Vous êtes sur la page 1sur 153

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/334658161

Thèse doctorat - Mustapha Habib

Thesis · July 2019

CITATIONS READS

0 366

2 authors:

Mustapha Habib Ladjici Ahmed Amine


AuTeBa GmbH University of Science and Technology Houari Boumediene
16 PUBLICATIONS   22 CITATIONS    42 PUBLICATIONS   125 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Control and Energy Management of Smart Grid with High Integration Rate of Renewable Energy and Storage View project

optimal radial distribution network reconfiguration View project

All content following this page was uploaded by Mustapha Habib on 25 July 2019.

The user has requested enhancement of the downloaded file.


N° d’ordre : 11/2019-D/ELT

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE


SCIENTIFIQUE

UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE HOUARI


BOUMEDIENE (USTHB) / ALGER

FACULTE D’ELECTRONIQUE ET D’INFORMATIQUE

Thèse de doctorat en sciences présentée pour l’obtention du grade de

DOCTEUR
En : électrotechnique
Spécialité : électro-énergétique
Par : Mustapha HABIB

Sujet :

Commande et Gestion d’Energie d’un Réseau


Intelligent avec Fort Taux d’Intégration d’Energie
Renouvelable et de Stockage

Soutenu publiquement le 09/07/2019, devant le jury composé par :

Mr. BOUDOUR Mohamed Professeur à l’USTHB Président


Mr. LADJICI Ahmed Amine MCA à l’USTHB Directeur de thèse
Mr. MENAA Mohamed Professeur à l’USTHB Examinateur
Mr. BENMANSOUR Khelifa Professeur à l’université Yahia Fares de Médéa Examinateur
Mr. MAROUANI Khoudir MCA à l’EMP de Bordj El-Bahri Examinateur
Mr. BAGHLI Lotfi Professeur à l’université Abou Bekr Belkaïd de Tlemcen Examinateur
Mr. KHOUCHA Farid MCB à l’EMP de Bordj El-Bahri Invité

2019
Résumé

L'intégration des sources d'énergie renouvelables au réseau électrique devient une nécessité mondiale
dû aux avantages techniques, économiques et environnementaux associés. Néanmoins, le
comportement fluctué des sources renouvelables rend difficile d’avoir une haute qualité de puissance
capable d’être injectée au réseau ou utilisé localement. En addition, la nature incertaine de la
génération renouvelable ne permet pas toujours l’obtention d’un partage optimal entre les différents
producteurs, stockeurs et consommateurs d'énergie dans un système hybride autonome ou raccordé au
réseau. D’autre part, le grand taux de pénétration des systèmes photovoltaïques (PV) dans un réseau
basse tension (BT) peut provoquer, dans certains cas, un phénomène de surtension inversant le flux de
la puissance active vers le transformateur d’alimentation. Cette thèse vise à apporter des contributions
sur les défis mentionnés précédemment : une nouvelle technique prédictive de gestion d’énergie pour
un système hybride PV/batteries est développée et validée. La technique consiste à réduire le coût
d’énergie et étendre la durée de vie des batteries en respectant les contraintes de fonctionnalité du
système. En addition, la thèse propose et valide une nouvelle gestion optimisée de flux de l’énergie
réactive de plusieurs systèmes PV connectés au réseau BT afin d’éviter le problème de surtension. Une
technique semblable est appliquée au réseau de transmission intégrants des centrales PV, l’objectif
cette fois est l’amélioration des profils de tension dans les jeux de barres de charge et la minimisation
des pertes des lignes. Vue de l’importance de la commande séparée des puissances actives et réactives
des systèmes PV, une commande prédictive améliorée est validée pour les onduleurs PV raccordés au
réseau à 2-niveau, 5-niveau en cascade et à une topologie de 5-niveau en cascade améliorée.
Finalement, certains essais expérimentaux de gestion d’énergie ont été vérifiés sur un micro-réseau
intelligent réelle construit à base de produits commerciaux, trois méthodes ont été validées dans
différentes conditions climatiques, nommés : gestion à base de règles, gestion à base de règles floues
et gestion prédictive.

Mots clé : Photovoltaïque, Batterie, gestion d’énergie, micro-réseau, réseau basse tension, réseau de
transmission, onduleur, commande prédictive.

Abstract

The integration of renewable energy sources into the power grid is becoming a global necessity due to
the associated technical, economic and environmental benefits. Nevertheless, the fluctuating behavior
of renewable sources makes it difficult to have a higher power quality that can be injected into the grid
or used locally. In addition, the uncertain nature of renewable generation does not always make it
possible to obtain an optimal power sharing between the different energy producers, storage and
consumers in a hybrid system which is islanded or connected. On the other hand, a large penetration
rate of photovoltaic (PV) systems in a low-voltage (LV) network can cause, in some cases, an
overvoltage phenomenon reversing the flow of the active power to the power transformer. On a larger
scale, the effect of the integration of several PV plants into the transmission network is also
investigated. This thesis aims to make contributions on the challenges mentioned above: a new
predictive energy management technique for a hybrid PV/battery system is developed and validated.
The technique consists in reducing the energy cost extending the batteries lifetime while respecting the
system constraints. In addition, the thesis proposes and validates a new optimized management of the
reactive power flow of several PV systems connected to LV networks in order to avoid overvoltages.
A similar technique is applied to the transmission network-connected PV plants, the objective this
time is the improvement of the voltage profiles in the load buses and the minimization of line losses.
Given the importance of the separate control of the active and reactive powers of PV systems, an
improved predictive control is validated for 2-level PV inverters, 5-level cascaded inverters and a new
5-level cascade topology. Finally, some experimental energy management tests were verified on a real
smart micro-grid based on commercial products, three methods were validated under different climatic
conditions, named: rule-based management, fuzzy-based management and predictive management.

Keywords: Photovoltaic, Battery, energy management, micro-grid, low voltage network, transmission
network, inverter, predictive control.
Remerciement
Je tiens tout d’abord à remercier en premier lieu mon directeur de thèse Dr. Ahmed
Amine LADJICI pour sa patience et son encouragement qu’il m’a accordé le long de ce
travail, ainsi au chef du laboratoire des systèmes électriques et industriels (LSEI) Pr.
Mohammed BOUDOUR pour ses conseils et son soutien, particulièrement durant mes
candidatures aux stages académiques.

Tous mes remerciements aux membres de jury : Prof. M. Boudour, Prof. M. Menaa,
Prof. L. Baghli, Prof. K. Benmensour et Dr. K. Marouani, qui m’ont fait l’honneur d’accepter
de juger ce travail, pour leur présence, leur disponibilité et les remarques constructives qui ont
émis.

Je tiens à remercier Pr. Elmar BOLLIN de l’Université d’Offenburg des sciences


appliquées pour avoir accepté d’être un co-encadreur durant le déroulement de ce projet, pour
me recevoir dans son institut durant mon stage longue durée et pour tout type de support qu’il
m’a accordé. Je remercie aussi Pr. Michael Schmidt pour sa collaboration, Mr. Feldmann
Thomas et Mr. Wirwitzki Michael pour ses aides techniques. Je tiens à remercies tous les
chercheurs, étudiants et employés de l’Institut des Technologies des Systèmes d’Energie
(INES).

Je tiens également à remercier Pr. Ralph Kennel de m’avoir reçu durant mon stage
court duré et pour m’avoir facilité l’accès aux différentes installations de l’institut de
l’Electronique de Puissance et l’Entrainement Electrique de l’Université Technique de
Munich.

Je tiens à exprimer ma reconnaissance à mes collègues du laboratoire LSEI de


l’Université des Sciences et de la Technologie Houari Boumediene (USTHB).

Je souhaiterai enfin remercier mes parents qui m'ont toujours offert la possibilité
d’effectuer mes études dans les meilleures conditions qui soient.

Mustapha HABIB

18/05/2019
Table de matières
Introduction générale……………………………………………………………………………………………...13

Chapitre I: Etat de l'art sur la gestion des réseaux et micro-réseaux hybrides ............................................. 15

1. Introduction .................................................................................................................................................. 16

2. Pourquoi le réseau intelligent ....................................................................................................................... 16

3. Définition d’un réseau intelligent ................................................................................................................. 17

4. Notion de micro-réseau ................................................................................................................................ 18

5. Gestion du réseau électrique ......................................................................................................................... 19

5.1 Gestion de la puissance active ............................................................................................................. 21

5.1.1 Gestion prédictive horaire d’un système hybride – cas d’un bâtiment ....................................... 21

5.1.2 Commande prédictive des onduleurs PV raccordés au réseau .................................................... 23

5.1.3 Application de FSMPC aux onduleurs à 2-niveau avec supervision de la fréquence de


commutation ................................................................................................................................................. 25

5.1.4 Application de FSMPC aux onduleurs multi-niveaux ................................................................ 26

5.2 Gestion de la puissance réactive .......................................................................................................... 26

5.2.1 Gestion de la puissance réactive des systèmes PV raccordés au réseau BT................................ 26

5.2.2 Techniques de régulation de la tension PCC avec fort taux de pénétration PV .......................... 27

5.2.3 Gestion de la puissance réactive des systèmes PV raccordés au réseau HT ............................... 30

6. Contributions de la thèse .............................................................................................................................. 33

6.1 Organisation de la thèse ....................................................................................................................... 34

7. Conclusion .................................................................................................................................................... 34

Chapitre II: Gestion prédictive de l'énergie d'un système hybride connecté au réseau ............................... 35

1. Introduction .................................................................................................................................................. 36

2. Topologie du système hybride PV/batteries ................................................................................................. 36

2.1 Commande du convertisseur DC/DC .................................................................................................. 36

2.2 Commande du convertisseur DC/AC .................................................................................................. 37

3. Prévision du flux de puissance dans le micro-réseau du bâtiment ................................................................ 37

3.1 Prévision de la production PV ............................................................................................................. 37

3.2 Prévision de la demande en puissance d’un bâtiment .......................................................................... 39


4. Formulation de la gestion MPC .................................................................................................................... 40

4.1 Équation du flux de puissance ............................................................................................................. 40

4.2 Etat de charge des batteries.................................................................................................................. 41

4.3 Formulation de la fonction coût ........................................................................................................... 41

4.4 Stratégie d'optimisation ....................................................................................................................... 42

5. Organigramme de la gestion MPC ............................................................................................................... 43

6. Résultats de simulation ................................................................................................................................. 44

6.1 Test de gestion MPC standard ............................................................................................................. 47

6.2 Test de gestion MPC avec pénalité sur le coût d’énergie .................................................................... 49

6.3 Test MPC avec pénalité sur la durée de vie de BESS.......................................................................... 51

7. Comparaison................................................................................................................................................. 54

8. Conclusion .................................................................................................................................................... 55

Chapitre III: Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau ...................... 56

1. Introduction .................................................................................................................................................. 57

2. Gestion optimisé des onduleurs PV raccordé à une branche BT .................................................................. 57

2.1 Modélisation du problème ................................................................................................................... 57

2.2 Cas d’une simulation ........................................................................................................................... 60

2.2.1 Test 1 : un départ BT avec excès de puissance renouvelable ...................................................... 61

2.2.2 Test 2 : un départ BT équilibré ................................................................................................... 63

2.2.3 Test 3 : un départ BT chargé ....................................................................................................... 66

3. Gestion des centrales PV raccordés au réseau de transport .......................................................................... 68

3.1 Description du système et de la méthode ............................................................................................. 68

3.2 Contrôle des convertisseurs DC/AC .................................................................................................... 69

3.3 Algorithmes d’optimisation ................................................................................................................. 70

3.4 Formulation du problème d'optimisation ............................................................................................. 71

3.4.1 Amélioration du profil de tension ............................................................................................... 71

3.4.2 Réduction des pertes de transport ............................................................................................... 72

3.5 Résultats de simulation ........................................................................................................................ 73

3.5.1 Fonctionnement conventionnel des centrales PV ........................................................................ 74

3.5.2 Technique de contrôle proposée ................................................................................................. 76


3.5.3 Discussion des résultats .............................................................................................................. 76

4. Conclusion .................................................................................................................................................... 83

Chapitre VI: Commande prédictive des onduleurs PV raccordés au réseau ................................................ 84

1. Introduction .................................................................................................................................................. 85

2. Commande FSMPC optimisée pour un onduleur PV à 2-niveau ................................................................. 85

2.1 Initiation .............................................................................................................................................. 85

2.1.1 Prédiction du courant .................................................................................................................. 88

2.1.2 Prédiction des puissances ............................................................................................................ 88

2.1.3 Fonction objectif ......................................................................................................................... 89

2.2 Qualité de puissance en fonction de la fréquence de commutation ..................................................... 89

2.3 Simulations et commentaires ............................................................................................................... 91

2.3.1 Contrôle MPC sans optimisation de fréquence de commutation ................................................ 91

2.3.2 Commande FSMPC avec optimisation de la fréquence de commutation ................................... 93

3. Onduleur à 5-niveau en cascade modifié ...................................................................................................... 98

3.1 Modèle de l’onduleur CHB classique .................................................................................................. 99

3.2 Modèle de l’onduleur M-CHB............................................................................................................. 99

3.3 Commande FSMPC de CHB et M-CHB ........................................................................................... 101

4. Simulations et commentaires ...................................................................................................................... 101

4.1 CHB contrôlé par FSMPC ................................................................................................................. 101

4.2 M-CHB contrôlé par FSMPC ............................................................................................................ 103

5. Conclusion .................................................................................................................................................. 105

Chapitre V: Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent .................... 106

1. Introduction ................................................................................................................................................ 107

2. Description du miro-réseau expérimental d’INES ..................................................................................... 107

3. Topologie d’hybridation ............................................................................................................................. 110

4. Gestion d’énergie à base de règles ............................................................................................................. 112

4.1 Principe .............................................................................................................................................. 112

4.2 Test expérimental .............................................................................................................................. 113

5. Gestion à base de règles floues ................................................................................................................... 115

5.1 Principe .............................................................................................................................................. 115


5.2 Test expérimental .............................................................................................................................. 116

6. Gestion prédictive d’énergie....................................................................................................................... 119

6.1 Principe .............................................................................................................................................. 119

6.2 Test expérimental .............................................................................................................................. 121

6.3 Test de robustesse .............................................................................................................................. 124

7. Discussion des résultats .............................................................................................................................. 127

8. Conclusion .................................................................................................................................................. 128

Conclusion générale et perspective….……….………………………………………………………………….128


Liste des abréviations
AC : Alternative Current
AG : Algorithmes Génétiques
BESS : Battery Energy Storage System
BPD : Building Power Demand
BT : Basse Tension
CHB : Cascaded H-Bridge M-CHB
CSI : Current Source Inverter
DC : Direct Current
DOD : Depth of Discharge
ED : Evolution Différentielle
FACTS : Flexible AC Transmission System
FSMPC : Finite State Model Predictive Control
GER : Générateur à base d’Energie Renouvelable
HTA: Haute Tension A
HTB : Haute Tension B
IGBT : Insulated-Gate Bipolar Transistor
INES : Institute of Energy Systems Technologies
M-CHB: Modified Cascaded H-Bridge
MPC : Model Predictive Control
MPPT : Maximum Power Point Tracking
PCC : Point of Common Coupling
PID : Proportional Integral Derivative
PSO : Particle Swarm Optimization
PV : Photovoltaique
PWM : Pulse Width Modulation
RNA : Réseau de Neurone Artificiel
SED : Système d’Energie Distribué
SOC : State of Charge
STATCOM : Static Synchronous Compensator
THD : Total Harmonic Distortion
VSI : Voltage Source Inverter
Liste des figures
Figure I. 1: Schéma simplifié d’un réseau électrique intelligent [3] ......................................................................................... 18
Figure I. 2 : Schéma simplifié d’un micro-réseau hybride [18] ................................................................................................ 19
Figure I. 3 : Principe de la gestion prédictive proposée d’un système hybride de bâtiment ..................................................... 23
Figure I. 4: Schéma de principe du contrôleur prédictif de l’onduleur ..................................................................................... 25
Figure I. 5 : Schéma de la régulation de tension à facteur de puissance constante ................................................................... 28
Figure I. 6: Schéma de la régulation de tension à facteur de puissance variable ...................................................................... 29
Figure I. 7: Capacité en puissance réactive d’un onduleur PV surdimensionné ....................................................................... 30
Figure I. 8: Evolution annuelle des pertes de transmission en (%) des réseaux électriques d’Algérie et d’Allemagne [4] ...... 31
Figure I. 9: Capacité de la puissance réactive pour une centrale PV de 60 MW ...................................................................... 32
Figure I. 10: Diagramme de commande proposé pour les centrales PV raccordés au réseau de transmission .......................... 33

Figure II. 1: Topologie du système hybride avec couplage DC de BESS ................................................................................. 36


Figure II. 2: Performance de prévision du générateur PV d’INES pour une semaine (15 – 22 Juin 2014)............................... 38
Figure II. 3: Droite de régression entre la puissance prédite et réelle du système PV d’INES ................................................. 39
Figure II. 4: Modèle de prévision RNA proposé pour BPD ..................................................................................................... 39
Figure II. 5: Performance de prévision de BPD pour une semaine ........................................................................................... 40
Figure II. 6: Organigramme de la gestion optimale d’énergie par MPC ................................................................................... 43
Figure II. 7 : Digramme de la gestion d’énergie à hystérésis.................................................................................................... 45
Figure II. 8 : Répartition des puissances avec la gestion à hystérésis ....................................................................................... 45
Figure II. 9 : Evolution de SOC avec la gestion à hystérésis .................................................................................................... 46
Figure II. 10: Courant échangé entre le système hybride et le réseau électrique ...................................................................... 46
Figure II. 11: Profiles journaliers prédits : (a) Ensoleillement (b) Température ...................................................................... 47
Figure II. 12: Profil journalier prédit de BPD ........................................................................................................................... 48
Figure II. 13: Processus d’optimisation AG avec le profil de puissance optimal (W) (MPC standard) .................................... 48
Figure II. 14: Répartition des puissances avec la gestion par MPC standard ........................................................................... 49
Figure II. 15: Evolution de SOC avec la gestion par MPC standard ........................................................................................ 49
Figure II. 16: Variation horaires du prix d’électricité ............................................................................................................... 50
Figure II. 17: Processus d’optimisation AG avec le profil de puissance optimal (W) (MPC avec pénalité du cout d’énergie) 50
Figure II. 18: Répartition des puissances avec la gestion MPC avec pénalité du cout d’énergie .............................................. 51
Figure II. 19: Evolution de SOC avec la gestion MPC avec pénalité du cout d’énergie .......................................................... 51
Figure II. 20: Nombre de cycles charge/décharge restants en fonction de DOD ...................................................................... 52
Figure II. 21: Processus d’optimisation AG avec le profil de puissance optimal (W) (MPC avec pénalité de la dégradation de
BESS) ....................................................................................................................................................................................... 52
Figure II. 22: Répartition des puissances avec la gestion MPC avec pénalité de la dégradation de BESS ............................... 53
Figure II. 23: Evolution de SOC avec la gestion MPC avec pénalité de la dégradation de BESS ............................................ 53

Figure III. 1: Schéma simplifié d’un départ BT ayant un système PV ..................................................................................... 58


Figure III. 2: Schéma global du processus d’optimisation ........................................................................................................ 59
Figure III. 3: Départ BT étudié ................................................................................................................................................. 60
Figure III. 4: Tension aux PCCs des onduleurs PV raccordés (Test 1)..................................................................................... 61
Figure III. 5: Evolution du processus d’optimisation (Test 1) .................................................................................................. 62
Figure III. 6: Echange optimal de réactive pour chaque onduleur PV (Test 1)......................................................................... 62
Figure III. 7: Tension aux PCCs des onduleurs PV avec un flux de réactive optimisé (Test 1) ............................................... 63
Figure III. 8: Facteur de puissance de chaque onduleur avec flux de réactive optimisé (Test 1) .............................................. 63
Figure III. 9: Tension aux PCCs des onduleurs PV (Test 2) ..................................................................................................... 64
Figure III. 10: Evolution du processus d’optimisation (Test 2) ................................................................................................ 64
Figure III. 11: Echange optimal du réactive pour chaque onduleur PV (Test 2) ...................................................................... 65
Figure III. 12: Tension aux PCCs des onduleurs PV avec flux de réactive optimisé (Test 2) .................................................. 65
Figure III. 13: Facteur de puissance de chaque onduleur avec flux de réactive optimisé (Test 2) ............................................ 65
Figure III. 14: Tension aux PCCs des onduleurs PV (Test 3) ................................................................................................... 66
Figure III. 15: Evolution du processus d’optimisation (Test 3) ................................................................................................ 67
Figure III. 16: Echange optimal du réactive pour chaque onduleur PV (Test 3) ...................................................................... 67
Figure III. 17: Tension aux PCCs des onduleurs PV avec flux de réactive optimisé (Test 3) .................................................. 67
Figure III. 18: Facteur de puissance de chaque onduleur avec flux de réactive optimisé (Test 3) ............................................ 68
Figure III. 19: Réseau de test IEEE 30-bus (bus entourés par cercles rouges sont ceux proposés pour le raccordement des
centrales PV) ............................................................................................................................................................................ 69
Figure III. 20: Commande PWM de l’onduleur triphasé du système PV connecté au réseau................................................... 70
Figure III. 21: Diagramme d’optimisation................................................................................................................................ 71
Figure III. 22: Modèle simplifié d’une ligne de transmission ................................................................................................... 71
Figure III. 23: Profil proposé pour la demande en puissance active de chaque nœud de charge .............................................. 74
Figure III. 24: Profiles de la production active pour les centrales raccordées aux nœuds de charge # : (a) 6 (b) 8 (c) 11 (d) 19
(e) 26 ........................................................................................................................................................................................ 75
Figure III. 25: Evolution horaire de la tension aux bus de charge avec la commande conventionnelle .................................... 77
Figure III. 26: Evolution horaire de la tension aux bus de charge avec la commande optimisée par PSO ............................... 77
Figure III. 27: Evolution horaire de la tension aux bus de charge avec la commande optimisée par ED ................................ 77
Figure III. 28: Profils optimaux après la gestion par PSO avec les limites supérieur et inférieur de la capacité en puissance
réactive pour les centrales raccordées aux nœuds de charge # : (a) 6 (b) 8 (c) 11 (d) 19 (e) 26............................................... 78
Figure III. 29: Profils optimaux après la gestion par ED avec les limites supérieur et inférieur de la capacité en puissance
réactive pour les centrales raccordées aux nœuds de charge # : (a) 6 (b) 8 (c) 11 (d) 19 (e) 26............................................... 79
Figure III. 30: Evolution horaire de tension des nœuds de charge avec contrôle optimisé par PSO (Objectif : minimisation des
pertes de transmission) ............................................................................................................................................................. 80
Figure III. 31: Profils optimaux après la gestion par PSO pour les centrales raccordées aux nœuds de charge # : (a) 6 (b) 8 (c)
11 (d) 19 (e) 26 (Objectif : minimisation des pertes de transmission) ...................................................................................... 82

