre les méthodes classiques Venturini et l’algorithme de Roy.
et la méthode par réseaux de neurones les résultats obtenus
démontrent l’efficacité des réseaux de neurones à la Pour évaluer les performances apportées par ces
commande d’un MC et des performances dynamiques et techniques (Venturini, Roy et les Réseaux de neurones)
statique de la MAS qu’était alimenté par Le MC commandé appliquée au convertisseur matriciel, une étude des
par réseaux de neurones. performances de l’association convertisseur matriciel-
Mots clés : Réseaux de neurones, réseau neuronal machine asynchrone par simulation numérique sous
multicouche, l’algorithme de rétropropagation, convertisseur l'environnement Matlab.
matriciel, Algorithme de Venturini, Algorithme de Roy,
Machine asynchrone, performances dynamiques et statique
de la MAS.

1. NOMENCLATURE
r,s Indice pour le rotor et le stator
∅dr ,∅qr Les composantes de flux dans le repère dq
Lsr Inductance mutuelle statorique et rotorique
Lr ,Ls Inductance propre statorique et rotorique
ωs Pulsation Statorique
ωm vitesse angulaire électrique du rotor.
J Moment d’inertie.
Vdr ,Vqr Les composantes de tension dans le repère dq
Cem Couple électromagnétique.
Cch Couple résistant
f Coefficient de frottement visqueux.
p Nombre de paires de pôles.
M matrice de modulation
fo Fréquence de sortie
fi Fréquence d’entrée
Fig. 1. Schéma de principe d’un Convertisseur
MC Convertisseur matriciel (Matrice converter) Matriciel AC/AC alimentant une Machine
Asynchrone triphasée [Bou 04], [Abr 08].
2. INTRODUCTION
Les approches dites intelligentes artificielle se sont déjà
imposées dans un grand nombre de domaines
2
3. MODELISATION DE LA MACHINE ASYNCHRONE 3. Less commutateurs servant à synthétiser une même
En utilisant certaines hypothèses simplificatrices et la phase de sortie sont actionnés en séquence et
transformation de PARK, on obtient le modèle cycliquement tel que la somme de leurs intervalles de
mathématique de la machine asynchrone triphasée en temps de conduction pendant une séquence k est constante
fonction des variables d’état [Mih 02] : ids, iqs, Φdr, Φqr et et égale à Tseq fig. 2.
ωm. Tseq=1/fs : est la période séquentielle.
équentielle.

 dids 1  L2sr L L 
 = -(R
 s + )ids + sr φdr + sr ωm φqr +σ×ω
+σ s Ls iqs +vds 
 dt σLs  Lr Tr Lr Tr Lr 
 di  2

 qs = 1 -(Rs + Lsr )iqs - Lsr ωmφdr + Lsr φqr -σ×ω -σ s Ls ids +vqs 
 dt σLs  Lr Tr Lr Lr Tr 

dφ L 1
 dr = sr i - φ +(ω -ω ) φ
 dt Tr
ds
Tr
dr s m qr


 dφqr Lsr 1
 dt = T iqs - T φqr -(ωs -ωm )×φdr
 r r

 dωm p2 Lsr p f
 = (φdr iqs -φqr ids )- Cch - ωm
 dt J Lr J J
 Lsr Fig. 2. Durées de conduction des interrupteurs pendant
Cem =P  φdr iqs -φqr ids  une période de commutation.
 Lr
Avec :
σ=1-(‫ܮ‬ଶ௦௥Ȁ‫ܮ‬௦‫ܮ‬௥): Coefficient de dispersion ; Les valeurs moyennes des trois tensions de sortie durant la
kième séquence sont :
Tr =Lr /Rr : Constante de temps rotorique
 Vo1k =VAa
k k
m Aa k
+VBa m kBa +VCa
k k
m Ca
4. MODELISATION DU CONVERTISSEUR MATRICIEL  k k k k k k k (3)
A. Principe Vo2 =VAb m Ab +VBb m Bb +VCb m Cb
 V k =V k m k +V k m k +V k m k
Le convertisseur matriciel dont le schéma de principe  o3 Ac Ac Bc Bc Cc Cc
est donné à la figure.1. , est constitué de neuf interrupteurs Les m(k)ij sont des coefficients d’utilisation (duty cycles)
bidirectionnels Sij [Den 10]. des commutateurs Sij pendant la kème séquence.
Les tensions d’entrée sont données par :
t à la k iemeséquence
ij (4)
m k=
cos(ω୧t)) ij Tseq
V୧ଵ(t) ⎡ ଶπ
π