Figure IV. 1: Génération des références des puissances active et réactive pour l’onduleur PV ............................................... 85
Figure IV. 2: Combinaisons de commutation possibles pour un onduleur à 2-niveau .............................................................. 88
Figure IV. 3 : Diagramme de contrôle FSMPC ........................................................................................................................ 89
Figure IV. 4: THD en fonction du temps d’échantillonnage de FSMPC .................................................................................. 90
Figure IV. 5: THD en fonction de la fréquence de commutation des IGBTs ........................................................................... 91
Figure IV. 6: Performance de commande des puissances actives et réactives .......................................................................... 92
Figure IV. 7: Fréquence moyenne de commutation des IGBTs................................................................................................ 92
Figure IV. 8: Courant de l’onduleur pour différentes consignes de contrôle ............................................................................ 93
Figure IV. 9: Tension de l’onduleur pour différentes consignes de contrôle, (a) quand la référence de la puissance active est 3
kW, (b) quand la référence de la puissance active est 7 kW..................................................................................................... 93
Figure IV. 10: Tension de l’onduleur pour différentes valeures de facteur de pondération λ ................................................... 94
Figure IV. 11: Fréquence moyenne de commutation pour différentes valeures du facteur de pondération λ ........................... 95
Figure IV. 12: Taux d’harmoniques pour différentes valeures du facteur de pondération λ ..................................................... 96
Figure IV. 13: Courant de l’onduleur pour différentes valeures du facteur de pondération λ ................................................... 97
Figure IV. 14: Topologie de l’onduleur triphasé en cascade à 5-niveau classique CHB .......................................................... 98
Figure IV. 15: Topologie de l’onduleur triphasé en cascade à 5-niveau modifié M-CHB ..................................................... 100
Figure IV. 16: Exécution de la commande prédictif des puissances actives et réactives en utilisant CHB ............................ 102
Figure IV. 17: Contrôle prédictif de CHB : (a) tension (b) courant ....................................................................................... 102
Figure IV. 18: Contrôle prédictif de CHB: analyse fréquentielle du courant généré .............................................................. 103
Figure IV. 19: Exécution de la commande prédictif des puissances actives et réactives en utilisant M-CHB........................ 104
Figure IV. 20: M-CHB contrôlé par FSMPC : (a) tension (b) courant ................................................................................... 104
Figure IV. 21: Contrôle prédictif de M-CHB : analyse fréquentielle du courant généré ........................................................ 105

Figure V. 1: Micro-réseau intelligent de l’INES .................................................................................................................... 108


Figure V. 2 : Puissance injectée au réseau en fonction de : (a) tension du réseau en PCC (b) fréquence (c) tension des
batteries .................................................................................................................................................................................. 109
Figure V. 3: Topologie d’hybridation du micro-réseau intelligent d’INES ............................................................................ 110
Figure V. 4: Rôle du contrôleur de gestion d’énergie proposés .............................................................................................. 111
Figure V. 5: Organigramme de la gestion d’énergie à base de règles ..................................................................................... 113
Figure V. 6: Courant des batteries en utilisant la gestion à base de règles ............................................................................. 113
Figure V. 7: Etat du relai externe en utilisant la gestion à base de règles ............................................................................... 114
Figure V. 8: Répartition des puissances en utilisant la gestion à base de règles (W).............................................................. 114
Figure V. 9: Courant du réseau en utilisant la gestion à base de règles (A) ............................................................................ 114
Figure V. 10: Etat de charge des batteries en utilisant la gestion à base de règles (%) ........................................................... 115
Figure V. 11: Schéma bloc du contrôleur flou proposé .......................................................................................................... 116
Figure V. 12: Profil horaire du cout d’électricité (€/MWh).................................................................................................... 117
Figure V. 13: Répartition des puissances en utilisant la gestion à base de règles floues (W) ................................................. 117
Figure V. 14: Courant de batteries en utilisant la gestion à base de règles floues (A) ............................................................ 118
Figure V. 15: Etat du relai externe en utilisant la gestion à base de règle floues .................................................................... 118
Figure V. 16: Courant du réseau en utilisant la gestion à base de règles floues (A) ............................................................... 118
Figure V. 17: SOC des batteries en utilisant la gestion à base de règles floues (%) ............................................................... 119
Figure V. 18: Schéma global de la gestion prédictive d’énergie ............................................................................................ 121
Figure V. 19: Courant des batteries en utilisant la gestion prédictive (A) .............................................................................. 122
Figure V. 20: Etat du relai externe en utilisant la gestion prédictive ...................................................................................... 122
Figure V. 21: Répartition des puissances en utilisant la gestion prédictive (W) ..................................................................... 122
Figure V. 22: Courant du réseau en utilisant la gestion prédictive (A) .................................................................................. 123
Figure V. 23: Etat de charge des batteries en utilisant la gestion prédictive (%) .................................................................... 123
Figure V. 24: Répartition des puissances en utilisant la gestion prédictive pour un jour partiellement nuageux (W) ............ 124
Figure V. 25: SOC des batteries en utilisant la gestion prédictive pour un jour partiellement nuageux (%) .......................... 124
Figure V. 26: Courant des batteries en utilisant la gestion prédictive pour un jour partiellement nuageux (A) ..................... 125
Figure V. 27: Courant du réseau en utilisant la gestion prédictive pour un jour partiellement nuageux (A) .......................... 125
Figure V. 28: Etat du relai externe en utilisant la gestion prédictive pour un jour partiellement nuageux ............................. 126
Liste des tableaux
Tableau I. 1: Classification temporelle des fonctions de contrôle de GE ................................................................................. 20
Tableau I. 2: Normes adoptées lors de la connexion des générateurs distribués au réseau BT allemand ................................. 27

Tableau II. 1: Paramètres de prévision du système PV d’INES ............................................................................................... 38


Tableau II. 2: Paramètres d’apprentissage RNA ...................................................................................................................... 40
Tableau II. 3: Paramètres du générateur PV ............................................................................................................................. 44
Tableau II. 4: Paramètres du système de stockage ................................................................................................................... 44
Tableau II. 5 : Paramètres de la gestion à hystérésis ................................................................................................................ 44
Tableau II. 6: Paramètres des convertisseurs statiques ............................................................................................................. 45
Tableau II. 7: Paramètres de l’optimisation par AG ................................................................................................................. 47
Tableau II. 8: Comparaison entre les différentes gestions d’énergie ........................................................................................ 55

Tableau III. 1: Paramètres de l’optimisation par PSO .............................................................................................................. 59


Tableau III. 2: Paramètre du transformateur/départs ................................................................................................................ 61
Tableau III. 3: Points de fonctionnement de chaque maison (Test 1) ....................................................................................... 61
Tableau III. 4: Points de fonctionnement de chaque maison (Test 2) ....................................................................................... 64
Tableau III. 5: Points de fonctionnement de chaque maison (Test 3) ....................................................................................... 66
Tableau III. 6: Paramètres de la centrale PV de 20 MW de Ain El-Bell .................................................................................. 74
Tableau III. 7: Paramètres d’optimisation par PSO .................................................................................................................. 76
Tableau III. 8: Paramètres d’optimisation par ED .................................................................................................................... 76
Tableau III. 9: Pertes de transmission accumulées durant les 24-heures de test ....................................................................... 81

Tableau IV. 1: Paramètres de l’onduleur à 2-niveau connecté au réseau.................................................................................. 91


Tableau IV. 2: Combinaisons de commutation adoptée pour CHB ........................................................................................ 101
Tableau IV. 3: Combinaisons de commutation adoptée pour M-CHB ................................................................................... 101

Tableau V. 1: Paramètres du système hybride d’INES ........................................................................................................... 109


Tableau V. 2: Paramètres de contrôle du convertisseur des batteries ..................................................................................... 110
Introduction générale
L’intégration des sources d’énergies renouvelables dans les réseaux électriques connaît un engouement
certain de la part des gestionnaires des réseaux électriques. Poussée par des réalités
environnementales, des opportunités économiques et développement technologique des convertisseurs,
rendent ces sources renouvelables très intéressantes et très utilisées et à différents paliers de
puissances : pour les centrales d’une centaine de méga Watts pour les réseaux de transport, une dizaine
de kilo Watts et pour les micro-réseaux.

La nature intermittente et incertaine des sources renouvelables pose un certain nombre de challenges
techniques aux gestionnaires du réseau électrique. Particulièrement, quand la fourniture d’une énergie
de haute qualité et de disponibilité élevée est requise. L’injection d’harmoniques, les fluctuations des
puissances actives, les surtensions et les difficultés dans leurs programmations et coordination avec les
sources conventionnelles, sont parmi les impacts majeurs associés à l’intégration des énergies
renouvelables dans le réseau. Dans cette optique, le développement d’un réseau électrique intelligent
capable de gérer tous ces défis devient une nécessité impérieuse, dans lesquels, cette thèse apporte un
certain nombre de contributions [1].

En premier lieu, le problème de partage de l’énergie dans les systèmes hybrides connectés au réseau et
intégrant des sources renouvelables fluctuantes est traité [2-9]. Une nouvelle technique de gestion
prédictive d’énergie pour un système hybride comprenant des générateurs photovoltaïques (PV) est
proposée avec validation numérique. Grace aux modèles de prévision développés, le contrôleur
prédictif est capable d’optimiser l’échange de puissance entre le réseau et le système hybride afin de
satisfaire la demande en énergie. Les signaux de commandes sont à envoyer après un processus
d’optimisation offline. Le contrôleur développé est capable de suivre la dynamique du prix
d’électricité dans le marché, réduire les émissions de CO2, prolonger la durée de vie des batteries de
stockage en appliquant des successions de commande arrivant à un horizon de 24-heurs.

Le problème de la surtension du réseau électrique basse tension (BT) associé avec un fort taux de
pénétration de la puissance PV est investigué [10-12]. Cette thèse propose d’utiliser la réserve en
puissance réactive des onduleurs PV suivant son point de fonctionnement, en temps réel, et son
emplacement dans la branche BT. Cela est fait par l’ajustement de l’échange de l’énergie réactive
entre les onduleurs en accomplissant une optimisation offline. Le but est de réduire, voire éliminer,
l’appel en énergie réactive à travers le poste d’alimentation, réduire les pertes dans les câbles et les
chutes de tension au long du départ BT. Une technique semblable est appliquée dans le cas des
centrales PV de dizaines de méga Watts connectées à différents points d’un réseau de transport,
l’objectif cette fois est d’améliorer le profil de tension dans les nœuds de charge en réduisant les pertes
de transport d’énergie.

13
Avoir une bonne qualité d’énergie à partir des sources renouvelables fluctuantes représente un autre
défi, cette nécessité devient critique si ces sources d’énergie sont raccordées au réseau électrique. Dans
ce cas particulier, le dispositif de conversion d’énergie ainsi que la méthode de commande adoptée
sont deux facteurs essentiels. Dû à ses performances en termes de robustesse et réponse dynamique, la
commande prédictive à états finis est adoptée, cette technique ne nécessite ni des régulateurs linéaires
additionnels ni des modulateurs [13-15]. Néanmoins, la fréquence de commutation des interrupteurs
de l’onduleur reste variable, et dépend du point de fonctionnement en termes de puissance active et
réactive.

Une commande prédictive à états finis améliorée sera présentée dans cette thèse et validée par
simulation numérique. La méthode consiste à attribuer des actions de commande tout en surveillant
l’évolution de la fréquence de commutation. En raison de l’influence de cette opération sur la qualité
de puissance prévue, le contrôleur doit trouver un compromis entre le niveau de fréquence de
commutation estimé et la performance d’asservissement des puissances actives et réactives. Cela est
possible à travers une formulation adéquate d’une fonction objectif pondérée.

D’autre part, à partir de trois niveaux de tension, les onduleurs deviennent incontrôlables en utilisant
la commande prédictive spécialement pour un horizon de control dépassant 1, cela est dû au nombre
élevé de possibilités à tester par le contrôleur avant de performer la commande ce qui augmente le
processus d’optimisation offline, c’est un défi technique substantiel des microcontrôleurs
commerciaux actuels. Deux solutions sont envisageables, le premier consiste à allonger l’horizon de
prédiction et de contrôle lui-même, par conséquence l’effort de calcul est bien optimisé. Un avantage
technique additionnel qui est le niveau de fréquence de commutation qui est bien limité dans ce cas.
Cependant, la qualité d’énergie produite sera détériorée donnant des valeurs de THD intolérables. La
deuxième solution se base sur l’optimisation des structures des onduleurs multi-niveaux afin de
réduire autant que possible le nombre de commutateurs, à cette optique, cette thèse propose une
contribution sur l’onduleur à 5-niveau en cascade.

Finalement, la faisabilité technique d’implémenter de nouveaux algorithmes de gestion d’énergies


pour des systèmes énergétiques hybrides à base de produits commerciaux est investigué. Des solutions
techniques ont été proposées et appliquées pour la gestion d’un prototype de micro-réseau intelligent
hybride à base d’un système PV, accumulateur d’énergie et des charges programmables. Des
programmes sous MATLAB, contenant les algorithmes de gestion, sont développés afin de
communiquer avec l’onduleur/chargeur des batteries via un Protocol de communication série RS232.
La combinaison entre les instructions MATLAB et le console Win32 du Microsoft permet à
l’algorithme d’échanger des signaux avec quelques paramètres particuliers dans le système. En
adoptant cette stratégie, trois techniques de gestion d’énergie sont validées, nommées : gestion à base
de règles classique, gestion à base de règles floues et gestion prédictive avec court horizon de control
et de prédiction.
14
Chapitre I

Etat de l’art sur la gestion des réseaux


et micro-réseaux hybrides

15
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

1. Introduction

Dans ce chapitre, nous introduisons la notion des réseaux électriques intelligents en expliquant ces
différents concepts. La conversion, la commande et la gestion d’énergie dans un réseau intelligent
intégrant des sources renouvelables gagnent une attention particulière dans cette thèse. Cela est à
valider sur différentes échelles topologiques : micro-réseau, réseau de distribution et réseau de
transmission. L’approche de la commande prédictive dont l’objectif est de faire face à certaines
contraintes techniques apparues dans les sujets mentionnés auparavant.

2. Pourquoi le réseau intelligent

Récemment, les acteurs de l’industrie de l’électricité (services publics, fournisseurs, fabricants et


clients) admettent la nécessité de résoudre les problèmes de la production, transport et distribution
d’énergie en motivant le développement et la mise en œuvre des réseaux intelligents. Tout en
reconnaissant que la priorité et les défis diffèrent d’un pays à un autre. Dans le cas du réseau électrique
Algérien, les contraintes observées motivant l’engagement vers le développement et l’adoption des
réseaux intelligents sont les suivantes [1] :

• Infrastructures vieillissantes et sous-investies : une grande partie de l’infrastructure du réseau


électrique existante remonte aux années 1960s ou même plus tôt et a atteint sa durée de vie
opérationnelle.

• La demande en énergie électrique ne cesse d’augmenter, provoquant une charge élevée au


système résultant à des contraintes excessives aux équipements de production, de transport et
de la distribution de l’énergie électrique.

• L’orientation mondiale vers le développement et l’adoption des sources d’énergie propres et


renouvelable, et l’amélioration de l'efficacité énergétique et réduire les émissions du CO2.

• Apparition et l’évolution de la production d’énergie décentralisées et distribuées.

• Comportement intermittent et fluctuant des sources d’énergie renouvelable connectées au


réseau exerçant des contraintes supplémentaires sur les réseaux existants.

• Coût d’électricité qui est de plus en plus chers et dynamique en hausse du marché d’électricité.

• Apparition des micro-réseaux électriques dans les zones éloignées et Besoin de l’adoption des
technologies de l'information et la communication pour la gestion du réseau électrique.

• Nécessité d’approvisionner et répondre aux augmentations en besoins énergétiques.

• Impact de l’efficacité de la transmission et distribution de l'électricité sur la fiabilité du réseau


électrique.

16
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

En plus des motivations économiques et techniques, le réseau intelligent suit aussi le progrès des
technologies émergentes dans le domaine de la conversion d’énergie. Les convertisseurs statiques
jouent un rôle primordial quand la fourniture de la puissance électrique de haute qualité est visée. Cela
permet aux producteurs locaux de participer à l’optimisation du fonctionnement du réseau électrique
en exploitant leurs systèmes distribués. Ces systèmes se basent généralement sur des sources
renouvelables, fluctuantes par nature, ce qui exige des mécanismes de conversion et de commande
efficaces.

En conclusion, les perspectives potentielles du réseau intelligent comprend l’amélioration de la


fiabilité et la qualité d’énergie, la réduction de l’effet des pointes de charges, la réduction des pénalités
liées au transport de l’énergie, l'augmentation de l’efficacité énergétique, la protection de
l’environnement, la sécurité, la capacité de gérer rentablement des sources d’énergie de différentes
natures.

3. Définition d’un réseau intelligent

Le site web de EPRI (Electric Power Research Institute) offre la définition suivante : « un réseau
intelligent est celui qui intègre les technologies de l'information et de la communication dans chaque
aspect de la production, distribution et de la consommation d'électricité afin de minimiser l'impact
environnemental, soutenir le marché d’électricité, améliorer la fiabilité et les services, réduire les
coûts et améliorer l’efficacité » [16]. Un document parrainé par l'Association Canadienne de
l'Electricité [17] a démontré la diversité des définitions du réseau intelligent en citant trois exemples
publiés [18-20] et a identifié les thèmes clé de communication, intégration et automatisation qui sont
durables, économiques et sécuritaires. Cette étude a offert une définition concise : « le réseau
intelligent est une suite d’applications basées sur l'information rendues possibles par une
automatisation accrue du réseau électrique, cette suite de technologies intègre le comportement et les
actions de tous les générateurs et consommateurs d’énergie connectés via des supports de
communication dispersés pour fournir une énergie durable, économique et sécurisée ». La Figure I.1
donne un schéma structurel simple d’un réseau intelligent montrant les flux d’énergie et de
l’information entre ces différents points.

17
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

Figure I. 1: Schéma simplifié d’un réseau électrique intelligent [3]

4. Notion de micro-réseau

Le micro-réseau comprend une partie d'un système de distribution d'énergie électrique situé en aval du
poste de distribution, il comprend une variété d’unités de systèmes d’énergie distribués (SED) et
différents types de récepteurs finaux (charges). Les unités SED comprennent à la fois des unités de
génération distribuée et des unités de stockage répartis avec différentes capacités et caractéristiques.
Le point de connexion du micro-réseau au réseau public, au niveau du bus BT du poste de
transformation, constitue le point de couplage commun PCC (Common Coupling Point). Le micro-
réseau alimente différents clients, par exemple des bâtiments résidentiels ou commerciaux et des
installations industriels. La Figure I.2 schématise un micro-réseau hybride indiquant le lien avec le
réseau principal [18].

18
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

Figure I. 2 : Schéma simplifié d’un micro-réseau hybride [18]

Le micro-réseau de la Figure I.2 fonctionne normalement en mode connecté au réseau via le poste de
transformation. Cependant, il devrait également avoir une capacité de production suffisante, des
contrôles et stratégies opérationnelles pour alimenter au moins une partie de sa charge après avoir été
déconnecté du système de distribution au niveau de PCC et restent opérationnels en tant qu’un réseau
autonome (en ilotage). Pratiquement, les compagnies d'électricité actuelles n’autorisent souvent pas la
déconnexion accidentelle et la resynchronisation automatique du micro-réseau, principalement en
raison de préoccupations liées à la sécurité des personnes et des équipements. Cependant, la forte
pénétration des SED nécessite, éventuellement, des dispositions pour les deux modes de
fonctionnement et transition pour permettre une meilleure utilisation des ressources du micro-réseau.