(1)
቎V୧ଶ(t)቏ൌ ୧୫ ⎢…‘•ቀω୧t + ଷ ቁ⎥ avec les restrictions suivantes (i=1,2 ,3)
V୧ଷ(t) ⎢ ସπ
π ⎥
⎣…‘•ቀω୧t + ଷ ቁ⎦ 3
(5)
Telle que, ωi=2πfi la pulsation
ulsation des tensions d’entrée. Les m
i=1
ij
k
=m1jk +m2jk +m3jk et 0<mijk <1
tensions de sortie désirées de pulsation fondamentale 5. Stratégie de modulation de VENTURINI
ωo=2πfo et d’amplitude vom=q.vim (q est le rapport de
conversion d’amplitude)
’amplitude) sont données par : L’algorithme de VENTURINI permet un contrôle des
commutateurs Sij de telle sorte que les parties de basse
cos (ω୭t) fréquence des tensions de sortie synthétisées voij et les
V୭ଵ(t) ଶ
ଶπ courants d’entrée iij sont purement sinusoïdales avec les
቎V୭ଶ(t)቏ൌ ୭୫ ൦cos (ω୭t + ଷ )൪ (2)
valeurs prescrites de la fréquence de sortie, la fréquence
V୭ଷ(t) ସ
ସπ
cos (ω୭t + ) d’entrée, le facteur de déplacement et l’amplitude d’entrée

[Ven 80-1],[Ven 80-1].
Chaque forme d’onde de la tension de sortie désirée voi La tension de sortie par phase est donnée par:
(i=1,2,3 ; le système précédent ne tient compte que le
(୩) (୩)
fondamentale) peut être synthétisée en hachant les trois ቂV୭ ቃ= ൣM (୩))൧
൧ቂV୧ ቃ (6)
tensions d’entrées vij (j=1,2,3), grâce aux commutateurs (k)
Sij. La forme d’onde de la tension de sortie d’une phase est La matrice [M ] est donnée par :
donc un ensemble de portions pris des tensions d’entrée.
d’entrée  2π 4π 
L’ouverture et la fermeture des commutateurs
commut se font en  1+2qcosA 1+2qcos(A-
3
) 1+2qcos(A-
3 
)
respectant les règles suivantes : 
M(k)  = 1 1+2qcos(A- 4ππ ) 2π 
(7)
 3 
1+2qcosA 1+2qcos(A- )