5. Gestion du réseau électrique

D'un point de vue général, la tâche centrale de la Gestion d’Energie (GE) est de gérer l’échange
d’énergie entre les sources et les consommateurs de manière optimale. Dans un réseau électrique
interconnecté, la gestion continue de la production active des différents SED n’a pas une grande
influence sur le plan technico-économique dû à l’échelle de puissance de ces unités relativement aux
générateurs conventionnels du réseau. Cependant, dans un micro-réseau, cette opération est
significative et parfois essentielle. La production d'énergie active et réactive dans un micro-réseau doit
être partagé entre les unités SED, par conséquence, le gestionnaire du réseau doit attribuer – en temps
réel - des références de puissance active et réactive ainsi que d’autres signaux de commande au
générateur à base d'énergies renouvelables (GER), les unités de production conventionnelle, éléments
de stockage et charges contrôlables. La gestion des micro-réseaux est analysée à travers différentes
fonctions qui sont classées dans une échelle temporelle comme expliqué dans le Tableau I.1 [21].

19
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

Tableau I. 1: Classification temporelle des fonctions de contrôle de la gestion d’énergie

Echelle
Jour Heure Minute/Seconde
temporelle
Prévision
Emissions
Outil de prix Prévision de la charge Contrôle
CO2
d’électricité de fréquence/tension
Programme Gestion
Gestion
de production de la production/consommation Contrôle de la qualité
Prévision de la production Disponibilité de l’énergie de de puissance
Outil
renouvelable stockage
La gestion de l'énergie à long terme comprend les éléments suivants [21]:

• Prévision de la production horaire des sources d’énergies renouvelables y compris la


dépendance temporelle de la source primaire, l’impact environnemental et le coût de
production.

• Gestion des charges contrôlables qui peuvent être déconnectées ou ajustées selon l'exigence de
la surveillance.

• Fourniture d'un niveau approprié de la capacité de réserve de puissance en fonction du marché


de l'électricité et de la prévision de la demande en puissance par un programme de production
approprié.

• Intervalles de maintenance.

• Optimisation de l’échange local de la puissance, heure par heure, entre les différents
générateurs, consommateurs et stockeurs d’énergie afin d’améliorer l’efficacité énergétique, la
fiabilité et la sécurité des composants

La gestion d’énergie à court terme comprend les éléments suivants :

• Régulation de la tension efficace et contrôle de fréquence primaire.

• Répartition de la puissance en temps réel entre les sources internes SEDs.

• Contrôle de la qualité des puissances produite des unités GER en termes de THD (Total
Harmonic Distortion).

Selon les différents objectifs de la gestion, la proposition du système de supervision énergétique est
implémentée à deux endroits : une GE centralisée de l'ensemble du micro-réseau pour une gestion de
long terme et une GE locale pour un équilibrage de puissance de court terme. Une communication
entre ces deux unités de gestion est établie parce que l'acquisition de données et des informations sur
les états de chaque ressource (telles que la capacité énergétique et la production en temps réel des
SEDs) sont importants pour le gestionnaire central du micro-réseau. Les ordres de contrôle du

20
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

gestionnaire centralisée de l’énergie peuvent être également envoyés au superviseur local pour une GE
local des SEDs.

Généralement, le GE local vise à augmenter l’autonomie d’énergie des unités de petits échelles en
respectant leurs contraintes techniques, l’un des exemples importants où la gestion local joue un rôle
vital, est la gestion des véhicules électrique hybrides avec une pile à combustible/batteries [22-24],
l’objectif est d’augmenter leurs autonomies en prolongeant la durée de vie des batteries.

Plusieurs fonctions d’une GE peuvent être modifiées ou crées comme la prévision de l'énergie
renouvelable, la prévision de charge, la réserve en énergie stockée, effacement de la pointe de charge,
maximisation de l’utilisation de GER, réduction des émissions de CO2 et la planification de l’énergie.
Dans les chapitres II, III et V sera présentée la gestion d’énergie active et réactive des réseaux et
micro-réseaux électriques hybrides. Comme mentionnée précédemment, la gestion de l’énergie active
est plus significative dans un réseau BT que dans un réseau de distribution HTA, tandis que la gestion
de l’énergie réactive des sources est plus importante dans un réseau de transport.

5.1 Gestion de la puissance active

La commande prédictive a pris une attention particulière dans les applications de la gestion des
systèmes énergétiques hybrides. La méthode se base sur l’utilisation du modèle mathématique du
système à commander ou à superviser afin de trouver l’action de commande optimale pour un horizon
de control défini. Dans ce contexte, deux cas essentiels seront envisagés : la gestion prédictive
journalière d’un système hybride et la commande prédictive des onduleurs PV raccordés au réseau.

5.1.1 Gestion prédictive horaire d’un système hybride – cas d’un bâtiment

Dans le premier cas, des outils de prévision de la charge et de la production renouvelable est
nécessaire afin de prédire l’évolution du flux de puissance active dans un système hybride. Avoir une
idée sur les valeurs future du prix de l’électricité est requise quand la minimisation du cout d’énergie
est visée. Un système d’énergie hybride d’un bâtiment, qui est un cas typique, sera investigué dans le
chapitre II, l’algorithme de gestion dans ce cas est chargé de trouver un compromis entre les critères
de confort et d’économie d’énergie tout en respectant les contraintes techniques du système.

Les bâtiments sont classés parmi les plus grands consommateurs d'énergie au monde. Selon l'Agence
Internationale de l'Energie, la consommation énergétique des bâtiments occupe environ 32% de la
consommation énergétique mondiale et est responsable d'environ 30% du total des émissions de CO2
[25]. Cette réalité rend le développement des bâtiments écologiques en installant des systèmes
d'énergies renouvelables plus que recommandé. L'intégration de systèmes photovoltaïques (PV) dans
les bâtiments, avec un dimensionnement optimale qui peut réduire considérablement la consommation
d'énergie [26], [27]. L'impact positif de l'ajout d'éléments de stockage comme les BESS est également
justifié [28], [29]. Néanmoins, il n’est pas aisé d’atteindre un échange optimal de puissance entre les

21
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

producteurs et les consommateurs dans le bâtiment, en particulier, si certaines contraintes techniques


et économiques sont posées.

Récemment, la gestion des bâtiments a fait l’objet d’une attention considérable pour faire face à la
croissance de la demande d’énergie. Pour la gestion à moyen terme (d'une heure jusqu’à une journée),
le système de commande est chargé de contrôler, en coordination, les sources d'énergie dispatchables
afin de réduire l'énergie importée du réseau électrique et améliorer le fonctionnement global du
système hybride. De nombreux chercheurs proposaient diverses méthodes pour la même fin [2-9].
Cependant, la plupart des études faites ne prennent pas en considération le flux d’énergie dans le
bâtiment pour les prochains intervalles de temps, ce qui est fortement lié aux conditions
météorologiques en termes de consommation d'énergie ou de production de sources renouvelables.
Cela peut rendre la source renouvelable loin d'être bien exploitée ou même dégrader la durée de vie du
système de stockage d'énergie.

La gestion prédictive d’énergie MPC (Model Predictive Control) des systèmes hybrides est une
technique moderne basée sur le modèle mathématique du système pour déterminer les niveaux de
commandes appropriées. Comme son nom l’indique, cette stratégie se base sur l'utilisation d'outils de
prévision pour la production d'énergie renouvelable et les consommateurs d’énergie pour un horizon
de prévision déterminé. En plus, un outil d’optimisation est nécessaire afin de minimiser une fonction
objectif qui intègre des termes répondants à certains critères économiques, techniques et écologiques
du système. Peu de contributions dans la littérature sont proposées dans cet axe, par exemple [30] vise
à maximiser l'utilisation de l'énergie PV tout en contrôlant la température du bâtiment. Cependant, la
supervision d’un système de stockage associé éventuel est exclue de l’étude. [31] donne une approche
efficace en termes de précision de commande PV/batteries en tenant en compte la dynamique des prix
de l'électricité. Cependant, la prévision et le contrôle sont limités aux courts horizons, en plus, la
dégradation des batteries n'est pas inclue dans l’approche proposée. Dans [32], un algorithme de
contrôle prédictif est développé pour gérer un micro-réseau hybride en mode isolé. Toutefois, il ne
vise que le lissage des écarts de fréquence et de tension dus aux fluctuations rapides de la génération
renouvelable. [33] donne une approche basée sur la gestion prédictive avec horizon de control étendu à
quelques heures, néanmoins, le flux de puissance dans le système hybride est ajustable en commutant
le rôle de fonctionnement entre différentes sources d'énergie sans ajuster continuellement la
production de chaque source contrôlable (batteries ou réseau public).

Le travail présenté dans cette thèse propose une gestion prédictive explicite d’un système hybride
intégré dans un bâtiment pour des horizons de prévision et de control jusqu’à 24-heure [34]. Le
modèle du système présenté par une équation de flux de puissance. Les algorithmes génétiques (AG)
sont sélectionnés pour l’optimisation de la fonction coût en raison de son temps de calcul réduit [35].
La production PV est prédite grâce au moyen des prévisions météorologiques en ligne. La prévision de

22
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

la demande en puissance du bâtiment est disponible en utilisant un modèle de Réseau de Neurones


Artificiels (RNA).

Contrairement aux approches citées auparavant, la nouveauté, dans ce travail, se repose sur le fait que
le contrôleur proposé est flexible et permet d’intégrer tout nouveau critère à la fonction objectif. En
plus, la précision de la prévision de puissance PV « minute par minute » n’est pas nécessaire tant
qu’une précision suffisante est assurée pour la production PV dans les prochaines 24-heure. Les
actions de contrôle sont effectuées après un processus d'optimisation hors ligne à chaque intervalle de
temps, en utilisant les modèles mathématiques du système, ainsi que les modèles de prédiction.
L'optimisation peut résoudre automatiquement le problème de non-synchronisation de la production
renouvelable avec la consommation, elle vise aussi à réduire le coût d’énergie en améliorant la fiabilité
du système hybride global. Le contrôleur est flexible d’inclure des critères additionnels tels que le prix
prédit d’électricité et les activités prévues des occupants. Un retour continu de l'état de charge des
batteries est nécessaire pour augmenter leur durée de vie opérationnelle. Ceci est faisable grâce à un
nouvel estimateur de durée de vie implémenté dans l'algorithme de commande. Le schéma complet de
la gestion proposée est présenté dans la Figure I.3 qui sera expliquée en détails dans le chapitre II avec
simulation.

Prévision de la production PV Modèle du


système hybride Système
Prévision de la charge de stockage
Optimisation

Prévision du cout d’énergie Fonction Relais


objectif
Critères de confort Charges
Contraintes
contrôlables
Prédiction des activités
des occupants Micro-réseau
Contrôleur prédictif du bâtiment

Mesure

Figure I. 3 : Principe de la gestion prédictive proposée d’un système hybride de bâtiment

5.1.2 Commande prédictive des onduleurs PV raccordés au réseau

Les convertisseurs associés aux sources renouvelables requièrent quelques exigences en termes de
commande afin de faire vaincre certaines contraintes. Généralement les contrôleurs linéaires PID
(Proportional Integral Derivative) sont largement adoptés, néanmoins, ils ne sont pas adéquats quand
certains problèmes techniques sont à résoudre. e.g. la commande optimale quadratique est proposée
pour un système de conversion d’énergie dédiée à une pile à combustible [36] [37], l’objectif est

23
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

d’assurer plus de robustesse dans la régulation de tension continue vis-à-vis au changement des
paramètres du système.

Récemment, la commande prédictive à état finis FSMPC (Finit State Model Predictive Control) est
adoptée pour la commande des onduleurs reliant les systèmes PV aux réseaux ou micro-réseaux
électriques [38]. Dans ce cas particulier, la linéarisation de l’équation différentielle du courant débité
de l’onduleur par une équation discrète permet de prédire sa valeur dans le prochain intervalle du
temps. Du fait que l’onduleur n’accepte qu’un certain nombre d’états finis de commutation, la fonction
objectif, qui se base généralement sur l’asservissement des puissances actives et réactives transmises,
ne nécessite pas des techniques d’optimisation : un simple balayage des états de commutations
possibles de l’onduleur sur le modèle du système permet de trouver la combinaison optimale à
appliquer dans le prochain intervalle du temps.

La commande prédictive à états finis FSMPC des convertisseurs de puissance apparaît comme une
alternative attractive, elle offre une nouvelle approche compétitive avec robustesse et réponse
dynamique élevée, elle peut être implémenté avec des microcontrôleurs commerciaux standards sans
besoin d’intégrer des régulateurs PID additionnels [13-15]. Toutefois, deux inconvénients majeurs
caractérisent ce type de commande :

1. Dans le cas d’un onduleur PV, la fréquence de commutation des interrupteurs dépend du point
de fonctionnement, et peut augmenter à des niveaux indésirables ce qui augmente
considérablement les pertes par commutations du convertisseur. Pour cette raison, la technique
de contrôle mise en œuvre pour l'onduleur doit être conçue de manière à être capable de
surveiller en permanence l'évolution de la fréquence de commutation lorsque les points de
consigne des puissances actives et réactives changent.

2. Dû aux limites des microprocesseurs disponibles sur le marché, il est pratiquement difficile,
voir impossible, d’implémenter la commande FSMPC pour certains onduleurs multi-niveaux,
particulièrement, pour un horizon de control supérieur à 1. Ceci est dû au nombre élevé des
états de commutations à tester avant d’exécuter le contrôle.

Dans cette thèse, deux contributions sont à proposer afin de résoudre les enjeux mentionnés
précédemment, cela est possible par :

• Conception d’une commande prédictive pour un onduleur à 2-niveau dont la fréquence de


commutation est supervisée en permanence.

• Développement d’une nouvelle topologie d’un onduleur en cascade à 5-niveau contrôlable par
FSMPC avec un nombre de semi-conducteurs réduit.

24
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

Iα*
Equation
P*
Q* physique
Iβ* Optimisation S
de la fonction
Iα(k+1) objectif
Iα(k) Modèle
Iβ(k)
discret
Iβ(k+1)

Contrôleur prédictif

Figure I. 4: Schéma de principe du contrôleur prédictif de l’onduleur

Le schéma de la commande FSMPC est présenté par la Figure I.4 où : P* et Q* sont respectivement
les références des puissances active et réactive ; Iα* et Iβ* sont respectivement les références des
courants dans le repère αβ ; Iα(k) et Iβ(k) sont respectivement les courants mesurés à l’instant k ;
Iα(k+1) et Iβ(k+1) sont les courants prédit ; S est la combinaison de commutation optimale. Plus de
détails sur la commande FSMPC feront l’objet d’étude du chapitre IV avec simulations numériques.

5.1.3 Application de FSMPC aux onduleurs à 2-niveau avec supervision de la fréquence de


commutation

Comme indiqué antérieurement, dans cette thèse la commande prédictive proposée doit tenir en
compte de l’évolution de la fréquence de commutation de l’onduleur lorsque les consignes de
commande varient. Dans ce sens, quelques contributions sont données dans la littérature, [39] propose
une technique à fréquence de commutation constante en intégrant un modulateur PWM (Pulse Width
Modulation) , [40] un horizon de prédiction et de control de 2 est adopté dans l’algorithme sans passer
par l’horizon 1 pour faire diminuer le temps de calcul et la commutation des interrupteurs, [41]
propose et valide une approche basée sur l'ajout d’une pénalité pondérée à la fonction coût liée à
l’évolution de la fréquence de commutation dans le prochain intervalle de temps.

Du fait que la qualité de l’énergie en termes de THD dépend fortement à la commutation de l’onduleur
comme sera démontré dans le chapitre IV, un compromis doit être trouvé entre la qualité d’énergie et
l’efficacité énergétique de l'onduleur - qui est liée à la fréquence de commutation – en jouant sur la
pondération des termes de la fonction coût. Pour les applications PV connectées au réseau, le THD des
courants débités de l’onduleurs est vital en fonction de divers codes de réseau dans le monde. Ce
travail adopte l'approche présentée dans [41] pour un onduleur à 2-niveau avec des simplifications
considérables sur l’algorithme de commande, l’objectif réside sur l’assurance d’un bon asservissement
des puissances actives et réactives tout en optimisant la fréquence de commutation [42].

25
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

5.1.4 Application de FSMPC aux onduleurs multi-niveaux

Récemment, les onduleurs multi-niveaux jouent un rôle important dans un large éventail d'applications
industrielles. Ils présentent plusieurs avantages par rapport aux convertisseurs classiques en termes de
fonctionnement avec des tensions élevées et variations de tension plus faibles ‘’dv/dt’’. Ces onduleurs
peuvent également réduire efficacement les contraintes de commutation et fournir une forme d'onde de
sortie avec de nombreux niveaux de tension, ce qui est leur caractéristique principale. L'application
des convertisseurs multi-niveaux couvre une large gamme comme l’entraînement à haute puissance,
filtres actifs, systèmes de convoyage, pompage, traction et la propulsion des navires [43-54]. Ces
dernières années, un large éventail de topologies à plusieurs niveaux est apparu, ils comprennent les
structures multi-niveaux en pont en cascade CHB (Cascaded H-Bridge), à point neutre serré NPC
(Neutral Point Clamped) et à condensateur flottant FC (Flying Capacitor), néanmoins, les onduleurs
multi-niveaux cascaded H-Bridge (CHB) est une topologie populaire qui a trouvé de nombreuses
applications dans l'industrie, par exemple dans les entraînements à haute et moyenne tension [55-57] et
la compensation de puissance réactive [58]. Ce travail se focalise à l’onduleur CHB, constitué
d'onduleurs monophasés en pont H connectés en série avec des liaisons continues indépendantes de
tensions égales, afin de fournir la tension de sortie totale à la charge.

Les stratégies classiques de commande des onduleurs CHB se basent sur des régulateurs linéaires PID
avec la modulation à largeur d'impulsion déphasée PWM [59] ou la modulation de vecteur spatial
SVM (Space Vector Modulation) [60] afin de générer les signaux de commutation permettant de
contrôler le convertisseur. Ces dernières années, de nouvelles stratégies de contrôle ont été étudiées
pour le contrôle de ces convertisseurs de puissance. Parmi ceux-ci, la commande FSMPC a été
appliqué en raison de ses nombreux avantages cités précédemment. Néanmoins, la prise en compte de
tous les états de commutation possibles pourrait présenter un inconvénient technique majeur en raison
du temps de calcul requis [61], [62]. Certains travaux ont déjà proposé quelques contributions dans cet
axe [63-65], cependant, l’implémentation du FSMPC pour les onduleurs multi-niveaux reste un défi en
terme de temps de calcul.

5.2 Gestion de la puissance réactive

5.2.1 Gestion de la puissance réactive des systèmes PV raccordés au réseau BT

Dû à ses caractéristiques physiques, les lignes de distribution HTA et particulièrement BT sont


susceptibles au phénomène de surtension lors d’un grand taux de pénétration de la puissance PV
survient. Ça devient probable si les lignes de distribution sont sous exploitée en présence d’un excès
de génération PV. Récemment, les onduleurs PV sont conçus pour faire face à ce défi : le principe
consiste à rendre possible l’échange de l’énergie réactive entre l’onduleur et le réseau électrique afin
de mettre la tension du point de raccordement PCC dans une marge tolérable. Cette technique est
faisable seulement pour un facteur de puissance admissible désigné par le standard d’opérateur du

26
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

réseau. Plusieurs travaux de recherche sont proposés et validés dans cet axe, ils se focalisent tous sur
l’échange de réactive entre les onduleurs PV et le réseau électrique à facteur de puissance constant
[10] ou variable [11]. Il y a aussi des travaux se basant sur la limitation de la puissance PV générée
[12], néanmoins, cette dernière est exclue de cette étude du fait que le principe adopté dans ce travail
est fondé sur la règle de ne pas modifier la génération active solaire.

5.2.2 Techniques de régulation de la tension PCC avec fort taux de pénétration PV

Comme mentionnée précédemment, les techniques approuvées habituellement pour la régulation de la


tension en PCC en présence d’un grand taux de pénétration PV sont classées principalement en deux
catégories : les techniques avec régulation à facteur de puissance constant et celles avec facteur de
puissance variable. La gestion de la puissance réactive des générateurs PV est gérée dans ce travail
suivant la norme VDE-AR-N 4105 qui fixe les spécifications techniques des générateurs d’énergie
raccordé au réseau BT allemand : le Tableau I.2 montre la gestion de la puissance réactive des
générateurs raccordés au réseau BT suivant VDE-AR-N 4105 dans le contexte de la régulation de
tension.

Tableau I. 2: Normes adoptées lors de la connexion des générateurs distribués au réseau BT allemand

Puissance du générateur Limite d’échange de la puissance réactive en terme de facteur de puissance


raccordé
S ≤ 3.68 KVA Le générateur est capable d’échanger de l’énergie réactive avec un facteur de
puissance minimum de 0.95
3.68 KVA < S ≤ 13.8 KVA Le générateur est capable d’échanger de l’énergie réactive avec un facteur de
puissance minimum de 0.90
S > 13.8 KVA L’énergie réactive est définie par DSO (Distribution System Operator)

Où S est la puissance apparente du générateur.