1. A chaque instant un seul commutateur fonctionne, pour  3
2ππ 4π
3

éviter le court-circuit entre les phases. 1+2qcos(A- ) 1+2qcos(A- ) 1+2qcosA 
2. A chaque instant au moins deux commutateurs  3 3 
fonctionnent, pour assurer la boucle de courant. ‫ ܣ‬ൌ (߱ ௢௜ ൅ ߠ) 
Ou ൜
߱ ௢௜ = ߱ ௢ െ ߱ ௜
3
Le convertisseur matriciel fonctionne avec l’algorithme de couche de sortie à 9 neurones un neurone pour chaque
VENTURINI, génère à la sortie un système de tension fonction de commutation (fig.3.
fig.3.).
triphasé sinusoïdale de pulsation ω୭୧ et d’amplitude q.Vim Les fonctions d'activation sont comme suit :
(0<q<0.866 avec modulation du neutre eq. 8).  La fonction d'activation utilisée pour la première
couche cachée est la fonction Sigmoïde ((logsig) ;
1  2v ii v oj 4q   La fonction d'activation utilisée pour la deuxième
m ij = 1+ + ω i t+β i )sin(3ω i t) 
sin(ω (8)
2 couche cachée est la fonction tangente hyperbolique
3
 Vim 3 3  (tansig).
ଶπ ସπ
Avec βi= {0, , }, i= {A, B, C} et j= {a, b, c}.  La fonction d'activation utilisée pour la couche de
ଷ ଷ sortie est la fonction Linéaire (purelin).
6. Algorithme Scalaire de ROY
La méthode de Roy est une méthode typique parmi les
méthodes de modulation développées de sorte que les
signaux de mise en action de commutateur sont calculés
directement à partir des mesures des tensions d'entrée
[Roy 87]. Cette méthode scalaire est basée sur la mesure
des tensions d’entrées instantanées suivies d’une
comparaison de ces grandeurs relatives suivant
l'algorithme ci-dessous :
1. Assignez l'indice M à l’une des tensions triphasé
d'entrée possédant une polarité différente aux autres ; Fig. 3. Architecture neuronal proposée pour
2. Assignez l'indice L à la plus petite tension (en La commande du convertisseur matriciel
valeur absolue) des deux autres tensions d’entrées ; Le nombre n représente le nombre de neurone dans
3. Assignez l'indice K à la troisième tension. chaque couche. Le choix de cette architecture (structure) à
 (Vo j -V M )V L été réalisé par simulation sous l’environnement Matlab
 m LJ = 1 .5 Vim
2 programmation. Lee réseau doit recevoir à son entrée les
 trois tensions de référence du convertisseur matriciel et La
 (Vo j -V M )V K
(9)
m KJ = 2
sortie de réseau doit fournir les fonctions de commutations
 1 .5 V im
mij. La base d’apprentissage est élaborée à partir des
 m M J = 1 -(m L J -m K J ) résultats fournis par l’algorithme de Ve Venturini et
 l’algorithme de Roy et réalisée à l'aide de l'algorithme de

Pour : J= {1, 2, 3}. rétropropagation du gradient [Ima 05], avec une
Les coefficients d'utilisation de modulation pour la initialisation des poids synaptiques et des biais aléatoires.
√ଷ On note que cette procédure pour l’élaboration du réseau
méthode de Roy avec la valeur max de q= sont indiqués est valable pour tous les cas qui vont être étudiés.

dans l’équation (10):
8. Résultats de simulation et interprétations
 2 v ii v o j  Le meilleur apprentissage obtenu par la structure proposée
1 2 (10) est présenté dans les figures suivantes l’algorithme de
m ij = 1 - 2 + ω i t-β i )sin (3 ω i t) 
s in (ω
3  Vim 3  VENTURINI Fig.4. Et pour l’algorithme de Roy Fig.5.
7. Application des réseaux de neurones a la commande Performance is 9.99979e-005, Goal is 0.0001 1
Performance is 9.7405e-006, Goal is 1e-005
0
10 10

d’un convertisseur matriciel triphasé 10


0

10
-1
fo=50Hz fo=25Hz
Chaque réseau de neurones rempli une fonction bien
-1
10
Training-Blue Goal-Black
Training-Blue Goal-Black

-2

définie dépendant de l’architecture choisie (le nombre de 10


10
-2

neurones dans chaque couche). Le problème est de trouver 10


-3 10
-3

la fonction qui donne de meilleur résultat.


résultat Les couches 10
-4

d’entrées et de sorties sont bien connus car elles sont


-4
10
-5
10

imposées par le système, mais on ne sait pas dimensionner 10


-5
10
-6

correctement lee nombre de couche cachées et le nombre


0 100 200 300 400 500 600 700 0 10 20 30 40 50 60 70
781 Epochs 72 Epochs

de neurones sur ces couches. Pour cela plusieurs essais ont Fig.4. Résultats de la phase de reconnaissance à base de l’algorithme de
VENTURINI
TURINI
été effectués afin de déterminer l’architecture optimale du
réseau [ENA 02]. 10
1
Performance is 9.86352e-006, Goal is 1e-005
10
1
Performance is 9.77533e-005, Goal is 0.0001