• Régulation à facteur de puissance constant :

La première méthode de régulation de tension adopté est le calcul de la référence de puissance réactive
en fonction de la puissance active générée par le système PV. Figure I.5 représente la génération de la
puissance réactive pour 9 systèmes PV connectés à la même branche BT. Lorsque la production
d'électricité est faible, le risque de surtension dans le réseau est également faible. Quand
l'augmentation de la production d'énergie atteint la moitié de la puissance nominale des PV, le facteur
de puissance commence à diminuer vers 0,95 pendant l’absorption de la puissance réactive. La
méthode n'utilise pas l’information sur la tension du réseau au PCC et suppose seulement que la
production d'énergie élevée correspond à une augmentation de la tension. La référence de la puissance
réactive avec cette méthode est calculée pour tous les onduleurs en utilisant la formule (I.1) avec Q la
référence de la puissance réactive à absorber ; P la puissance PV générée ; ϕ est l’angle de déphasage
entre le courant et la tension.

𝑄 = tan⁡(cos−1(𝜑)). 𝑃 ( I. 1)

27
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

Figure I. 5 : Schéma de la régulation de tension à facteur de puissance constante

Les principaux inconvénients de cette méthode sont :

• La possibilité d'une consommation d'énergie réactive même bien que la tension en PCC soit
dans la plage admissible, d’où, les onduleurs continuent d’absorber de réactive malgré que le
transformateur a déjà ajusté sa tension secondaire après la détection d’une surtension.

• L’impédance des câbles n’est pas prise dans la procédure de la régulation : les systèmes PV
situés le plus près du transformateur HTA/BT peuvent absorber la même quantité de puissance
réactive que le système PV situé à l'extrémité de la ligne s'ils ont tous la même génération
d'énergie active.

• Dans certains cas, l'énergie active produite par les onduleurs PV peut être consommée
localement le long de la ligne BT sans être exportée vers le réseau HTA, par conséquence, le
problème de surtension suite à un flux d'énergie inverse est pratiquement exclu.

Tous ces désavantages mentionnés précédemment conduisent à un excès de demande de l’énergie


réactive : une grande quantité de réactive sera importé du réseau HTA ce qui va surcharger le
transformateur et rendre considérables les pertes de lignes.

• Régulation à facteur de puissance variable :

La deuxième stratégie de régulation de tension proposée, schématisé dans la Figure I.6, elle consiste à
calculer la référence de puissance réactive de chaque système PV en fonction de l’amplitude de la
tension mesurée au niveau de son PCC correspondant. L'avantage de cette méthode est qu'elle utilise
l'information de tension locale dans le processus de la régulation, ce qui signifie que le la
consommation de puissance réactive sera proportionnelle au niveau de tension. La référence de
puissance réactive dans ce cas est calculable en utilisant la formule suivante :

28
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

 Qmax V V1
 Q
 max (V − V1 ) + Qmax V1  V  V2
V1 − V2

Q= 0 V2  V  V3 (I. 2)
 Qmax
 (V + V3 ) V3  V  V4
 V3 − V4
 −Qmax
 V V4

Le principal inconvénient de cette méthode, est la mauvaise utilisation des capacités des onduleurs : il
est probable que l’amplitude de la tension au niveau des PCCs à proximité du transformateur soient
dans leurs limites, les systèmes PV correspondants ne participeront donc pas au processus de
régulation ce qui va surcharger les autres onduleurs qui se trouvent à l’extrémité du départ. Bien que
chaque système PV effectue un processus de régulation local, les onduleurs avec une plus grande
réserve ne peuvent pas soutenir les onduleurs travaillant à leurs capacités max, par conséquent, en
termes de fiabilité, les onduleurs situés à l'extrémité de la ligne subiront plus de problèmes techniques.

Figure I. 6: Schéma de la régulation de tension à facteur de puissance variable

Contrairement aux méthodes classiques, dans cette thèse, une nouvelle approche est proposée qui
consiste à créer une gestion en coordination de plusieurs onduleurs PV raccordés à la même ligne BT.
Cette gestion est basée sur le management du flux de puissance réactive dans la ligne suivant le point
de fonctionnement de chaque onduleur et la tension au niveau de son point de raccordement. La
tension aux PCCs des autres onduleurs raccordés à la même ligne sont également prises en
considération. La production active de chaque onduleur est contrôlée l’algorithme MPPT implémenté
indépendamment de la production réactive. De ce fait, les onduleurs sont surdimensionnés
préalablement afin de garder en permanence une réserve de puissance réactive quelques soit le point
de fonctionnement (Figure I.7). Le flux optimal de la puissance réactive entre les onduleurs PV et le

29
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

réseau BT est obtenue par un processus d’optimisation en utilisant le PSO (Particle Swarm
Optimization).

Figure I. 7: Capacité en puissance réactive d’un onduleur PV surdimensionné

5.2.3 Gestion de la puissance réactive des systèmes PV raccordés au réseau HT

Des avantages techniques supplémentaires des grandes installations PV raccordés aux réseaux de
transport, consiste à faire fonctionner les centrales PV, non seulement en tant que support de puissance
active, mais également de puissance, réactive en fonction de leur points opérationnels, et d'exploiter
les centrales PV en tant que dispositifs FACTS (Flexible AC Transmission System), ce qui permet
d’améliorer le profile de tension et les pertes dans le réseau.

En Allemagne, les pertes de puissance varient entre 4 % et 6 % de la puissance totale fournie, alors
qu'en Algérie, elles peuvent dépasser 15 % comme il est indiqué dans la Figure I.8 [66]. Les pertes
dans les lignes dépendent des tensions aux différents nœuds du réseau. L’un des objectifs des études
de l’écoulement de puissance optimales est la détermination des points de consignes de tension des
différents générateurs pour optimiser l’écoulement de puissance en minimisant les pertes [67]. Dans ce
chapitre, nous étudions l’effet du contrôle des tensions des différents bus de charge afin de réduire les
pertes dans les lignes, cela est possible par la commande des onduleurs PV des différents centrales
comme étant des STATCOMs (Static Synchronous Compensator).

30
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

Figure I. 8: Evolution annuelle des pertes de transmission en (%) des réseaux électriques d’Algérie et d’Allemagne [4]

Les centrales PV étant entièrement désactivées pendant la nuit, la capacité en réactive de ces onduleurs
est inutilisée dans ce cas. Cependant, pendant la journée, les centrales produisent essentiellement de la
puissance active à injecter au réseau, soit en utilisant toute la capacité des onduleurs (cas typique d’une
centrale fonctionnant à midi dans un jour ensoleillé) ou avec capacité partielle des onduleurs (une
centrale fonctionnant le reste du jour ou durant les temps nuageux). En conséquence, une partie de la
capacité des onduleurs reste inexploitée. Récemment, les fabricants des onduleurs PV prennent en
compte cette capacité restante lors de la conception de systèmes de contrôle, l'objectif est de contrôler
le niveau de tension aux PCCs des onduleurs par l’échange de réactive avec le réseau en respectant la
limite en facteur de puissance.

Un nouveau concept se représente par le fonctionnement des onduleurs PV comme STATCOM


pendant la nuit pour le contrôle de la tension a été proposé dans [68] et [69]. Cependant, ce concept n'a
pas été démontré pour un fonctionnement journalier. Les onduleurs PV, tout en générant une puissance
active, ont également été contrôlés pour fournir un service de compensation de puissance réactive pour
les charges connectées à leurs bornes [70]. Des travaux précédents proposaient le fonctionnement des
onduleurs PV en mode ensoleillé et nocturne [71], [72] : En mode nuit, l'onduleur PV compense la
puissance réactive demandée par les charges non linéaires, en mode ensoleillé, il ne fournit pas
uniquement de l'énergie active, mais aussi de réactive en améliorant le facteur de puissance et
réduisant les courants harmoniques. Cependant, dans aucun de ces travaux, les onduleurs PV sont
utilisés pour le contrôle de la tension. [73] and [74] présentent un plan de test complet menant à la
mise en service d'une nouvelle application des onduleurs PV en tant que dispositifs STATCOM pour
le contrôle de la tension et la correction du facteur de puissance en nuit comme en jour. Néanmoins,
l’étude se limite à l’effet d’un seul onduleur ou une centrale PV sur la tension en PCC uniquement. La

31
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

performance de l’opération de plusieurs centrales PV fonctionnant en coordination sur le réseau


électrique global n’avait toujours pas été abordée dans la littérature.

80
Reactive power capability (MVAr)
Active power (MW)
60

40

20

0
0 5 10 15 20
Time (Hour)

Figure I. 9: Capacité de la puissance réactive pour une centrale PV de 60 MW

A partir de la capacité nominale de l'onduleur S (MVA), dimensionnée habituellement en fonction de


la puissance et du nombre de modules PV associés, la puissance réactive restante Q (MVAr)
nécessaire au fonctionnement en PV-STATCOM est obtenue sous la forme : 𝑄 = √𝑆 2 − 𝑃2 , où P
(MW) est la puissance active produite par l’onduleur PV. Cela montre clairement qu’il y a une
capacité importante de réactive inutilisée pendant des longues périodes de la journée (de 30 à 40%) ce
qui peut être utilisé pour le fonctionnement PV-STATCOM. La figure I.9 présente la puissance active
et la réserve en puissance réactive d’un onduleur PV pendant une journée pour une centrale de 60
MW.

Ce travail étudie la possibilité de commander plusieurs centrales PV raccordés au réseau de transport


comme des PV-STATCOM afin d’améliorer l’exploitation du réseau électrique. La méthode repose
sur le fait que les centrales PV peuvent échanger, en coordination, de la puissance réactive avec le
réseau en ajustant leurs tensions de PCC dans des limites acceptables. Cette coordination est réalisée
en prenant en compte la capacité de réactive et la localisation dans le réseau de chaque centrale, ce qui
nécessite un effort de calcul important. Les techniques d'optimisation métaheuristique sont des
solutions appropriées pour traiter des problèmes complexes comme celles mentionnées précédemment.
Ce travail propose l’utilisation de l’optimisation PSO pour déterminer la quantité optimale de la
puissance réactive à échanger pour chaque centrale. Ses performances seront ensuite comparées avec
la technique d’optimisation par de l’Evolution Différentielle (DE). La gestion optimale de réactive des
centrales PV et le réseau vise à améliorer les profils de tension sur différents bus de charge et réduire
les pertes de lignes. Le schéma de commande proposé dans son intégralité est illustré à la Figure I.10.

32
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

Figure I. 10: Diagramme de commande proposé pour les centrales PV raccordés au réseau de transmission

6. Contributions de la thèse

Comme expliqué précédemment, l’aspect d’intelligence dans un réseau électrique ne réside pas dans
l’installation de quelques dispositifs particuliers, mais plutôt c’est un processus qui se déroule
progressivement par la modernisation des composants existants, l’utilisation des technologies de
communication et de l’information et l’implémentation des nouvelles stratégies et moyens de
supervisions. En ce qui concerne le management du réseau électrique suivant les différentes échelles
du temps expliqués précédemment, cette thèse donne les contributions suivantes :

En termes de secondes :

• Une commande prédictive à états finis améliorée des onduleurs PV raccordés aux réseaux
capable de superviser l’évolution de la fréquence de commutation des interrupteurs de
puissance en donnant une qualité de puissance adéquate.

• Contribution à l’implémentation de la commande prédictive sur des onduleurs multi-niveaux.

En termes de minutes :

• Contrôle optimisé de la surtension d’un réseau BT en présence d’un grand taux de pénétration
de la puissance PV.

• Amélioration des profils de tension des nœuds de charge d’un réseau de transport intégrant des
centrales PV avec la réduction des pertes de ligne.

33
Chapitre I Etat de l’art sur la gestion des réseaux et micro-réseaux hybrides

En matière d’heures vers quelques jours :

• Une nouvelle technique de gestion prédictive d’énergie explicite d’un micro-réseau hybride
non autonome réduisant le cout d’énergie et les émissions du CO2.

• Implémentation des nouvelles techniques de gestion d’énergie sur un micro-réseau


expérimental intelligent à base de produits commerciaux.

En matière de mois vers quelques ans:

• Développement d’un nouvel estimateur de durée de vie de batteries qui permet au gestionnaire
d’énergie de prédire la dégradation des batteries s’en basent seulement sur des données
opérationnelles journalières.

Toutes les méthodes mentionnées ci-dessus se basent sur la commande séparée des puissances actives
et réactives des onduleurs reliant les systèmes PV au réseau électrique, avec ou sans élément de
stockage.

6.1 Organisation de la thèse

Les prochains chapitres de cette thèse reprennent les contributions indiquées auparavant en détails
suivant la répartition suivante : le chapitre II se focalise sur la gestion prédictive journalière d’un
système hybride connecté au réseau ; le chapitre III traite la gestion optimale de la puissance réactive
des réseaux électriques en présence des systèmes PV ; le chapitre IV donne plus de détails sur la
commande prédictive à états finis proposée des onduleurs PV ; tandis que des essais expérimentaux de
l’implémentation des techniques de gestion d’énergie sur un micro-réseau expérimental seront montrés
dans le chapitre V.

7. Conclusion

Dans ce chapitre, une initiation aux différentes parties de la thèse est faite. Les défis associés aux
opérations de la commande, la conversion et la gestion d’énergie des réseaux électriques intégrants des
sources d’origine renouvelables sont traités dans le cadre de développement des réseaux intelligents.
La gestion des systèmes hybrides intégrant des sources d’énergie incertaines, le problème de la
surtension des départs BT intégrant des systèmes PV et la qualité de puissance des systèmes à base des
sources fluctuées sont parmi les problèmes visés. La commande prédictive et la gestion optimale sont
parmi les méthodes adoptées dans cette thèse, avec lesquelles, le réseau de distribution, le micro-
réseau et le réseau de transport sont les stades de validation de ces méthodes.

34
Chapitre II

Gestion prédictive de l’énergie


d’un système hybride connecté
au réseau

35
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

1. Introduction

La gestion des systèmes d’énergie hybrides, intégrant des sources conventionnelles, renouvelables et
de stockage, est une tache nécessaire pour une exploitation optimale du système. La minimisation de
l’utilisation du combustible fossile en optimisant le fonctionnement du système de stockage est parmi
les principaux objectifs de ce gestionnaire d’énergie. Dans le cas où la production renouvelable est
incertaine ou intermittente, la gestion d’énergie devient indispensable, non seulement pour optimiser
son exploitation mais aussi pour des raisons de sécurité. Les bâtiments intégrants des systèmes PV
avec stockage représentent une application typique où la gestion d’énergie représente un processus
primordial dont le but est d’améliorer leurs efficacités énergétiques.

2. Topologie du système hybride PV/batteries

Dans cette section, un système hybride avec BESS (Battery Energy Storage System) est connecté au
bus continu est choisi (Figure II.1). La raison est pour éviter les procédures de synchronisation
complexes qui sont généralement associés avec le couplage AC, et par nature, l’élimination de
l’utilisation d’un convertisseur supplémentaire. Dans une telle structure, la puissance de BESS
échangée avec le réseau est réglable en contrôlant l’onduleur hybride sachant que le système PV est
contrôlé en permanence par la technique MPPT (Maximum Power Point Tracking) en utilisant le
convertisseur DC/DC associé. Cette topologie est extensible en ajoutant tout type de source continue
au bus DC, en outre, la fréquence et la tension du réseau sont indépendantes des sources d’énergie
grâce à l'utilisation de convertisseurs de puissance différents. Diverses topologies de puissance pour
les systèmes hybrides avec comparaison sont expliquées dans [75].

Figure II. 1: Topologie du système hybride avec couplage DC de BESS

2.1 Commande du convertisseur DC/DC

Le générateur PV est contrôlé afin de produire la puissance maximale disponible via un convertisseur
DC/DC Boost grâce à l’utilisation de la technique MPPT. Pour accomplir cette tâche, ce convertisseur,

36
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

agit comme une charge contrôlable ajustant le courant extrait du générateur PV. En mettant le courant
PV proche de la référence MPP, qui dépend essentiellement des conditions météorologiques en termes
d’ensoleillement et de température. Dans ce travail, la technique classique P&O (Perturb and
Observe) est choisie pour trouver la référence MPP. Une étude comparative approfondie pour
différents algorithmes MPPT est présentée dans [76], toutefois, l’application des algorithmes MPPT
plus performants n’est dans le cadre de cette thèse.

2.2 Commande du convertisseur DC/AC

Le convertisseur DC/AC à 2-niveaux, est commandé afin d’injecter l’énergie disponible dans le bus
DC au micro-réseau du bâtiment. La référence de puissance est envoyée par le niveau de contrôle
supérieure (gestion d’énergie prédictive) et convertie en référence de courant RMS par (II.1). Ensuite,
cette référence passera par le niveau bas de contrôle, dans lequel elle sera traduite en signaux de
contrôle logique de haute fréquence en utilisant un modulateur PWM, ces signaux agissent
directement sur les gâchettes des interrupteurs du convertisseur.

2 Pref
I ref = (II. 1)
3.U rms

Avec Urms est la tension entre phases du réseau (400 V).

Dans ce travail, des contrôleurs de courant à hystérésis sont sélectionnés pour accomplir cette tâche en
raison de leur simplicité et robustesse. Ces contrôleurs ne nécessitent pas l’utilisation d’un modulateur
PWM, le fait qu’ils puissent envoyer des signaux logiques de contrôle se basant uniquement sur
l’erreur de contrôle. Son principal inconvénient est la fréquence de commutation variable qui, dans
certains cas, peut dépasser le seuil permis pour les IGBTs (Insulated-Gate Bipolar Transistor) utilisés.
Des approches de commande plus performantes sont présentées dans [77-79], cependant, la
contribution sur le niveau bas de contrôle dépasse le plan d’étude de ce chapitre.

3. Prévision du flux de puissance dans le micro-réseau du bâtiment

Comme mentionné auparavant, la gestion prédictive d’énergie requière des informations sur le flux de
puissance dans le système hybride du bâtiment pour pouvoir prendre des décisions de contrôle précis.
Ce flux dépend essentiellement de la production PV et les charges existantes. La production PV est
prédite à l’aide de la prévision des paramètres météorologiques (en ligne). La prévision de la demande
en puissance du bâtiment est réalisable à travers la méthode artificiel RNA, les deux approches sont
détaillées ci-dessous :

3.1 Prévision de la production PV

Les prévisions météorologiques en termes d’ensoleillement et de température sont nécessaires pour


déterminer la production PV. Il est important de noter qu’en raison de la nature du problème posé, il

37
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

n’est pas nécessaire d’avoir une prévision ponctuelle précise de la production PV, mais plutôt une
estimation de l’énergie PV à fournir pendant les prochaines 24-heure. Ce travail propose une méthode
basée sur l’utilisation d'un modèle mathématique (II.2) liant la production horaire PV avec valeurs
prédites d'ensoleillement et de température pour un horizon de prévision de 24-heur [28].

PPV = A   S  (1 − CT (T − 25)) (II. 2)

Où CT est le coefficient de température ; A est la surface totale active des cellules PV ; η est l'efficacité
du système PV ; S est un vecteur de 24-élément pour le profil d'ensoleillement prévu ; T est un vecteur
de 24-élément pour le profil de température prévu.

Pour valider cette approche, une simulation basée sur des données réelles du système PV installé à
INES (Institute of Energy Systems Technologies) à Offenburg de 15 au 22 Juin 2014 est accomplie
(Figure II.2). Le service de prévision en ligne utilisé est le Deutscher Wetterdienst, il offre des profils
d'ensoleillement et de température pour les prochaines 72-heure avec un pas de prédiction d’une heure.
Les paramètres du système PV sont reportés dans le Tableau II.1. Le test a montré qu’une bonne
concordance entre la puissance PV estimée et réelle. Des déviations de courte durée sont observées
lorsque des fluctuations dans la génération PV surviennent (Figure II.2), ces erreurs de prédiction sont
inévitables dans notre cas du fait que le pas de prédiction choisi est une heure. Des efforts sont encore
déployés afin de réduire le pas de prédiction vers des minutes. Dans la Figure II.3, la courbe de
régression, qui est la relation directe entre les puissances PV produites et estimée, est montrée. Une
équation polynomiale de 1 degré est trouvée ce qui prouve l'efficacité de l'approche proposée.

7000
Forecasted power (W)
6000 Real power (W)

5000

4000

3000

2000

1000
Hour
0
24 48 72 96 120 144 168

Figure II. 2: Performance de prévision du générateur PV d’INES pour une semaine (15 – 22 Juin 2014)

Tableau II. 1: Paramètres de prévision du système PV d’INES

Surface active des cellules A 42.15 m2


Rendement η 14.5 %
Coefficient de température CT 0.0046

38
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

7000

6000

Forecasted power (W)


5000

4000

3000

2000 y=1.11x+114

1000

0
0 1000 2000 3000 4000 5000 6000 7000
Real poweer (W)

Figure II. 3: Droite de régression entre la puissance prédite et réelle du système PV d’INES

3.2 Prévision de la demande en puissance d’un bâtiment

Dans cette section, un algorithme de prévision de charge d’un bâtiment commercial est développé à la
base d’un réseau de neurones artificiels (RNA). A travers un d’apprentissage le RNA peut identifier le
lien entre les différents phénomènes non linéaires inclus dans le système. L’approche est basée sur
l’hypothèse que pour chaque intervalle du temps, la demande en puissance du bâtiment BPD (Building
Power Demand) est liée en temps réel à certaines variables : l'heure de la journée est sélectionnée
comme variable pour couvrir la consommation d'énergie horaire ; le jour de la semaine pour couvrir la
variation quotidienne de la consommation, cela est important pour prendre en compte la différence de
consommation d'énergie entre les week-ends et les jours de travail. Pour la même raison, un indicateur
de vacances est introduit, il prend la valeur 1 lorsque le jour est un jour férié et 0 pour le cas contraire.
La température est une autre variable importante à ajouter en raison de son influence sur la
consommation d'énergie associée aux systèmes de refroidissement et de chauffage, elle est à
déterminer grâce aux prévisions météorologiques en ligne mentionnées précédemment. La Figure II.4
illustre le schéma de principe du modèle RNA proposé [28].