L'objet de cette section qui traitera la commande d’un 10


0

fo=50Hz 10
0

fo=25Hz
convertisseur matriciel triphasé par réseaux de neurones 10
-1
Training-Blue Goal-Black

-1

on se propose d'attaquer les neuf interrupteurs du


Training-Blue Goal-Black

10

-2
10

convertisseur par les réseaux neuronaux on remplace les -3


10
-2

fonctions de commutation mij « les rapports


ra cycliques »
10
-3
10
-4

fournis par les algorithmes de modulation par les 10

10
-4

fonctions de commutations fournis par notre modèle du


-5
10

-5

réseau de neurone. Le réseau possède une couche d’entrée


-6 10
10 0 20 40 60 80 100 120 140
0 50 100 150 200 250
146 Epochs
278 Epochs

de 3 neurones, une première couche cachée de 9 neurones Fig.5. Résultats de la phase de reconnaissance à base de l’algorithme de
une deuxième couche cachée de 15 neurones et une ROY
4
Vo1 [V] par VEN Vo1 [V] par RN Vo1 [V] par Roy Vo1 [V] par RN
400 400 400 400

300 300 300 300

200 200 200 200

100 100 100 100

0 0 0 0

-100 -100 -100 -100

-200 -200 -200 -200

-300 -300 -300 -300

-400 -400 -400 -400


0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04
temps [s] temps [s] temps [s] Temps [s]

Fundamental (50Hz) = 211.8 , THD= 97.48%


Fundamental (50Hz) = 211.8 , THD= 97.48% Fundamental (50Hz) = 231.9 , THD= 71.01%
Fundamental (50Hz) = 231.9 , THD= 71.01%
Fundamental (50Hz) = 264.9 , THD= 66.76% Fundamental
Fundamental (50Hz) = 270.1 , THD= 63.46%
(50Hz) = 270.1 , THD= 63.46%
Fundamental (50Hz) = 264.9 , THD= 66.76%

1 1 1 1

0.8 0.8 0.8 0.8

0.6 0.6 0.6 0.6

0.4 0.4 0.4 0.4

0.2 0.2 0.2 0.2

0 0 0 0
0 20 40 60 80 100 0 20 40 60 80 100 0 20 40 60 80 100 0 20 40 60 80 100
Rang des harmoniques Rang des harmoniques Rang des harmoniques Rang des harmoniques

Fig.6. La tension de sortie du convertisseur Vo1 [V] de la Fig.8. La tension de sortie du convertisseur Vo1 [V] de la
première phase et ces spectres d’harmonique fo=50Hz. première phase et ces spectres d’harmonique fo=50Hz.

Vo1 [V] par VEN Vo1 [V] par RN Vo1 [V] par Roy Vo1 [V] par RN
400 400 400 400

300 300 300 300

200 200 200 200


La tension de sortie Voa [V]

100 100 100 100

0 0 0 0

-100 -100 -100 -100

-200 -200 -200 -200

-300 -300 -300 -300

-400 -400 -400 -400


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08
temps [s] temps [s] temps [s] Temps [s]

Fundamental (25Hz)
Fundamental (25Hz)== 216.5 , THD=
216.5 , THD= 73.27%
73.27% Fundamental (25Hz)
Fundamental (25Hz)= 228.4, THD=
= 228.4 , THD= 63.18%
63.18%
Fundamental (25Hz)
Fundamental (25Hz)==260.4 , THD=
260.4 , THD= 61.33%
61.33% Fundamental (25Hz)
Fundamental (25Hz)==261.4
261.4 , ,THD=
THD= 58.96%
58.96%

1 1 1 1

0.8 0.8 0.8 0.8

0.6 0.6 0.6


0.6

0.4 0.4 0.4


0.4

0.2 0.2 0.2


0.2

0 0 0
0 0 20 40 60 80 100 0 20 40 60 80 100
0 20 40 60 80 100 0 20 40 60 80 100
Rang des harmoniques Rang des harmoniques Rang des harmoniques
Rang des harmoniques

Fig.7. La tension de sortie du convertisseur Vo1 [V] de la Fig.9. La tension de sortie du convertisseur Vo1 [V] de la
première phase et ces spectres d’harmonique fo=25Hz. première phase et ces spectres d’harmonique fo=25Hz.

Algorithme de Les réseaux de Algorithme de Les réseaux de


Venturini neurones Roy neurones

Vo1 [V] Vo1 [V] Vo1 [V] Vo1 [V]


La tension de sortie La tension de sortie
du MC du MC
50Hz 25 Hz 50 Hz 25 Hz 50Hz 25 Hz 50 Hz 25 Hz

THD (%) 97,48 73,27 71,01 63,18 THD (%) 66,76 61,33 63,46 58,96

L’harmonique L’harmonique 264,9V 260,4V 270,1V 261,4V


211,8V 216,5V 231,9V 228,4V
fondamentale fondamentale

Tableau.1. comparaisons entre les (THD, Amplitudes des Tableau.2. comparaisons entre les (THD, Amplitudes des
harmoniques fondamentales) des signaux obtenus par harmoniques fondamentales) des signaux obtenu par Roy
VENTURINI et la commande par réseaux de neurones et la commande par réseaux de neurones
5
Les performances apportées par la commande de Isa [A] par VEN Isa [A] par RN
Venturini (Méthode optimisée) et la commande de ROY 20

15
20

15

et les Réseaux de neurones appliquées au convertisseur 10 10

matriciel triphasé, ont étaient réalisée avec les paramètres

Le courant statorique isa [A]

Le courant statorique isa [A]


5 5

suivants : 0 0

-5 -5

 Source de tension triphasée de 220 V; -10 -10

 Fréquence de commutation fc=1 kHz ;


-15 -15

-20 -20

 Le pas de simulation de 0.01 ms. -25


0 0.5 1 1.5 2 2.5 3
-25
0 0.5 1 1.5 2 2.5 3

 rapport de transformation (q=0.866).


temps [s] temps [s]

Fundamental (25Hz) = 6.124 , THD= 29.96%


Fundamental (25Hz) = 6.124 , THD= 29.96% Fundamental
Fundamental(25Hz)
(25Hz) ==6.202
6.202, THD=
, THD= 20.68%
20.68%
On constate d'après les résultats de simulation obtenus 1 1

Amplitude par rapport au fondamental


par la commandes par réseaux de neurones que : 0.8 0.8
 On a les mêmes formes des tensions et des courants
0.6 0.6
son perd la qualité des signaux sinusoïdaux.
 Toujours il existe des harmoniques pairs et impairs et 0.4 0.4

aussi sont repoussées et regroupées autour de la 0.2 0.2


fréquence de pulsation et ces multiples.
0 0
Le taux d’harmonique THD des signaux obtenus avec la 0 20 40 60 80 100 0 20 40 60 80 100
Rang des harmoniques Rang des harmoniques
commande par réseaux de neurones est moins faible que le
THD des signaux obtenus par les commandes classiques Fig.11. Performance de l’association MC – MAS par réseaux de
(Venturini et Roy). Qui s’implique l’augmentation des neurones à base de l’algorithme de VEN (fo= 25Hz).
amplitudes de l’harmonique fondamentale des signaux par
rapport aux amplitudes de l’harmonique fondamentale des
signaux obtenus par les commandes classiques (Venturini Algorithme de Les réseaux de
et Roy). Venturini neurones
9. Étude des performances de l’association MC–MAS
Isa [A] Isa [A]
Dans ce paragraphe nous avons simulé pour les valeurs Le courant statorique
de la fréquence de sortie du convertisseur matriciel 50Hz 25 Hz 50 Hz 25 Hz
commandé par réseaux de neurones (fo=50Hz, 25Hz) les
grandeurs suivantes : THD (%) 18,38 29,96 14,53 20,68
 Le courant statorique Isa [A] de la phase A de la
machine asynchrone. L’harmonique
La simulation numérique a était réalisée avec les 7,111A 6,124A 7,551A 6,202A
fondamentale
paramètres suivants :
 Source de tension triphasée de 220 V; Tableau.3. comparaisons entre les (THD, Amplitude de
 Fréquence de commutation fc=1 kHz ; l’harmonique fondamentale) du courant statorique obtenu
 Le pas de simulation de 0.01 ms. par VEN et la commande par réseaux de neurones