Figure II. 4: Modèle de prévision RNA proposé pour BPD

39
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

Pour valider l’algorithme proposé, la consommation électrique pour une semaine d'un bâtiment
commercial réel est choisie. Pour accomplir le processus d’apprentissage du RNA, une base de
données de trois mois a été sélectionnée, ses paramètres sont cités dans le Tableau II.2. La Figure II.5
montre que, globalement, une bonne performance de prévision est atteinte. Nous pouvons noter que la
performance de l’algorithme proposé dépend fortement de la prévision de la température : lorsqu'un
grand horizon de prédiction est demandé (plus de 1 jour), la performance de la prévision commence à
se dégrader, ce qui peut affecter les résultats attendus du contrôleur MPC.

Tableau II. 2: Paramètres d’apprentissage RNA

Nombre de neurones dans la couche d'entrée 4


Nombre de neurones dans la couche cachée 10
Nombre de neurones dans la couche de sortie 1
L’algorithm d’apprentissage Levenburg-Marquard
La founction de performance Mean square error

9000

8500 Forecasted power


Real power
8000

7500
Power (W)

7000

6500

6000

5500

5000

4500
0 20 40 60 80 100 120 140 160
Time (Hour)

Figure II. 5: Performance de prévision de BPD pour une semaine

4. Formulation de la gestion MPC

Dans cette section, l'algorithme MPC proposé est détaillé. Commençant par l'équation du flux de
puissance du système hybride, qui est la base de l'algorithme, passant par les outils de prédiction pour
l'état de charge de BESS ainsi que l'énergie échangée avec le réseau et en terminant par la formulation
de la fonction objectif.

4.1 Équation du flux de puissance

L'équilibre de charge du système hybride est présenté par l’équation suivante :

Pload = PV PPV + B PB + Pg − Pw ( II. 3)

Avec PPV, PB et Pg sont respectivement les puissances fournies par les systèmes PV, batteries et le
réseau électrique (les valeurs positives de Pg et PB désignent les puissances fournées tandis que les
valeurs négatives désignent les puissances récupérées). Pload est la puissance demandée par le

40
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

bâtiment. Pw modélise la puissance perdue le long des convertisseurs de puissance et les câbles
utilisés. PV et B sont respectivement les rendements énergétiques du générateur PV et les batteries
y compris les convertisseurs de puissance.
( B est supposé constant pour les deux cas charge et décharge). Étant donné que le système PV et les

batteries sont connectés au même bus DC de l’onduleur hybride, de ce fait, leurs puissances sont
combinées en une seule quantité appelée puissance du convertisseur Pconv, ce qui permet de reformuler
(II.3) pour devenir (II.4):

Pload = Pconv + Pg (II. 4)

Avec

Pconv = PV PPV +B PB − Pw (II. 5)

4.2 Etat de charge des batteries

La valeur de l’état de charge des batteries pour le prochain intervalle du temps est calculée via la
formule suivante :

I B T
SOC (t + T ) = SOC (t ) − 100 (II. 6)
C

SOC(t) (State Of Charge) est la valeur mesurée de l’état de charge alors que SOC(t + ΔT) est la valeur
prédite pour l'horizon ΔT ; C est la capacité nominale des batteries et IB est le courant des batteries
calculé via l'équation simple suivante:

PB
IB = (II. 7)
VB

VB est la tension des batteries (considérée constante 48 V).

4.3 Formulation de la fonction coût

Comme mentionné précédemment, la fonction coût à minimiser est une combinaison de certains
termes qui visent à atteindre des objectifs techniques, économiques et écologiques imposées au
gestionnaire d’énergie.

J = K1 ( SOCi − SOC f )
2
+ K 2 Cr Eg (II. 8)

Avec : Eg est l'énergie consommée prévue du réseau électrique pour les prochaines 24-heure. Il est
aisément calculable via l’équation suivante :

41
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

24
Eg =  Pg T (II. 9)
i =1

SOCi et SOCf correspondent respectivement aux valeurs de l’état de charge des batteries initiales et
finales durant le jour de test ; Cr est le facteur d'émission de CO2 (choisi 0,527 kg/kWh) permettant
d'estimer les émissions du CO2 associées à la production d'énergie à l'aide d'un générateur diesel [80].
K1 et K2 sont des coefficients de pondération. Le premier terme de (II.8) prend en compte l'évolution
de l’état de charge des batteries : à la fin de la journée, cet état doit revenir au niveau initial, cela est
recommandé pour conserver une réserve d'énergie suffisante pour le jour suivant. Le second terme
vise à minimiser les émissions du CO2 estimées en réduisant l’énergie importée par le réseau
électrique. La fonction objectif doit être optimisée en respectant certaines contraintes d’inégalités en
termes de puissance maximale autorisée pour l’onduleur hybride, la puissance maximale échangée
avec le réseau et les limites admissibles supérieures et inférieures de l’état de charge des batteries
sont :

−Pmax  Pconv  Pmax (II. 10)

− Pmax  Pg  Pmax (II. 11)

SOCmin  SOC  SOCmax (II. 12)

Les limites en état de charges sont définies afin d'optimiser le fonctionnement des batteries : la limite
supérieure est recommandée pour conserver une capacité suffisante afin de récupérer toute puissance
PV excédentaire qui ne peut pas être récupérée par le réseau électrique (supérieure à la valeur
autorisée). La limite inférieure est fixée pour une raison de protection : les décharges profondes
fréquentes entraînent une dégradation de la durée de vie des batteries.

4.4 Stratégie d'optimisation

Le nombre de variables à manipuler est de 24, ce qui rend difficile la convergence d l’algorithme (II.6)
avec un temps de calcul acceptable. Pour résoudre le problème d’optimisation, les Algorithmes
Génétiques (AG) sont sélectionnés. La principale raison de ce choix est sa capacité à faire converger
des systèmes complexes sans avoir à connaître les dérivées de la fonction objectif, contrairement aux
autres méthodes d'optimisation, AG est une technique robuste, capable d'optimiser des fonctions
objectifs très complexes avec un temps de calcul court [81]. La variable de contrôle optimal résultant
est un vecteur de référence de puissance avec 24 éléments, c’est un profil journalier optimal pour
l’onduleur/chargeur reliant le système hybride au réseau électrique.

42
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

5. Organigramme de la gestion MPC

La fonctionnalité de l'algorithme MPC proposé est résumée dans les trois étapes suivantes :

• Acquisition de données de prévision météorologiques, formant les profils de production PV et


PBD pour les prochaines 24-heure grâce aux modèles de prévision développés, puis les
incluant dans l’équation du flux de puissance.

• Calcul de l'évolution de SOC et l'échange d'énergie avec le réseau.

Internet

Irradiation
solaire Température
rradiation
Prévision
Prévision PV consommation

𝑃෢
𝑃𝑉 ෢𝐿
𝑃 ∗
𝑃𝑐𝑜𝑛𝑣
Equation de flux de puissance (II.5)

෢𝑏
𝑃
Contraintes Prix Emissions
Equation SOC (II.10-II.12) d’énergie CO2 Nouveau vecteur de
(II.6) puissance
𝑚𝑎𝑥
𝑋𝑚𝑖𝑛 €/KWh CO2/KWh
𝑆𝑂𝐶

Fonction objectif (II.8)

Max de générations ou 𝑁𝑜
erreur toléré atteint

Vecteur des références de puissance optimales Pref

Système
Onduleur/Chargeur

Figure II. 6: Organigramme de la gestion optimale d’énergie par MPC

• Après la convergence de l’algorithme (II.6) la référence optimale pour les prochains 24-heure,
en tenant en compte des contraintes de fonctionnement du système est trouvée.

43
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

6. Résultats de simulation

La méthode proposée est implémentée dans l’environnement MATLAB/SimPowerSystems. Le


système PV est modélisé à l'aide du modèle d’une seule diode, ses paramètres sont listés dans le
Tableau II.3. Les batteries sont modélisées sur la base du modèle générique de Shepherd [82], ses
paramètres sont donnés dans le Tableau II.4. Les caractéristiques des convertisseurs de puissance
utilisés sont citées dans le Tableau II.6. Un profil réel de consommation énergétique du bâtiment
commercial étudié auparavant est inclus dans la simulation en utilisant une simple charge active
variable.

Tableau II. 3: Paramètres du générateur PV

Module Puissance nominale 220 Wp


Tension à vide 37.4 V
Tension à MPP 30 V
Courant de court-circuit 8.6 A
Courant à MPP 8.1 A
Nombre de cellules 60
Structure Nombre de modules en parallèl 3
Nombre de modules en série 9
Puissance nominale 6.3 kWp
Tableau II. 4: Paramètres du système de stockage

Cellule Capacité nominale 250 Ah


Tension nominale 12 V
Courant de décharge nominal 50 A
Résistance interne 4.8 mΩ
Banc Nombre de cellules en série 30
Nombre de cellules en parallèle 1
Puissance nominale 18 kW
En tant que méthode de référence, la gestion à hystérésis est appliquée et simulée en premier lieu.
Cette technique classique vise à optimiser l’exploitation des batteries en temps réel dans des limites de
SOC bien déterminées quelle que soit la direction du flux de puissance dans le système hybride. Pour
accomplir cette tâche, la mesure en temps réel de SOC est acquise en permanence. Le diagramme de la
gestion à hystérésis est présenté à la Figure II.7, ses principaux paramètres étant listés dans le Tableau
II.5. les paramètres des convertisseurs de puissance utilisés dans la simulation sont présentés dans le
Tableau II.6.

Tableau II. 5 : Paramètres de la gestion à hystérésis

PMAX 6000 W
PMIN -1000 W
SOCMAX 90 %
SOCMIN 50 %

44
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

Tableau II. 6: Paramètres des convertisseurs statiques

Convertisseur Paramètre Valeur


Inductance 0.015 H
Capacité 24 mF
Tension d’éntré MPPT 280 ~ 400 V
DC/DC Tension MPPT de sortie 500 ~ 800 V
Puissance nominale 45 kW
Dispositive de commutation IGBT/Diode
Fréquence de commutation 10 KHz
Tension DC nominale 700 V
Tension AC nominale (ph-n) 230 V
Puissance nominale 80 kVA
DC/AC Dispositive de commutation IGBT/Diode
Fréquence de commutation 10 kHz
Inductance du filtre 5 mH
Capacité du filtre 600 µF

Figure II. 7 : Digramme de la gestion d’énergie à hystérésis

10000

8000

6000

4000
Power (W)

2000
Load
0 Grid
PV
-2000 BESS
-4000

-6000
0 5 10 15 20
Time (Hour)

Figure II. 8 : Répartition des puissances avec la gestion à hystérésis

La simulation d’une journée type est réalisée en utilisant la stratégie de gestion à base hystérésis. La
répartition de puissance entre le réseau électrique, PV et les batteries pour satisfaire la charge est
illustrée dans la Figure II.8. L’évolution de l’état de charge des batteries est illustrée dans la Figure
II.9. Suivant les règles de la gestion d’énergie, le contrôleur ajuste le partage de puissance entre les
différentes sources d’énergie de manière à garder l’état de charge des batteries entre deux fourchettes

45
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

de contrôle 50 % et 90 %. Néanmoins, la méthode n’intègre aucun critère d’économie d’énergie. En


outre, les paramètres de la gestion peuvent être sélectionnés de sorte que le système de stockage est
exploité de façon optimale, ce qui exige une étude de dimensionnement préalable pour tout le système
hybride. Le courant échangé entre l’onduleur/chargeur et le réseau est représenté dans la Figure II.10.
Il est clair que la qualité du courant est assez acceptable avec peu d’ondulations dû à l’utilisation des
régulateurs de courant à hystérésis (THD = 2.64 %), ces ondulations deviennent visibles dans le cas
d’une faible demande de courant.

100

90

80
SOC (%)

70

60

50

40
0 5 10 15 20
Time (Hour)

Figure II. 9 : Evolution de SOC avec la gestion à hystérésis

Figure II. 10: Courant échangé entre le système hybride et le réseau électrique

46
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

6.1 Test de gestion MPC standard

Tout d'abord, un test de la gestion MPC standard est réalisé en utilisant l'équation de coût formulée
dans (II.8) avec les coefficients de pondération K1 = 1 et K2 = 3, obtenus à l'aide de la méthode
d’étalonnage après plusieurs essais de simulation. L'objectif est de maximiser l'utilisation de l'énergie
PV pendant la journée étudiée. Le processus d’optimisation à base d’un AG est réalisé par
MATLAB/Optimtool, ses principaux paramètres sont répertoriés dans le Tableau II.7. Les profils
d’ensoleillement et de température prévisionnels quotidiens sont représentés dans la Figure II.11. Le
profil prévu de BPD est illustrée dans la Figure II.12. Les limites supérieur et inférieur adoptées pour
SOC des batteries sont respectivement 50 % et 90 %. La valeur limite d’échange de puissance de
l’onduleur/chargeur est fixée à 6 kW. La valeur limite d’échange de puissance entre le réseau
électrique et le système hybride est fixée à 12 kW.

Tableau II. 7: Paramètres de l’optimisation par AG

Nombre de variables 24
Population 200
Nombre de génération 80
Tolérance de la fonction objectif 10-6

1000

800
Insolation (W/m2)

600

400

200

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (hour)
(a)
24

22
Temperature (C°)

20

18

16

14

12
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(b)

Figure II. 11: Profiles journaliers prédits : (a) Ensoleillement (b) Température

47
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

8500

8000

7500

Power (W)
7000

6500

6000

5500

5000

4500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
Figure II. 12: Profil journalier prédit de BPD

Le profil de puissance optimal journalier, ainsi que l'évolution du processus d'optimisation, sont
représentés dans la Figure II.13. Les valeurs de puissance positives correspondent à celles extraites du
système hybride (PV/batteries) tandis que les valeurs négatives correspondent aux puissances
importées du réseau. La répartition de puissance entre les sources d’énergie et la charge suivant ce
profil optimal avec l'évolution du SOC sont affichée sur les Figures II.14 et II.15 respectivement.

Best: 382.787 Mean: 382.787


500
Fitness value

Best fitness
450 Mean fitness

400

350
0 20 40 60 80 100
Generation
Current Best Individual
Current best individual

10000

5000

-5000
0 5 10 15 20 25
Number of variables (24)

Figure II. 13: Processus d’optimisation AG avec le profil de puissance optimal (W) (MPC standard)

48
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

12000 Load
10000 Grid
PV
8000
BESS
6000
Power (W)

4000
2000
0
-2000
-4000
-6000
0 5 10 15 20
Time (Hour)

Figure II. 14: Répartition des puissances avec la gestion par MPC standard

100

90

80
SOC (%)

70

60

50

40
0 5 10 15 20
Time (Hour)

Figure II. 15: Evolution de SOC avec la gestion par MPC standard

La simulation montre que les contraintes sélectionnées auparavant en termes de limites de contrôle de
SOC et limites supérieure et inférieure des puissances de l’onduleur/chargeur et du système de
stockage (les petits dépassements sont liés à l’incertitude de prévision de BPD et la production PV).
Le contrôleur, dans le test standard, vise à minimiser l’énergie importée du réseau électrique en
contrôlant l’évolution de SOC.

6.2 Test de gestion MPC avec pénalité sur le coût d’énergie

Prenant en compte la dynamique du prix horaire de l’électricité, la fonction de coût est étendue (II.13).
De manière similaire, les nouveaux coefficients de pondération K1, K2 et K3 sont à fixer
respectivement à 1, 1 et 140 en utilisant la technique d’étalonnage.

J = K1 (SOCi − SOC f ) 2 + K 2 Cr Eg + K 3C p Eg (II. 13)

49
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

Où Cp est le facteur de prix de l'électricité (€/kWh) supposé similaire en vente ou en achat. Le profil
prévu du prix de l’électricité (Figure II.16) est obtenu grâce à un service en ligne présenté dans [83].

Dans cette situation, le profil de puissance optimal illustré à la Figure II.17 est appliqué à l'onduleur
hybride et permet d'afficher la répartition de puissances représentée à la Figure II.18. De même,
l'évolution de SOC est affichée à la Figure II.19.

0.03

0.025
Energy price (Euro/KWh)

0.02

0.015

0.01

0.005

0
0 5 10 15 20 25
Time (Hour)
Figure II. 16: Variation horaires du prix d’électricité

Best: 413.607 Mean: 413.619


460
Best fitness
Fitness value

440 Mean fitness

420

400
0 20 40 60 80 100
Generation
4
x 10 Current Best Individual
Current best individual

0.5

-0.5

-1
0 5 10 15 20 25
Number of variables (24)

Figure II. 17: Processus d’optimisation AG avec le profil de puissance optimal (W) (MPC avec pénalité du cout d’énergie)

50
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

4
x 10

0.5
Power (W)

Load
-0.5 Grid
PV
BESS
-1
0 5 10 15 20
Time (Hour)

Figure II. 18: Répartition des puissances avec la gestion MPC avec pénalité du cout d’énergie

100

90

80
SOC (%)

70

60

50

40
0 5 10 15 20
Time (hour)

Figure II. 19: Evolution de SOC avec la gestion MPC avec pénalité du cout d’énergie

En plus de l’économie d’énergie et contrôle de SOC, le contrôleur prédictif dans ce cas vise à suivre le
marché dynamique d’électricité pour minimiser le cout global de l’énergie : lorsque le prix
d’électricité est devenu élevé, la demande en énergie doit être satisfaite par la production renouvelable
autant que possible, tandis que dans le cas contraire, l’énergie extraite du réseau est préférée pour
alimenter la charge ou même pour charger les batteries.

6.3 Test MPC avec pénalité sur la durée de vie de BESS

Le problème de la dégradation de BESS en plomb-acide a un effet indésirable à long terme, entraînant


des charges financières supplémentaires. La méthode proposée dans cette section est basée sur le fait
que les cycles de charge/décharge restants de BESS dépendent de la profondeur de décharge (Depth Of
Discharge DOD) comme le montre la Figure II.20. Pour une raison de simplification, les valeurs de
DODs possibles sont divisées en quatre secteurs de 10 % chacun. Dans cette thèse, une nouvelle
approche est développée pour estimer la durée de vie de BESS pour tout scénario opérationnel. La
suggestion suppose que la durée de vie opérationnelle de BESS est liée au nombre de DODs

51
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

accumulés pendant la journée de test. Ensuite, le contrôleur admet que ce nombre, avec différents
DODs, sera supposé d’être répétitif pendant les jours suivants jusqu'à que le nombre maximal de
cycles soit atteint en prenant le cas le plus défavorable. L'équation (II.14) est utilisée pour prédire la
durée de vie du BESS pour chaque scénario opérationnel [28].

3000
2800
2600
Number of cycles

2400
2200
2000
1800
1600
1400
1200
10 15 20 25 30 35 40 45
DOD (%)

Figure II. 20: Nombre de cycles charge/décharge restants en fonction de DOD

Best: 312.983 Mean: 312.984


600
Best fitness
Fitness value

500 Mean fitness

400

300
0 20 40 60 80 100
Generation
Current Best Individual
Current best individual

10000

5000

-5000
0 5 10 15 20 25
Number of variables (24)

Figure II. 21: Processus d’optimisation AG avec le profil de puissance optimal (W) (MPC avec pénalité de la dégradation de
BESS)

52
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

3000 2000 1500 1200


BESS LIFE _ TIME = min( , , , ) (II. 14)
N10  365 N 20  365 N 30  365 N 40  365

Où N10, N20, N30 et N40 représentent le nombre de cycles de décharge suivant les quatre secteurs de
DOD, soient : 0~10 %, 10~20 %, 20~30 % et 30~40 % respectivement.

La fonction coût à optimiser (II.15) avec K4 facteur de pondération correspond à la pénalité de la durée
de vie de BESS (K4 = 104). Le nouveau profil de puissance optimal est illustré dans la Figure II.21.
Les répartitions des puissances ainsi que l'évolution de SOC en fonction de cette nouvelle situation
sont affichées sur les Figures II.22 et II.23 respectivement.

J = K1 (SOCi − SOC f ) 2 + K 2Cr Eg + K 3C p Eg + K 4 / BESS LIFE −TIME (II. 15)

12000
Load
10000 Grid
8000 PV
BESS
6000
Power (W)

4000
2000
0
-2000
-4000
-6000
0 5 10 15 20
Time (Hour)

Figure II. 22: Répartition des puissances avec la gestion MPC avec pénalité de la dégradation de BESS

100

90

80
Power (W)

70

60

50

40
0 5 10 15 20
Time (Hour)

Figure II. 23: Evolution de SOC avec la gestion MPC avec pénalité de la dégradation de BESS

Pour le troisième test, le terme additionnel permet au contrôleur de tenir en compte le nombre de
différents DODs des batteries lors de la sélection du vecteur de puissance optimal. De ce fait, et au

53
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

moyen de (II.15), il est possible d’estimer la durée de vie des batteries en supposant que ce scénario de
fonctionnement va se répéter jusqu’à ce que le nombre total des cycles charge/décharge expire.

7. Comparaison

L'influence des coefficients de pondération sur les performances attendues de la gestion MPC est
primordiale, les coefficients appropriés ne peuvent être abordable qu'après de nombreux tests de
simulation. Dans le cas de MPC standard, le seul objectif envisagé est l’énergie à échanger avec le
réseau électrique : le contrôleur vise à minimiser l’importation de l’énergie en maximisant l’utilisation
de l’énergie PV. Le gestionnaire à hystérésis n'a pas un objectif d'économie d'énergie, cependant, le
SOC de BESS est maintenu dans la zone tolérable en permanence. En tenant compte de la dynamique
du prix de l’énergie, les performances du contrôleur MPC apparaissent nettement comparées à celles
du contrôleur à hystérésis avec une amélioration de 10 % du coût d’énergie (Tableau II.8). Tenant
compte de la dégradation de BESS, MPC améliore le fonctionnement du système hybride en créant un
profil horaire optimal, de sorte que sa durée de vie estimée est considérablement augmentée. Cela est
faisable en choisissant des DODs appropriés pendant la journée de test.

La simulation a montré une amélioration de 25 % de la durée de vie de BESS avec MPC en


comparaison avec le gestionnaire à hystérésis (Tableau II.8).

L'écart de SOC, qui correspond à la différence entre la valeur initiale et finale pour un test d'une
journée, est inclus dans l'évaluation des performances pour deux raisons :

• Assurer suffisamment d’énergie dans les BESS pour le jour qui suit le jour du test. Ceci est
important quand on prévoit une chute importante de la production PV en prévision de journées
nuageuses successives.

• S'assurer que les BESS n'a aucun impact sur l'évaluation de l'économie d’énergie : à la fin de
la journée de test, la seule énergie à maximiser dans l'utilisation (consommée ou fournie au
réseau) est celle du générateur PV.

La principale limite de l’approche proposée est sa grande dépendance de la précision des prévisions
météorologiques. Même si de petites erreurs de prévision sont prises en compte lors de la définition
des limites de contrôle de SOC, cependant, des erreurs importantes, en particulier en irradiation
solaire, peuvent dégrader totalement les résultats attendus.

54
Chapitre II Gestion prédictive de l’énergie d’un système hybride connecté au réseau

Tableau II. 8: Comparaison entre les différentes gestions d’énergie

Déviation Cout Durée de vie


Politique de gestion d’énergie de SOC d’énergie estimée de BESS
(%) (€) (an)
Standard 0.7 02.83 1.64
MPC Avec pénalité de cout d’’énergie 1.9 02.07 2.73
Avec pénalité de dégradation de BESS 0.1 02.34 4.10
Hystérésis 4.1 02.30 3.28

8. Conclusion

Le problème de la prévision de la production PV pour un long horizon de prédiction représente un défi


pour les gestionnaires des réseaux électriques intégrants des systèmes PV. Dans ce contexte, ce
chapitre propose l’approche de la gestion prédictive explicite pour faire vaincre à la production
incertaine du système PV. La méthode vise à suivre le prix dynamique d’électricité au marché, réduire
les émissions CO2 et prolonger la durée de vie des accumulateurs d’énergie électrochimiques.
L’horizon de contrôle et de prédiction d’une telle méthode peut atteindre 24-heures avec un processus
d’optimisation offline par AG. Avec des coefficients de pondération bien sélectionnés, le contrôleur
prédictif peut satisfaire les besoins économiques, techniques et environnementales lors de la gestion du
système hybride.

55
Chapitre III

Gestion optimale de l’énergie réactive


des systèmes PV raccordés au réseau

56
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

1. Introduction

Le travail présenté dans ce chapitre s’intéresse à la performance de la gestion d’énergie réactive de


plusieurs systèmes PV raccordés au réseau électrique en vue de l’amélioration des certains critères
techniques liées à la régulation de tension. Deux cas majeurs sont étudiés : des systèmes PV de
quelques kWp raccordés au réseau BT et des centrales PV de quelques MWp raccordés au réseau de
transport. L’objectif est de résoudre le problème de surtension aux points de raccordement au réseau
BT des onduleurs PV et d’améliorer le profil de tension au niveau des bus de charge dans un réseau
HT. Ces techniques sont implémentées et simulées sur MATLAB en vue d’une validation numérique.

2. Gestion optimisé des onduleurs PV raccordé à une branche BT

Bien que la régulation avec facteur de puissance variable est la méthode la plus adoptée dû à sa
performance de contrôle, cependant, comme mentionné au chapitre I, l’exploitation inégale des
onduleurs PV relativement à leurs emplacements par rapport au transformateur HTA/BT rend cette
méthode techniquement limitée. La contribution présentée dans ce chapitre est d’optimiser le flux de la
puissance réactive sur un départ de distribution BT intégrant des systèmes PV. L’objectif est de
réduire le risque de surtension, lors d’un excès de production PV (typiquement à midi). Bien que la
réactance propre d’une branche BT soit sensiblement faible, cette technique reste efficace pour le
contrôle de tension aux PCCs des onduleurs sans avoir à ajouter d’autres dispositifs de support
réactive.

2.1 Modélisation du problème

Dû à la structure radiale du réseau de distribution BT, le flux de puissance active circulant dans les
départs du transformateur est aisément calculable, il dépend seulement de la demande en puissance et
la production renouvelable pour chaque départ du transformateur. Néanmoins, le calcul du flux de
puissance réactive optimal qui permet de contrôler la tension aux points de raccordement des
consommateurs tout au long du départ est une opération relativement complexe. L’équation (III.1)
modélise le système simplifié schématisé dans la Figure III.1, elle montre l’influence de la circulation
des flux de puissance active et réactive sur l’évolution de la tension d’une branche BT intégrant un
générateur PV. La résolution d’une telle équation non-linéaire implique l’utilisation des méthodes
numériques à itérations. Vue que les lignes BT sont de nature résistive (R/X>>1), l’équation (III.1)
montre que c’est la circulation de la puissance active qui gère la variation de tension entre deux points
du départ, ce qui explique l’impact de l’excès de la puissance injectée des sources renouvelables sur la
tension aux PCCs. Toutefois, le flux de réactive reste utile pour agir sur la tension malgré la faible
réactance propre des lignes BT.

R( PL − PPV ) + X (QL − QPV )


V2 − V1 = (III. 1)
V2

57
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

Figure III. 1: Schéma simplifié d’un départ BT ayant un système PV

V1 et V2 sont les tensions au niveau des deux bus adjacents. Si V2 est connue, V1 peut être calculée à
travers (III.1). Par contre, une méthode numérique est nécessaire pour trouver V2. R et X sont
respectivement la résistance et la réactance du câble entre les deux bus ; PL et QL sont respectivement
les flux des puissances actives et réactives demandé par la charge ; PPV est la puissance active générée
par le système PV et QPV est la puissance réactive échangée entre le système PV et le réseau BT.

L’approche proposée dans ce travail est d’utiliser QPV pour contrôler V2 sachant que V1 est connu. La
suggestion adoptée est de réaliser cette opération entre chaque paire de bus en commençant par le
transformateur HTA/BT jusqu’à la fin du départ BT. La méthode numérique de Gauss-Seidel est
choisi pour résoudre (III.1) dû à sa simplicité et performance relative au problème posé [86]. Les
quantités QPV sont générées par un processus d’optimisation PSO dû à sa simple implémentation,
robustesse, et son temps de calcul réduit [87]. Le schéma global de l’approche proposée est montré
dans la Figure III.2.

La fonction objectif qui doit être optimisée est formulée par l’équation (III.2). PSO vise à chaque
itération de minimiser (III.2) en jouant sur la génération de réactive des onduleurs PV en coordination
donnant à la fin un vecteur des références optimales d’échange de réactive pour tous les onduleurs. Les
paramètres d’optimisation choisis sont listés dans le Tableau III.1.

n
J =  Vi − 1 (III. 2)
i =1

Où n est le nombre de bus dans la branche BT.

58
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

Figure III. 2: Schéma global du processus d’optimisation

Où i est le nombre de bus commençant par le bus du transformateur, qui est considéré comme un bus
de référence (Slack bus). imax est le dernier consommateur de la ligne. j est le nombre d’itération du
processus d’optimisation tandis que jmax l’itération finale.

Tableau III. 1: Paramètres de l’optimisation par PSO

Itérations maximale 50
Nombre de particules 80
Nombre de variables 9
Coefficient d’effet de particule 0.8
Coefficient d’effet du groupe 1
Pondération d’inertie 0.9
Tolérance 10-2
L’optimisation doit prendre en compte la valeur minimale admissible en facteur de puissance pour
chaque onduleur (III.3) et sa réserve en réactive suivant son point de fonctionnement. Noter que dans
cette étude, les onduleurs PV sont choisis surdimensionnés préalablement de manière à garder une
réserve de puissance réactive même à fonctionnement nominal.

59
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

PPV
0.95  1 (III. 3)
PPV2 + QPV
2

2.2 Cas d’une simulation

L’approche est à valider pour un réseau de distribution BT alimenté par le transformateur HTA/BT. Ce
transformateur est chargé d’alimenter un quartier résidentiel, dans lequel, tous les points de
raccordement sont des maisons ayant leurs propres systèmes PV (Figure III.3). Ces systèmes sont
conçus au premier lieu pour injecter l’excès de la puissance renouvelable dans le départ BT sans aucun
échange de réactif. Dans le contexte d’une gestion intelligente d’un réseau de distribution BT, il est
accepté que les systèmes PV raccordés à la même branche peuvent coopérer entre eux – avec un
moyen de communication – afin d’améliorer le profil de tension tout au long de la ligne. La
communication doit transmettre en temps réel des signaux de mesures de la puissance solaire
disponible au niveau de chaque système ainsi que leur tension de PCC. Ensuite, un système de
supervision local – installé habituellement avec le poste de transformation – envoi en permanence des
consignes de réactive à chaque onduleur. Ces consignes sont générées après un processus
d’optimisation offline en respectant la contrainte en facteur de puissance.

Figure III. 3: Départ BT étudié

La technique de gestion proposée est validée par la suite en utilisant un code MATLAB. Les
paramètres choisis pour l’ensemble transformateur/départs sont cités dans le Tableau III.2. Prenant la
ligne la plus chargée, trois scénarios seront examinés : une ligne avec excès de puissance PV ; une
ligne fortement chargée et un cas intermédiaire. La variation de la consommation active de chaque
maison est dû au nombre et l’activité des occupants de chaque maison, tandis que la variation dans la
génération renouvelable est liée principalement à la dimension et le positionnement de chaque système
PV installé (orientation et inclinaison) qui dépend habituellement de la géométrie extérieure de la
maison. Le fait que tous les systèmes PV sont raccordés à la même ligne BT, ils subissent
pratiquement le même niveau d’irradiation solaire. Les distances intermédiaires entre deux maisons
adjacentes ainsi que celle entre le transformateur et la première maison sont supposés égales.

60
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

Tableau III. 2: Paramètre du transformateur/départs

Puissance du transformateur HTA/BT 200 KVA


Tension primaire / tension secondaire 30 KV / 0.4 KV
Nombre de points consommateurs (maisons) 9
Impédance du câble entre deux points de consommation (0.5+j0.07) Ω

2.2.1 Test 1 : un départ BT avec excès de puissance renouvelable

Ce scénario est un cas typique d’une journée ensoleillée à midi, quand les systèmes PV génèrent leur
maximum de puissance. Si la demande en puissance à cette période n’est pas importante, le surplus
d’énergie sera injecté vers le réseau HTA provoquant un problème de surtension sur le départ BT. Cela
peut être résolu totalement ou partiellement grâce à la gestion des capacités de réactive de chaque
onduleur PV. Les points de fonctionnement choisis pour ce premier test de simulation pour tous les
points consommateurs sont listés dans le Tableau III.3.

Tableau III. 3: Points de fonctionnement de chaque maison (Test 1)

Production Consommation Consommation


Maison #
PV (W) active (W) réactive (Var)
1 4900 4610 160
2 5420 5130 130
3 5150 4880 270
4 4130 3700 130
5 3970 3690 150
6 4350 4050 280
7 3120 2800 90
8 5290 5010 160
9 6630 6350 220
La tension au niveau de chaque PCC d’onduleur est montrée en (p.u) sur la Figure III.4 dans laquelle,
les deux trais discontinus en rouge sélectionnant les limites admissibles inférieure (0.97 p.u) et
supérieure (1.03 p.u) adoptées. Bien que les limites tolérables normalisées dans le cas du réseau
électrique BT algérien sont bien élevées (0.90 p.u / 1.10 p.u), ces limites étroites ont été choisies ici
seulement pour montrer un cas de simulation extrême.

1.1

1.05
Voltage at PCC (p.u)

0.95

0.9
1 2 3 4 5 6 7 8 9
House

Figure III. 4: Tension aux PCCs des onduleurs PV raccordés (Test 1)

61
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

Afin d’éliminer la surtension aux points indiqués auparavant, une optimisation de flux de puissance
réactive dans la ligne est réalisée en utilisant la technique PSO. L’optimisation sert à respecter la
valeur minimale tolérable en facteur de puissance pour chaque onduleur qui est 0.95. Le processus
d’optimisation dure environ 5 secondes ce qui rendre cette opération valable au control en temps réel
(Figure III.5). Le résultat est un ensemble de consignes optimales d’échange de réactive pour chaque
onduleur même si celle-ci n’est pas concernée par le problème de surtension : c’est à dire, les maisons
1 et 2 participent au processus de régulation malgré qu’ils ne sont pas affectés par le problème de
surtension dû à leur emplacement vis-à-vis au transformateur. C’est cette coordination ‘’optimale’’
entre les générateurs raccordés à la même ligne qui fait ajouter l’aspect d’intelligence à la gestion
proposée. Les Figures III.5 et III.6 montrent respectivement l’évolution du processus d’optimisation et
les références optimales de réactive pour chaque maison.

65

60

55
Fitness

50

45

40

35
0 5 10 15 20 25 30 35 40 45 50
Iteration

Figure III. 5: Evolution du processus d’optimisation (Test 1)

-500
Reactive power (VAr)

-1000

-1500

-2000
1 2 3 4 5 6 7 8 9
House

Figure III. 6: Echange optimal de réactive pour chaque onduleur PV (Test 1)

On remarque que les onduleurs PV des maisons 1 et 2 absorbent environ 1600 Var et 1800 Var
respectivement malgré que la tension au niveau de leur PCC est dans la limite. En appliquant ces
consignes optimales de réactive correspondent à chaque onduleur, les nouvelles valeurs de tension
pour chaque PCC sont présentées dans la Figure III.6, il est aisément visible que le problème de

62
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

surtension maintenant est résolu le long de tout le départ en respectant la contrainte concernant la
valeur minimal admissible du facteur de puissance pour tous les onduleurs (Figure III.8). Noter que le
processus de la génération active, qui est lié à l’algorithme MPPT, reste opérationnel quel que soit
l’échange en réactive.
1.1

1.05
Voltage at PCC (p.u)

0.95

0.9
1 2 3 4 5 6 7 8 9
House

Figure III. 7: Tension aux PCCs des onduleurs PV avec un flux de réactive optimisé (Test 1)

0.98
Power factor

0.96

0.94

0.92

0.9
1 2 3 4 5 6 7 8 9
House

Figure III. 8: Facteur de puissance de chaque onduleur avec flux de réactive optimisé (Test 1)

2.2.2 Test 2 : un départ BT équilibré

Dans le cas d’un départ BT équilibré en ce qui concerne la génération renouvelable et la


consommation active, ce qui représente un scénario exceptionnel, la gestion d’énergie proposée reste
active malgré l’absence du problème de surtension. L’objectif est toujours l’amélioration du profil de
tension le long du départ BT. Les nouveaux points de fonctionnent de chaque onduleur suivant cette
nouvelle situation sont listés dans le Tableau III.4. Les niveaux de tension de raccordement de chaque
onduleur sont présentés dans la Figure III.9.

63
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

Tableau III. 4: Points de fonctionnement de chaque maison (Test 2)

Production Consommation Consommation


Maison #
PV (W) active (W) réactive (VAr)
1 4900 4790 100
2 5420 5300 175
3 5150 4990 130
4 4130 4250 90
5 3970 4180 115
6 4350 4570 325
7 3120 3140 125
8 5290 5460 175
9 6630 6400 295
1.1

1.05
Voltage at PCC (p.u)

0.95

0.9
1 2 3 4 5 6 7 8 9
House

Figure III. 9: Tension aux PCCs des onduleurs PV (Test 2)

Le processus d’optimiation ainsi que les références de réactive optimales dans cette situation
particlière sont montrés respectivement dans les Figures III.10 et III.11, on voit clairement que certains
onduleurs se comportent comme des charges inductives absorbant de l’énergie réactive (onduleurs N #
1, 2, 3 et 9) et certains d’autres comme charges capacitives délivrant de l’énergie réactive (onduleurs
N # 4, 5, 6, 7 et 8).
1.8

1.6

1.4

1.2
Fitness

0.8

0.6

0.4

0.2
0 5 10 15 20 25 30 35 40 45 50
Iteration

Figure III. 10: Evolution du processus d’optimisation (Test 2)

64
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

1500

1000

Reactive power (VAr)


500

-500

-1000

-1500

-2000
1 2 3 4 5 6 7 8 9
House

Figure III. 11: Echange optimal du réactive pour chaque onduleur PV (Test 2)

Apres l’optimisation du flux de réactive dans le départ BT, le profil de tension est visiblement
amélioré en comparaison avec le cas où les onduleurs fonctionnent à des facteurs de puissance
unitaires (Figure III.12), dans ce cas, et dû aux petites quantités de puissances réactives requises, la
plupart des onduleurs fonctionnent en-dessous de leurs capacités maximales, de ce fait, leurs facteurs
de puissance sont loin de la limite 0.95 (Figure III.13).

1.1

1.05
Voltage at PCC (p.u)

0.95

0.9
1 2 3 4 5 6 7 8 9
House

Figure III. 12: Tension aux PCCs des onduleurs PV avec flux de réactive optimisé (Test 2)

0.99

0.98
Power factor

0.97

0.96

0.95

0.94
1 2 3 4 5 6 7 8 9
House

Figure III. 13: Facteur de puissance de chaque onduleur avec flux de réactive optimisé (Test 2)

65
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

2.2.3 Test 3 : un départ BT chargé

Le cas où les systèmes PV ne peuvent pas satisfaire la demande en puissance des consommateurs
connectés à la même ligne BT, cela peut engendrer une dégradation de la tension proportionnelle à la
distance vis-à-vis du transformateur dû à la chute Z.I du câble. Ce phénomène dépend de la longueur
du départ BT, sa section, sa matière conductrice, la localisation et la demande en puissance de chaque
consommateur. Bien que les onduleurs ne puissent pas injecter des puissances actives supérieures à
celles disponibles suivant les conditions climatiques (ensoleillement et température), cependant,
l’injection de réactive est possible tout le temps conformément à la dimension et les exigences
techniques des onduleurs PV. Cela peut résoudre partiellement ou totalement le problème de la chute
de tension suivant la localisation et la capacité de chaque onduleur. Pour simuler ce cas particulier, des
nouveaux points opérationnels listés dans le Tableau III.5 sont adoptés.

Tableau III. 5: Points de fonctionnement de chaque maison (Test 3)

Production Consommation Consommation


Maison #
PV (W) active (W) réactive (Var)
1 4900 5190 170
2 5420 6100 205
3 5150 5070 370
4 4130 4820 140
5 3970 4540 165
6 4350 4750 305
7 3120 3960 120
8 5290 5660 195
9 6630 5320 255

La Figure III.14 montre le phénomène de la chute de tension du départ BT chargé. Il est évident que la
chute est proportionnelle à la localisation du point consommateur vis-à-vis du transformateur et
devient considérable à l’extrémité. Prenant ces nouvelles conditions, une autre simulation est
accomplie, le processus d’optimisation du flux de réactive est illustré dans la Figure III.15. L’échange
optimal de réactive de chaque onduleur est présenté dans la Figure III.16.

1.1

1.05
Voltage at PCC (p.u)

0.95

0.9
1 2 3 4 5 6 7 8 9
House

Figure III. 14: Tension aux PCCs des onduleurs PV (Test 3)

66
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

65

60

55

50

Fitness
45

40

35

30
0 5 10 15 20 25 30 35 40 45 50
Iteration

Figure III. 15: Evolution du processus d’optimisation (Test 3)

2500

2000
Reactive power (VAr)

1500

1000

500

0
1 2 3 4 5 6 7 8 9
House

Figure III. 16: Echange optimal du réactive pour chaque onduleur PV (Test 3)

Il est nettement visible qu’avec l’injection de réactive dans la ligne BT, le profil de tension est
maintenu dans la gamme des valeurs tolérables. La Figure III.17 montre que tous les onduleurs ont
utilisé leurs capacités maximales de réactive suivant le point de fonctionnement de chacun ce qui
explique leur niveau minimal du facteur de puissance (Figure III.18).