A. Performance de l’association MC–MAS par réseaux B. Performance de l’association MC–MAS par réseaux
de neurones à base de l’algorithme de VEN de neurones à base de l’algorithme de Roy
Isa [A] par VEN Isa [A] par RN Isa [A] par Roy Isa [A] par RN
25 25
20 20
20 20
15 15
15 15
Le courant statorique isa [A]

10
Le courant statorique isa [A]

10 10 10
Le courant statorique isa [A]
Le courant statorique isa [A]

5 5 5
5

0
0
0 0
-5
-5
-5 -5
-10
-10

-10 -10 -15


-15

-15 -20
-15 -20
-25
-20 0 0.5 1 1.5 2 2.5 3 -25
-20 0 0.5 1 1.5 2 2.5 3
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3 temps [s]
temps [s] temps [s]
temps [s]

Fundamental
Fundamental(50Hz)
(50Hz) == 6.054 , THD=
17.99%17.99%
Fundamental (50Hz) = 6.631 , THD= 15.52%
Fundamental (50Hz)
Fundamental (50Hz)== 7.111 , THD=
7.111 , THD= 18.38% Fundamental
18.38% (50Hz)
Fundamental (50Hz)==7.551 , THD=
7.551 , THD= 14.53%
14.53%
6.054 , THD= Fundamental (50Hz) = 6.631 , THD= 15.52%
Amplitude par rapport au fondamental
Amplitude par rapport au fondamental

1 1
1 1
0.8 0.8
0.8 0.8
0.6 0.6
0.6 0.6

0.4 0.4 0.4 0.4

0.2 0.2 0.2 0.2

0 0
0 0 0 20 40 60 80 100 0 20 40 60 80 100
0 20 40 60 80 100 0 20 40 60 80 100 Rang des harmoniques Rang des harmoniques
Rang des harmoniques Rang des harmoniques

Fig.10. Performance de l’association MC – MAS par réseaux de Fig.12. Performance de l’association MC – MAS par réseaux de
neurones à base de l’algorithme de VEN (fo= 50Hz). neurones à base de l’algorithme de Roy (fo= 50Hz).
6
Isa [A] par Roy Isa [A] par RN Conclusion
30
30

20
20
Notre travail et pour améliorer les performances
d’entraînement de la machine asynchrone par un
Le courant statorique isa [A]

Le courant statorique isa [A]


10
10

0
0
convertisseur matriciel triphasé on c’est orienté vers une
-10
nouvelle stratégie de commande par réseaux de neurones.
-10

-20
La commande supervisé par réseaux de neurones nous a
-20

-30
permis d’améliorer les performances du convertisseur
0 0.5 1 1.5 2 2.5 3 -30
temps [s] 0 0.5 1 1.5
temps [s]
2 2.5 3
matriciel triphasé ces dernière influés sur les performances
Fundamental (25Hz) = 5.983 , THD= 23.48%
Fundamental (25Hz) = 5.983 , THD= 23.48%
Fundamental (25Hz) = 6.379 , THD= 20.84%
Fundamental (25Hz) = 6.379 , THD= 20.84%
dynamique et statique de la MAS et une diminution
1 1
tangible des harmoniques dans les tensions de sorties du
0.8 0.8 convertisseur et les courant statorique de la MAS.
0.6 0.6 Notre travail ouvre de nombreuses perspectives que nous
0.4 0.4 pouvons résumer par les points suivants :
0.2 0.2  Étudier les différents algorithmes de modulation du
0 0 convertisseur matriciel et les remplacées par les réseaux
0 20 40 60 80 100 0 20 40 60 80 100
Rang des harmoniques Rang des harmoniques de neurones tel que la modulation par SVM et la
Fig.13. Performance de l’association MC – MAS par réseaux de modulation vectoriel.
neurones à base de l’algorithme de Roy (fo= 25Hz).
 généralisation des modèles de commande élaborés pour
Algorithme de Les réseaux de
les convertisseurs matriciels multi niveaux.
Roy neurones  Les résultats obtenus en utilisant les réseaux de
neurones sont validés par simulation, il serait très
Isa [A] Isa [A] intéressant de pouvoir les appliquer dans la pratique.
Le courant statorique Bibliographie
50Hz 25 Hz 50 Hz 25 Hz [Abr 08] ABROUS Ahmed "Modélisation, Commande et
Réalisation d’un Convertisseur Matriciel " mémoire de magister,
THD (%) 17,99 23,48 15,52 20,84 École Nationale Polytechnique, ENP 2008.
[Bou 04] Boumediene HAMID " Stratégie de Contrôle de la
L’harmonique 6,054A 5,98 A 6,631 A 6,379A Machine Asynchrone Alimentée par Convertisseur Matriciel"
fondamentale mémoire de magister, Université des Sciences et de la
Technologie d’Oran Mohamed Boudiaf, USTO 2006.
Tableau.4. comparaisons entre les (THD, Amplitude de [Den 10] DENDOUGA Abdelhakim " Contrôle des
l’harmonique fondamentale) du courant statorique obtenu Puissances Active et Réactive de la Machine A Double
par Roy et la commande par réseaux de neurones Alimentation (DFIM) " Thèse de Doctorat, Université de Batna
2010.
D’après les résultats de simulation association [ENA 02] O. Enaut Muxika " Application Des Réseaux de
MC-MAS avec la commandes par réseaux de neurones, on neurones A L’Identification D’un Axe De Machine-outil " thèse
de doctorat, L’Institut National Polytechnique de Grenoble 2002.
constate que :
[Ima 05] Imarazene KHOUKHA " Application Des Réseaux
Les mêmes performances que la commande du MC par De Neurones à La Commande Par Élimination d’Harmoniques
les méthodes classiques (Venturini et Roy) sauf qu’avec la des Onduleurs Multi niveaux" mémoire de magister, École
commande par réseaux de neurones on note des Nationale Polytechnique, ENP 2005.
diminutions de THD dans les courants statoriques de la [Mih 02] Y. Mihoub "Commande Neuro-Floue D’une Machine
Asynchrone" mémoire de magister, Université des Sciences et
MAS par rapport aux commandes par les méthodes
de la Technologie d’Oran Mohamed Boudiaf, USTO 2002.
classiques comme montre les tableaux (Tableau.3. et
[Roy 87] G. ROY, L. DUGUAY, S. MANIAS, AND
Tableau.4.) G.E.APRIL."Asynchronous operation of cycloconverter with
Ainsi l’amélioration appontée dans les minimisations au improved voltage gain by employing a scalar control algorithm"
niveau des oscillations du couple électromagnétique de la In Conf. Rec. IEEE-IAS Annu. Meeting, 1987, pp. 889–898.
MAS avec la commande du MC par réseaux de neurone. [Ven 80-1] M.Venturini, "A new sine wave in, sine wave out
conversion technique eliminates reactive elements", Proc.
On constate que la commande du Mc par réseaux de Powercon 7, pp. E3-1-E313, 1980.
neurones en tenant compte comme base d’apprentissage [VEN 80-2] Venturini.M et Alesina. A, ″ The generalized
l’algorithme de Venturini est meilleur que l’algorithme de transformer: A new bidirectional sinusoidal wave form
Roy, on remarque cette différence dans la capacité de frequency converter with continuously adjustable input power
minimiser le THD dans les tensions de sortie du MC et factor″, IEEE Proc., Power electronics specialists Conf.
aussi dans les courants statoriques de la MAS. PESC'80, pp.242-252, Jun 1980, New York, USA.