1.1

1.05
Voltage at PCC (p.u)

0.95

0.9
1 2 3 4 5 6 7 8 9
House

Figure III. 17: Tension aux PCCs des onduleurs PV avec flux de réactive optimisé (Test 3)

67
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

0.98

Power factor
0.96

0.94

0.92

0.9
1 2 3 4 5 6 7 8 9
House

Figure III. 18: Facteur de puissance de chaque onduleur avec flux de réactive optimisé (Test 3)

Noter que le processus d’optimisation prend aussi en considération la demande en réactive de chaque
point consommateur, il essaie de les satisfaire localement par les systèmes PV eux-mêmes.

3. Gestion des centrales PV raccordés au réseau de transport

Dans ce qui suit, l'effet de la gestion de plusieurs centrales PV connectés au réseau électrique de
transmission en tant que des supports de réactive est étudié. L’objectif est l’amélioration des profils de
tensions au niveau des bus de charge et minimiser les pertes de transport des lignes. Afin d'accomplir
cet objectif, les centrales PV échangent, en coordination, de la puissance réactive entre eux et avec le
réseau de transport en modifiant leur tension aux PCCs dans une plage tolérable. Cette coordination
doit être effectuée en fonction de la capacité variable de la puissance réactive et l'emplacement dans le
réseau de chaque centrale, ce qui nécessite un effort de calcul élevé. L'optimisation métaheuristique a
été sélectionnée pour accomplir cette charge en donnant un échange optimal de réactive pour chaque
centrale PV à chaque point de fonctionnement. Ce travail propose l'utilisation de la technique
d'optimisation par PSO qui sera ensuite évaluée en comparaison avec la technique ED.

3.1 Description du système et de la méthode

L’approche proposée est validée sur le réseau de test IEEE 30 bus à 41 branches schématisé dans la
Figure III.19. Les limites inférieure et supérieure de la tension sont respectivement 0,95 p.u et 1,05
p.u. Les bus # 1, 2, 13, 22, 23 et 27 sont respectivement connectés à des générateurs. Le bus 1 est
défini comme étant le bus de référence, les autres étant considérés comme des bus PV (Active Power -
Voltage). Les autres bus de ce système sont des bus PQ (Reactive Power - Active Power). La méthode
proposée vise à exploiter les centrales PV existantes sans la nécessité d’installer d’autres dispositifs de
FACTS qui sont généralement coûteux. Cela peut offrir deux avantages : soutenir les groupes
électrogènes installés en injectant plus de puissance active dans le réseau ; et améliorer les
performances opérationnelles du réseau de transport. Cela est possible durant la nuit, le matin et le soir
lorsque le niveau d'ensoleillement est faible ou n'est pas projeté verticalement sur les modules PV. Les
périodes nuageuses totales ou partielles peuvent également entraîner une baisse importante de la

68
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

production active ce qui augmente la réserve en réactive dans les onduleurs PV. La gestion efficace de
la capacité de réactive de chaque centrale peut améliorer les profils de tension au niveau des bus de
charge et réduire les pertes de puissance dans les lignes de transport en fonction de leur localisation
dans le réseau. La quantité optimale de puissance réactive à convertir pour chaque installation à
chaque point opérationnel est le stade d'une optimisation par PSO qui sera ensuite évaluée en
comparaison avec la méthode ED.

Figure III. 19: Réseau de test IEEE 30-bus (bus entourés par cercles rouges sont ceux proposés pour le raccordement des
centrales PV)

La sélection des emplacements appropriés pour les centrales PV repose sur l'identification des bus les
plus sensibles. Des procédures efficaces sont proposées dans la littérature pour déterminer les bus les
plus sensibles aux charges lourdes du réseau [88-90]. L’identification des bus les plus faibles est une
tâche importante pour l’analyse de la stabilité du système électrique, mais elle est exclue de cette étude
du fait qu’une simple simulation pour un scénario ordinaire peut donner une idée suffisante sur les bus
de charge à soutenir. Dans le réseau IEEE 30 bus, les bus # 6, 8, 11, 19 et 26 sont sélectionnés.

3.2 Contrôle des convertisseurs DC/AC

La technique de contrôle PWM est massivement utilisée pour le contrôle des onduleurs en raison de sa
simplicité et son efficacité [91]. Pour les applications PV, le schéma de contrôle vise à maintenir la
tension du bus continu constante quel que soit le point de fonctionnement de l'onduleur, de ce fait,
l'onduleur reste connecté au réseau même durant la nuit lorsque la production de la puissance active

69
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

est nulle. Si la référence de tension continue est ajustée de manière permanente par un algorithme
MPPT, cette technique assurera l’injection de la puissance PV maximale disponible au réseau.
Habituellement, la régulation de la tension continue est réalisée à l'aide d'un contrôleur PID, dans
lequel la sortie correspond à la phase angulaire φ de la tension de référence PWM (Figure III.20). Si
cette dernière est en avance par rapport à la tension du réseau en PCC, l’onduleur fournit de l’énergie
active au réseau et vice-versa.

La tension PCC est également réglable au moyen de l'énergie réactive échangée avec le réseau, ceci
est accompli au moyen d’un autre contrôleur PID, dans lequel, la sortie est l'indice de modulation U de
la tension de référence PWM (Figure III.20). L'inductance du filtre passif y compris l'auto-inductance
du transformateur de connexion L détermine la quantité de puissance réactive échangeable pour une
amplitude de tension de référence PWM donnée. Si l'amplitude de la tension de cette dernière est
supérieure à celle de PCC, l'onduleur fournit de la puissance réactive au réseau et vice-versa.

Figure III. 20: Commande PWM de l’onduleur triphasé du système PV connecté au réseau

3.3 Algorithmes d’optimisation

Comme mentionné précédemment, une procédure d'optimisation est indispensable pour trouver un
échange réactif optimal pour toutes les centrales PV quelque soit leur point de fonctionnement, à
savoir la puissance solaire réelle disponible et la demande en puissance active/réactive aux nœuds de
charge. La méthode choisie doit prendre en compte la capacité de la puissance réactive restante et
l’emplacement dans le réseau de chaque onduleur. Les techniques PSO et ED sont sélectionnés, cette
dernière a été largement utilisée récemment pour l’optimisation des systèmes énergétiques électriques
dû à sa capacité de gérer des fonctions coûts non différenciables et non linéaires ; possibilité de mise
en parallèle pour faire face à des fonctions coût intensives en calcul ; et bonnes propriétés de
convergence, c’est-à-dire convergence constante vers le minimum global. Plus d’explications sur la
technique ED et ses applications dans l’optimisation des systèmes de puissance se trouvent dans [92-
95]

70
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

Le schéma simplifié du processus d’optimisation est présenté à la Figure III.21. Pour les deux
techniques, les seuls signaux de retour requis sont des tensions dans différents bus de charge,
l’optimiseur pourra alors calculer l’écart de tension dans les bus de charge ainsi que les pertes de
transmission en utilisant (III.4) et (III.10) respectivement.

Figure III. 21: Diagramme d’optimisation

3.4 Formulation du problème d'optimisation

3.4.1 Amélioration du profil de tension

La méthodologie permettant la détermination du meilleur échange de puissance réactive pour chaque


centrale PV est présentée. Pour un scénario de test d'une journée, 24 points différents sont définis en
termes de production active PV et de la demande en puissance active/réactive. L’objectif est
d’améliorer les profils de tension dans les bus de charge en fonction de la référence qui est 1 p.u tout
en satisfaisant certaines contraintes. Dans ce contexte, le problème général d'optimisation peut être
défini en minimisant la fonction coût formulée dans (III.4) :
NB

 (1 − V ) i
2

J= i =1
(III. 4)
NB

Où Vi est la tension du bus i et NB le nombre de bus de charge dans le réseau.

Figure III. 22: Modèle simplifié d’une ligne de transmission

Les contraintes d'égalité à satisfaire lors de la recherche de solutions optimales peuvent être formulées
par (III.5) et (III.6), où N est le nombre de bus ; Pgi et Qgi sont les générations des puissances actives et
réactives sur le bus i ; δij est la différence entre les angles de tension entre i et j bus.

71
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

N
Pgi − Pdi = Vi Vj =1
j (Gij cos( ij ) + Bij sin( ij )) (III. 5)

N
Qgi − Qdi = Vi V
j =1
j (Gij sin( ij ) + Bij cos( ij )) (III. 6)

L’indice g désigne la génération de la puissance tandis que l’indice d désigne la demande de la


puissance. Il y a aussi des contraintes d’inégalité à respecter formulées par les équations (III.7-III.9).

Pgimin  Pgi  Pgimax (III. 7)

Qgimin  Qgi  Qgimax (III. 8)

Vi min  Vi  Vi max (III. 9)

min max
Au niveau de chaque bus i, Pgi et Pgi correspondent respectivement à la production minimale et
min max
maximale de puissance active. Qgi et Qgi correspondent respectivement à l’échange minimal et

maximal de la puissance réactive. Vi min et Vi max sont les tensions minimales et maximales autorisées.

Gij et Bij sont respectivement la conductance et l'admittance de la ligne entre les nœuds i et j.

3.4.2 Réduction des pertes de transport

Pour voir les performances de l'approche proposée vis-à-vis l’optimisation des pertes de transport, un
autre test est effectué en ajoutant un nouveau terme à la fonction coût, on obtint (III.13).
L'optimisation vise à chaque itération à minimiser les pertes globales dans les différentes branches du
réseau en prenant les mêmes conditions opérationnelles que le test précédent.

La perte active entre deux nœuds i et j peut être modélisée par la formule suivante :

( 2
i j cos(i −  j )
PLij = Gij Vi + V j − 2 VV
2
) (III. 10)

Où Vi et Vj sont les tensions aux nœuds i et j respectivement ; Өi et Өj sont les angles de phase des
tensions aux nœuds i et j respectivement.

La différence des angles de phase entre les tensions de deux bus adjacents initie un flux de puissance
active entre ces deux bus, tandis que la différence en magnitude initie un flux de puissance réactive.
Les quantités des deux puissances transmises sont formulées par (III.11) et (III.12) :

VV
P= i j
sin( ij ) (III. 11)
X ij

72
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

i j cos( ij ) − V j
2
VV
Q= (III. 12)
X ij

Où Xij est la réactance de la ligne ; δij est la différence des angles de phase de tension entre les nœuds i
et j.

La nouvelle fonction objectif est formulée comme suivante :


NB

 (1 − V ) i
2
NL
J= i =1
+ K  PL j (III. 13)
NB j =1

Où PLj est la perte de puissance de la ligne j; NL est le nombre de lignes du réseau; K est un facteur de
pondération.

En règle générale, le flux de la puissance active à travers les lignes du réseau peut être obtenu après
avoir résolu un problème d’écoulement de puissance optimale à pénalités économiques [96], [97],
tandis que le flux de la puissance réactive est une conséquence indésirable associée aux charges à
faible facteur de puissance. La nature inductive des lignes de transmission peut également évoquer des
flux de puissances réactives. En conséquence, des pertes à travers les lignes ainsi que des creux de
tension aux nœuds de charge, en particulier ceux très chargés, sont initiées. Habituellement, ce
problème peut être résolu, totalement ou partiellement, en ajoutant des composants FACTS en tant que
des supports de réactif dans les bus faibles [98-100].

3.5 Résultats de simulation

Dans cette section, la méthode proposée est implémentée et simulée dans l’environnement MATLAB.
Cinq centrales PV de 20 MW chacune sont installées dans les bus mentionnées précédemment du
réseau IEEE 30-nœuds. Techniquement, une centrale PV de 20 MW peut être caractérisée comme
celle connecté au réseau de transport de 60 kV de la région Ain El-Bell de Djelfa, (Algérie) (Tableau
III.6). Pour une raison de simplification, les centrales PV sont modélisées comme simples charges PQ
consommant une puissance active négative et réactive positive/négative suivant le fonctionnement
inductif/capacitif des onduleurs. La génération et la demande de la puissance active (Pg et Pd) aussi
bien que la génération et la demande de la puissance réactive (Qg et Qd) à chaque bus de charge sont
citées dans le Tableau A.1 (Annexe A). Les caractéristiques de chaque branche dans le réseau sont
citées dans le Tableau A.2 (Annexe A). Le modèle MATPOWER est choisi pour valider la simulation
qui est un paquet de MATLAB m.files conçu pour résoudre le problème de l’écoulement de puissance
et l’écoulement optimale de puissance développé par Ray D. Zimmerman et al. [101]. Il implique la
résolution des équations non-linaires modélisant les flux de puissance entre les nœuds en utilisant la
méthode numérique de Newton Raphson.

73
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

Tableau III. 6: Paramètres de la centrale PV de 20 MW de Ain El-Bell

Paramètre Valeur
Puissance 250 W
Tension à vide 37.6 V
Tension à MPP 29.8 V
Module
Courant de court-circuit 8.92 A
Courant à MPP 8.39 A
Modèle du panneau YL25OP29b
Nbre de modules en série dans une structure 22
Nbre de modules en parallèle dans une structure 2
Nbre of structures raccordées à une seule boite de jonction 4/6/8
Nbre de boites de jonctions raccordées à une seule boite parallèle 4
Centrale Nbre of boites parallèles raccordées à un seul onduleur 4
Nbre d’onduleurs raccordés à un seul transformateur 0.4KV/30KV 2
Nbre de transformateur 0.4KV/30KV raccordés au transformer 30KV/60KV 20
Tension MPP au bus continu de chaque onduleur 600~800 V
Puissance nominale 20 MW

Dans chaque bus, la demande en puissance active est assumée temporellement variable suivant la
courbe illustrée par la Figure III.23 dont les valeurs nominales pour chaque bus sont citées dans le
Tableau A.1 (Annexe A).

1.5

1.4
Power (pu)

1.3

1.2

1.1

1
5 10 15 20
Time (Hour)

Figure III. 23: Profil proposé pour la demande en puissance active de chaque nœud de charge

3.5.1 Fonctionnement conventionnel des centrales PV

En premier lieu, une méthode conventionnelle est simulée dans laquelle la totalité de la puissance
active solaire disponible à chaque centrale est injectée au réseau sans aucun échange de réactif. Cinq
différents profils sont choisis qui dépendent fortement des conditions climatiques en termes
d’ensoleillement et de température des sites dans lesquels les centrales sont implantés (Figure III.24).
Une simulation est exécutée pour un scénario d'un jour en utilisant la méthode de contrôle
conventionnel, l’évolution de tension au niveau des nœuds de charges sont présentées dans la Figure
III.25.

74
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

16

14

12

10

Power (MW)
8

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)

(a)
15

10
Power (MW)

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)

(b)
15

10
Power (MW)

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)

(c)
20

15
Power (MW)

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (MW)

(d)
12

10

8
Power (MW)

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)

(e)
Figure III. 24: Profiles de la production active pour les centrales raccordées aux nœuds de charge # : (a) 6 (b) 8 (c) 11 (d) 19
(e) 26

75
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

3.5.2 Technique de contrôle proposée

Par la suite, la méthode de contrôle PV-STATCOM proposée est appliquée et évaluée pour les mêmes
conditions de fonctionnement choisies pour la méthode conventionnelle. La quantité d'énergie réactive
à échanger pour chaque centrale à toute heure est trouvée grâce à une procédure d'optimisation en
utilisant PSO et ED séparément. En fonction de la localisation dans le réseau et de la disponibilité de
la puissance réactive, l'optimisation génère un profil horaire optimal de réactif pour chaque centrale
dont le but est l’amélioration du profil de tension aux nœuds de charges. Les principaux paramètres
d'optimisation pour PSO et ED sont listés dans les Tableaux III.7 et III.8 respectivement. Les résultats
de simulation sont illustrés dans les Figures III.25, III.26 et III.27. Les profils optimaux de l’échange
de la puissance réactive de chaque centrale, en utilisant les deux techniques d’optimisation, sont
présentés dans les Figures III.28 et III.29.

Tableau III. 7: Paramètres d’optimisation par PSO

Maximum d’itérations 100


taille de l'essaim 80
Nombre de variables 5
Coefficient de pondération de la particule 0.8
Coefficient de pondération du groupe 1
Coefficient de pondération d’inertie 0.9
Tolérance 10-2
Tableau III. 8: Paramètres d’optimisation par ED

Maximum d’itérations 200


Taille de population 90
Nombre of variables 5
Facteur d’échelle 0.75
Taux de croisement 0.75

3.5.3 Discussion des résultats

Habituellement, le niveau de la tension à chaque bus de charge dépend du flux des puissances
circulantes à travers ce bus et de la localisation par rapport aux bus générateurs. De ce fait, la tension
des nœuds de charge est variable et dépasse dans certaines situations la limite inférieure (0,95 p.u)
(Figure III.25). En utilisant la nouvelle approche de gestion de la puissance réactive en fonction de
l'emplacement et la capacité de chaque centrale PV, PSO et ED peuvent gérer de manière optimale
cette capacité afin d’améliorer les profils de tension. Pour un taux de pénétration inférieur à 25 %, il
est clairement visible que la tension au niveau de tous les bus de charge sont devenues dans les limites
tolérées [-0.5 p.u +0.5 p.u] pour tout point opérationnel en utilisant les deux techniques d’optimisation.
La simulation donne une erreur absolue moyenne (Mean Absolut Error MAE) de 0,0085 p.u et de
0,0075 p.u en utilisant respectivement ED et PSO au lieu de 0,0237 p.u en utilisant la méthode
classique, ce qui représente une amélioration de plus de 64 % et 68 % respectivement.

76
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

Bus 3
1 Bus 4
Bus 5
Bus 6
0.99 Bus 7
Bus 8
Bus 9
0.98 Bus 10
Bus 11
Bus 12
Voltage (p.u)

0.97 Bus 14
Bus 15
Bus 16
0.96 Bus 17
Bus 18
Bus 19
0.95
Bus 20
Bus 21
Bus 24
0.94
Bus 25
Bus 26
0.93 Bus 28
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Bus 29
Time (Hour) Bus 30

Figure III. 25: Evolution horaire de la tension aux bus de charge avec la commande conventionnelle

Bus 3
1.02 Bus 4
Bus 5
Bus 6
1.01 Bus 7
Bus 8
Bus 9
1 Bus 10
Bus 11
Voltage (p.u)

Bus 12
0.99
Bus 14
Bus 15
0.98 Bus 16
Bus 17
Bus 18
0.97 Bus 19
Bus 20
Bus 21
0.96 Bus 24
Bus 25
Bus 26
0.95 Bus 28
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour) Bus 29
Bus 30

Figure III. 26: Evolution horaire de la tension aux bus de charge avec la commande optimisée par PSO

Bus 3
1.02
Bus 4
Bus 5
1.01 Bus 6
Bus 7
Bus 8
1 Bus 9
Bus 10
Bus 11
Voltage (p.u)

0.99 Bus 12
Bus 14
Bus 15
0.98 Bus 16
Bus 17
Bus 18
0.97 Bus 19
Bus 20
Bus 21
0.96
Bus 24
Bus 25
0.95 Bus 26
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Bus 28
Time (Hour) Bus 29
Bus 30
Figure III. 27: Evolution horaire de la tension aux bus de charge avec la commande optimisée par ED

77
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

20

15

Reactive power (MVAr)


10

-5

-10

-15

-20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(a)
20

15
Reactive power (MVAr)

10

-5

-10

-15

-20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(b)
20

15
Reactive power (MVAr)

10

-5

-10

-15

-20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(c)
20

15
Reactive power (MVAr)

10

-5

-10

-15

-20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(d)
20

15
Reactive power (MVAr)

10

-5

-10

-15

-20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)

(e)
Figure III. 28: Profils optimaux après la gestion par PSO avec les limites supérieur et inférieur de la capacité en puissance
réactive pour les centrales raccordées aux nœuds de charge # : (a) 6 (b) 8 (c) 11 (d) 19 (e) 26

78
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

20

15

Reactive power (MVAr)


10

-5

-10

-15

-20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(a)
20

15
Reactive power (MVAr)

10

-5

-10

-15

-20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(b)
20

15
Reactive power (MVAr)

10

-5

-10

-15

-20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(c)
20

15
Reactive power (MVAr)

10

-5

-10

-15

-20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(d)
20

15
Reactive power (MVAr)

10

-5

-10

-15

-20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(e)
Figure III. 29: Profils optimaux après la gestion par ED avec les limites supérieur et inférieur de la capacité en puissance
réactive pour les centrales raccordées aux nœuds de charge # : (a) 6 (b) 8 (c) 11 (d) 19 (e) 26

79
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

En vue de la réduction des pertes de puissance dans les lignes, la technique proposée vise à gérer de
manière optimale les réserves en puissance réactive des centrales de façon à réduire la somme des
pertes de transmission dans les différentes branches du réseau. De ce fait, les centrales corrigent, en
coordination, leurs tensions de PCC à des niveaux avec lesquels les tensions des autres bus de charge
sont également modifiées relativement. Par conséquence, des flux de puissance réactive entre les
nœuds sont initiés. Le Tableau III.9 regroupe les tests de simulation réalisés dans ce contexte, tout
d'abord, les pertes actives et réactives sont évaluées par rapport au test de référence (aucune centrale
PV n’est raccordée). Ensuite, les mêmes quantités sont répertoriées lorsque les centrales PV sont
connectées et contrôlées de manière conventionnelle (l’injection de l’active uniquement). Une
réduction de 10,22 % et de 9,73 % sur les pertes actives et réactives collectées pendant la journée
d’essai dans toutes les branches, ceci s’explique par du fait que, avec des localisations optimales, les
centrales PV peuvent accroitre les tensions des bus les plus faibles par l’injection de la puissance
active (avec localisation optimale). L'optimisation basée sur PSO réduit considérablement les pertes de
transmission totales car elle ajuste de manière optimale les tensions des nœuds en fonction de leurs
positions relatives générant des courants réactifs opposés de sorte que les courants totaux dans les
branches sont minimisés. La simulation a donné une réduction de 23,51% et 24,11% respectivement
correspondantes aux pertes actives et réactives accumulées au cours de la journée du test.

Notez que les centrales PV ne génèrent pas toujours des énergies réactives, elles peuvent, dans certains
cas, se comporter comme des charges inductives consommant de l’énergie réactives dans le contexte
d’une gestion optimale. Par exemple, la centrale PV connectée au bus # 8 consomme de l’énergie
réactive pendant les huit premières et les deux dernières heures, qui sont entourées de cercles rouges
(Figure III.31).

Bus 3
1 Bus 4
Bus 5
0.995 Bus 6
Bus 7
0.99 Bus 8
Bus 9
0.985 Bus 10
Bus 11
Voltage (p.u)

0.98 Bus 12
Bus 14
0.975 Bus 15
Bus 16
0.97 Bus 17
Bus 18
0.965 Bus 19
Bus 20
0.96 Bus 21
Bus 24
0.955 Bus 25
Bus 26
0.95 Bus 28
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Bus 29
Time (Hour)
Bus 30

Figure III. 30: Evolution horaire de tension des nœuds de charge avec contrôle optimisé par PSO (Objectif : minimisation des
pertes de transmission)

80
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

Tableau III. 9: Pertes de transmission accumulées durant les 24-heures de test

Avec centrales PV Avec centrales PV


Sans centrales PV
(méthode conventionnelle) (méthode proposée)
de à
Pertes Pertes Pertes Pertes Pertes Pertes
bus bus
actives réactives actives réactives actives réactives
(MW) (MVAr) (MW) (MVAr) (MW) (MVAr)
1 2 13,79 41,38 10,57 31,70 10,06 30,17
1 3 13,91 52,86 11,44 43,46 11,25 42,76
2 4 11,43 32,38 9,89 28,01 8,50 24,08
3 4 2,29 9,14 1,84 7,36 1,84 7,34
2 5 6,12 24,49 5,48 21,91 4,57 18,29
2 6 18,15 54,44 15,50 46,51 13,22 39,65
4 6 3,88 15,51 3,19 12,76 2,77 11,09
5 7 6,44 15,45 5,80 13,91 4,63 11,10
6 7 0,88 2,34 1,06 2,83 1,85 4,93
6 8 5,65 22,62 5,63 22,54 2,80 11,21
6 9 0,00 11,91 0,00 8,41 0,00 6,26
6 10 0,00 10,37 0,00 8,78 0,00 6,76
9 11 0,00 0,00 0,00 2,47 0,00 2,67
9 10 0,00 6,24 0,00 7,80 0,00 6,48
4 12 0,00 8,21 0,00 6,62 0,00 5,52
12 13 0,00 53,24 0,00 53,14 0,00 48,85
12 14 1,66 3,60 1,62 3,52 1,58 3,43
12 15 3,57 6,64 3,36 6,25 3,38 6,27
12 16 2,16 4,80 1,94 4,31 1,94 4,30
14 15 0,14 0,12 0,14 0,12 0,16 0,14
16 17 0,70 1,65 0,59 1,39 0,63 1,49
15 18 3,07 6,14 2,91 5,82 3,04 6,07
18 19 0,59 1,28 0,54 1,17 0,83 1,79
19 20 0,46 1,08 0,49 1,14 0,34 0,80
10 20 2,62 6,11 2,72 6,35 2,02 4,71
10 17 0,60 1,60 0,61 1,62 0,64 1,71
10 21 2,01 4,70 1,92 4,49 0,34 0,79
10 22 2,41 5,16 2,30 4,92 0,56 1,20
21 22 3,27 6,53 3,18 6,35 1,93 3,86
15 23 3,52 7,04 3,50 7,01 2,11 4,22
22 24 2,12 3,17 2,02 3,03 1,63 2,45
23 24 1,72 3,57 1,66 3,45 1,66 3,44
24 25 1,11 1,92 1,00 1,73 0,72 1,25
25 26 1,90 2,89 1,90 2,89 1,31 1,99
25 27 2,29 4,37 2,19 4,18 1,96 3,75
28 27 0,00 10,05 0,00 9,33 0,00 1,55
27 29 3,70 7,06 3,70 7,06 3,70 7,06
27 30 7,04 13,20 7,04 13,20 7,04 13,20
29 30 1,44 2,69 1,44 2,69 1,44 2,69
8 28 1,23 4,10 1,22 4,06 0,41 1,38
6 28 0,25 0,74 0,22 0,67 0,19 0,56
Perte totale
132,12 470,79 118,61 424,96 101,05 357,26
(MW/MVAr)
Réduction en
- - 10,22 9,73 23,51 24,11
(%)

81
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

20

Reactive power (MVAr)


15

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(a)

4
Reactive power (MVAr)

-1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(b)
3.5

3
Reactive power (MVAr)

2.5

1.5

0.5

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(c)
8

7
Reactive power (MVAr)

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)
(d)
0.9

0.8

0.7
Reactive power (MVAr)

0.6

0.5

0.4

0.3

0.2

0.1

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Time (Hour)

(e)
Figure III. 31: Profils optimaux après la gestion par PSO pour les centrales raccordées aux nœuds de charge # : (a) 6 (b) 8 (c)
11 (d) 19 (e) 26 (Objectif : minimisation des pertes de transmission)

82
Chapitre III Gestion optimale de l’énergie réactive des systèmes PV raccordés au réseau

4. Conclusion

L’avantage de la capacité de réactive des onduleurs PV restante après la production de l’énergie active
est investigué dans ce chapitre. L’opération dans en coordination de plusieurs systèmes PV raccordés
au réseau électrique permet d’éviter le problème de surtension dans le réseau BT et d’améliorer les
profils de tension dans les nœuds de charge dans un réseau de transport. Dans ce dernier, la
minimisation de pertes de ligne est aussi possible. Cette stratégie est faisable grâce à une approche
d’optimisation métaheuristique offline. Suivant leurs points de fonctionnement et leurs localisations
dans le réseau, les onduleurs peuvent se comporter comme des STATCOMs et fonctionner en
coordination afin de résoudre certaines contraintes techniques apparues dans le réseau. L’avantage
majeur dans cette technique est que la production de l’énergie active, lié habituellement à un
algorithme MPPT, reste opérationnel.

83
Chapitre IV

Commande prédictive des onduleurs


PV raccordés au réseau

13
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

1. Introduction

Il a été montré dans les chapitres II et III la performance technique de contrôler séparément les
puissances actives et réactives des systèmes PV raccordés aux réseaux électriques BT et même HTA.
Cela est faisable grâce aux techniques de commande des onduleurs PV, avec lesquelles, la technique
de commande par modulation PWM est largement utilisée. La puissance active transmissible à travers
l’onduleur est contrôlable via l’angle de phase de la tension de référence, tandis que la puissance
réactive est contrôlable en jouant sur l’indice de modulation. Néanmoins, des techniques plus
performantes en termes de robustesse et réponse dynamique en respectant les contraintes techniques
sur les dispositifs de conversion d’énergie sont toujours un stade de recherche important. Comme il est
indiqué dans le chapitre I, la commande prédictive des onduleurs a pris une attention particulière dû à
sa capacité d’offrir les fonctionnalités mentionnées auparavant. L’inconvénient majeur est que, par
nature, la fréquence de commutation des interrupteurs est variable et peut excéder la limite admissible
dans certains cas. Dans ce qui suit, une amélioration est inclue à la commande prédictive classique
pour faire face à ce défi particulier.

2. Commande FSMPC optimisée pour un onduleur PV à 2-niveau

2.1 Initiation

Dans ce travail, la technique de contrôle de l’onduleur est conçue pour injecter la totalité de la
puissance PV réelle au réseau électrique, cette puissance est extraite grâce à la technique MPPT, de ce
fait, un processus de régulation de la tension du bus continu de l’onduleur est réalisé comme montré
dans la Figure IV.1. Lorsque l'onduleur fonctionne à sa capacité maximale (généralement à midi
pendant un jour ensoleillé), il est recommandé de récupérer une quantité appropriée d'énergie réactive
du réseau BT afin d'éviter le problème de surtension au point de raccordement PCC comme discuté
dans le chapitre III, la référence est générée par le système de contrôle interne de l’onduleur ou par
l’opérateur du réseau. En conséquence, le contrôle séparé des puissances active et réactive des
onduleurs est essentiel pour une utilisation optimale des systèmes PV connectés au réseau.

Comparateur Multiplicateur
*
Vdc P
MPPT PID
Vdc Contrôleur
prédictif
Régulation de Q
la tension PCC

Figure IV. 1: Génération des références des puissances active et réactive pour l’onduleur PV

85
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

Dans le cas de l'approche FSMPC, le contrôle est réalisé en effectuant les étapes suivantes :

• La valeur des puissances actives et réactives de référence P* et Q* sont reçus à partir du


contrôle de haut niveau. Les puissances réelles P(k) et Q(k) sont mesurées.

• Le modèle du système est utilisé pour prédire les futures puissances réelles et réactives P(k+1)
et Q(k+1) pour différents vecteurs de tension.

• Une fonction de coût formulée évalue l'erreur entre les références et les puissances prédites
pour le prochain intervalle du temps. La combinaison de commutation qui génère le minimum
d'erreur est sélectionné et appliqué directement à l'onduleur sans la nécessité d'utiliser un
modulateur.

Les états de commutation du convertisseur sont déterminés par les signaux de déclenchement Sa, Sb, Sc
et comme suit :

1 ( S1 = 1 & S4 = 0)
Sa =  (IV. 1)
0 ( S1 = 0 & S4 = 1)

1 ( S2 = 1 & S5 = 0)
Sb =  (IV. 2)
0 ( S2 = 0 & S5 = 1)

1 ( S3 = 1 & S6 = 0)
Sc =  (IV. 3)
0 ( S3 = 0 & S6 = 1)

Cela peut être représenté sous forme vectorielle par la configuration exponentielle complexe suivante :

2
2 j
S = ( Sa + aSb + a 2 Sc ) , a = e 3
(IV. 4)
3

Où j est le nombre imaginaire.

Les vecteurs spatiaux de tension de sortie générés par l'onduleur sont définis dans ce cas par :

2
S= (VaN + aVbN + a 2VcN ) (IV. 5)
3

Où : VaN, VbN et VcN sont les tensions phase/neutre de l'onduleur. Ensuite, le vecteur de tension débité V
peut être associé au vecteur d’état de commutation S par :

V = Vdc S (IV. 6)

Et Vdc est la tension du bus continu.

86
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

En considérant toutes les combinaisons possibles des signaux de commutation Sa, Sb, Sc huit vecteurs
de tension sont obtenus. Notez que V0 = V7, par conséquence, seulement 7 vecteurs de tension
différents sont opérationnels.

Dans un système triphasé équilibré, le courant peut être défini comme un vecteur spatial par :

2
I= (ia + aib + a 2ic ) (IV. 7)
3
De même, la tension du réseau est définie par :

2
E= (ea + aeb + a 2ec ) (IV. 8)
3

Dans ce cas, la dynamique du courant peut être modélisée par l’équation différentielle suivante :

dI
V = RI + L +E (IV. 9)
dt
Où R et L sont respectivement la résistance et l'inductance du filtre passif, les V et E sont
respectivement la tension de l’onduleur générée et la tension du réseau au PCC. Les vecteurs courant,
tension de réseau et tension d’onduleur peuvent être exprimés dans le repère stationnaire αβ par :

ia 
 i   
i  = C3/2 ib  (IV. 10)
   ic 

ea 
 e   
e  = C3/2  eb  (IV. 11)
   ec 

Va 
V   
V  = C3/2 Vb  (IV. 12)
  Vc 

 1 −1 −1 
=3 
2 2 
C3/2 (IV. 13)
2 3 
0 − 3 
2 2

Où C3/2 est la matrice de Clarke.

87
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

2.1.1 Prédiction du courant

Lorsque la période d'échantillonnage est suffisamment courte, une hypothèse fondamentale est utilisée
pour prédire le comportement du futur courant de l’onduleur pour la prochaine période
d'échantillonnage k+1 :

dI I (k + 1) − I (k )
 (IV. 14)
dt Ts

Remplaçons (IV.9) dans (IV.14), le futur vecteur de courant est déterminé par :

I (k + 1) =
1
RTs + L
( LI (k ) + Ts (V (k ) − e(k ) ) ) (IV. 15)

Où I(k+1) est la valeur prévue du courant de l'onduleur ; I(k) est le courant mesuré ; V(k) est le vecteur
de tension sélectionné pendant l'intervalle de temps d’échantillonnage ; e(k) est la tension du réseau. 7
vecteurs de tension possibles sont possibles (Figure IV.2), ce qui signifie qu'il existe 7 vecteurs de
courant différents à partir de la même valeur mesurée. Par conséquence, la fonction de coût est
optimisée en prenant la bonne combinaison de tension qui donne le bon vecteur de courant vis-à-vis la
référence.

Figure IV. 2: Combinaisons de commutation possibles pour un onduleur à 2-niveau

2.1.2 Prédiction des puissances

Après avoir prédite les composantes des courants α et β, il convient de prévoir les mêmes composantes
de tension afin de déterminer l'évolution des puissances réelle et réactive au cours de la prochaine
période d'échantillonnage en utilisant (IV.16) et (IV.17). Dans ce travail, et pour des raisons de
simplification, on suppose que la variation de tension entre deux intervalles de temps k et k+1 est
négligeable par rapport à la variation du courant, en conséquence, la tension est supposée constante
entre ces deux instants (V( k + 1) ≈ V(k)).

88
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

P(k + 1) = V (k + 1) I (k + 1) + V (k + 1) I  (k + 1) (IV. 16)

Q(k + 1) = V (k + 1) I (k + 1) − V (k + 1) I  (k + 1) (IV. 17)

2.1.3 Fonction objectif

La fonction coût, qui formule les erreurs entre les références de puissance et les prévisions pour le
prochain intervalle de temps peut être exprimée dans (IV.18. Les erreurs quadratiques peuvent être
substitués par des valeurs absolues des erreurs et ils vont donner pratiquement la même performance
de contrôle.

g = ( P * − P(k + 1) ) + ( Q * −Q(k + 1) )
2 2
(IV. 18)

P* et Q* sont les points de consigne des puissances active et réactive respectivement envoyés par le
niveau haut du contrôle (gestion d’énergie). Comme mentionné précédemment, la référence de
puissance active est généralement définie par la régulation de la tension du bus continu, tandis que la
référence de la puissance réactive pourrait être automatiquement calculée par le système de contrôle de
l'onduleur afin de réguler la tension de PCC, ou pourrait également être envoyée par l’opérateur du
réseau gérant le flux de puissance réactive dans toute la branche BT en utilisant plusieurs systèmes PV
comme déjà vu dans le chapitre III. Le contrôle global FSMPC est schématisé à la Figure IV.3.

Figure IV. 3 : Diagramme de contrôle FSMPC

2.2 Qualité de puissance en fonction de la fréquence de commutation

Comme mentionné ci-dessus, FSMPC est caractérisé par une fréquence de commutation variable
lorsque le point de fonctionnement de l'onduleur change. C'est un cas typique lorsque l'irradiation
solaire fluctue dans les applications PV. Avec un onduleur mal conçu, la fréquence de commutation
peut dépasser le niveau maximum autorisé pour les IGBTs. Même lorsque le seuil maximum est
respecté, faire piloter les IGBTs avec des fréquences élevées augmente considérablement les pertes
active dans le convertisseur, ce qui diminue l'efficacité du système de conversion global. Ce travail
propose une commande FSMPC optimisée prenant en compte l'évolution de la fréquence de
commutation lors de la modification des consignes de commande. Cela est réalisable en ajoutant un

89
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

terme à la fonction coût avec un facteur de pondération approprié, de sorte que (IV.18) devient
(IV.19).

g = ( P * − P(k + 1) ) + ( Q * −Q(k + 1) ) +   S (k + 1) − S (k )
2 2
(IV. 19)

Avec λ est un facteur de pondération.

Le THD est un paramètre important dans les systèmes électriques et doit être maintenu aussi bas que
possible. Un THD plus faible dans les systèmes d'alimentation signifie un facteur de puissance quasi
unitaire, faibles courants harmoniques et un rendement élevé. Le THD doit être pris en compte dans
tout schéma de contrôle ou conception de la conversion de puissance des convertisseurs DC/AC. Dans
les applications PV, diverses normes internationales des réseaux électriques n’autorisent pas la
connexion des générateurs PV au réseau électrique au-delà d’un certain seuil THD.

Un autre aspect technique important réside dans la technique FSMPC elle-même qui est le temps
d’échantillonnage de FSMPC. Ce dernier dépend directement de la fréquence d'horloge du
microcontrôleur utilisé. Il doit être suffisamment grand pour contenir le temps d'exécution nécessaire
de l'ensemble de l'algorithme de contrôle (acquisition des mesures et la performation de contrôle),
mais pas trop grand pour que la fréquence de commutation du convertisseur, et le THD généré par
nature, soient dans la norme. Plusieurs cas de simulation permettent de créer l’allure présenté dans la
Figure IV.4, elle montre le lien entre la durée d'échantillonnage de FSMPC et le THD du courant
généré par l'onduleur. Selon les limites technologiques des microcontrôleurs disponibles à ce jour,
pratiquement il n'est pas possible de piloter un onduleur avec un temps d'échantillonnage inférieur à 1
µs. Dans ce travail, 10 µs a été sélectionné comme temps d'échantillonnage afin que le THD attendu
soit maintenu inférieur au seuil approuvé (4 %). D'autres tests montrent le lien entre le THD et la
fréquence de commutation maximale des semi-conducteurs (Figure IV.5). L’approche proposée a pour
objectif de minimiser autant que possible la fréquence de commutation maximale tout en maintenant le
THD inférieur à 4 %.

20

15
THD (%)

10

0
1 10 20 30 40 50 60 70 80 90 100
Sampling time (1e-6 s)

Figure IV. 4: THD en fonction du temps d’échantillonnage de FSMPC

90
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

8
7
6

THD (%)
5
4
3
2
1
0 2000 4000 6000 8000 10000 12000 14000
Switching frequency (Hz)

Figure IV. 5: THD en fonction de la fréquence de commutation des IGBTs

2.3 Simulations et commentaires

Dans cette section, la méthode FSMPC est implémentée et simulée à l'aide du logiciel
MATLAB/SimPowerSystems. Les paramètres du modèle choisis sont ceux cités dans le Tableau IV.1.
L'algorithme FSMPC est écrit dans le programme MATLAB dans un modèle Simulink utilisant un
bloc MATLAB function. Le système est construit à l'aide de blocs SimPowerSystem disponibles dans
lesquels le système PV est modélisé comme une source de courant continue simple. La durée
d'échantillonnage choisie pour la simulation est de 10 µs, ce qui correspond pratiquement au pas de
calcul de FSMPC. Le premier test consiste à appliquer la méthode FSMPC standard à l'aide de la
fonction coût formulée dans (IV.18). La simulation est exécutée pendant deux secondes avec objectif
de vérifier les performances du suivi des points de consigne des puissances active et réactive tout en
évaluant la fréquence de commutation moyenne et le THD des courants produits.

Tableau IV. 1: Paramètres de l’onduleur à 2-niveau connecté au réseau

Dispositif Paramètre Valeur


Bus DC Tension 200 V
Puissance nominale 7000 VA
Tension RMS entre phases 400 V
Onduleur
Diapositive de commutation IGBT/diode
Niveau de tension 5
Inductance 25e-3 H
Filtre passif
Résistance 1Ω
Puissance de court-circuit 500e6 VA
Réseau Fréquence 50 Hz
Rapport X/R 2.5

2.3.1 Contrôle MPC sans optimisation de fréquence de commutation

Selon la Figure IV.6, les performances de contrôle en termes de suivi des points de consigne sont
adéquates. La dynamique du contrôleur est rapide avec pratiquement zéro dépassement et erreur
statique négligeable. La Figure IV.7 illustre la variation de la fréquence de commutation moyenne des
IGBTs de l'onduleur en fonction de l'écart des points de consigne. Généralement, la fréquence de
commutation décroît lorsque l'onduleur augmente la puissance active du fait que seulement les petites

91
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

ondes de courant demandent une commutation élevée (IV.8), ce qui est visible dans les tensions
modulées de l’onduleur (IV.9).

8000

6000 Active power


Reactive power
4000 Active reference
Power (W)

Reactive reference
2000

-2000

0 0.5 1 1.5 2
Time (s)

8000
2000
7000

6000 1000
Power (W)

Power (W)
5000 0

4000
-1000
3000
-2000
2000
0.4 0.42 0.44 0.46 0.48 0.5 0.52 0.54 0.56 0.58 1 1.4 1.42 1.44 1.46 1.48 1.5 1.52 1.54 1.56 1.58 1.6
Time (s) Time (s)

Figure IV. 6: Performance de commande des puissances actives et réactives

D'autre part, les changements en termes de puissance réactive ont également un effet sur la fréquence
de commutation moyenne, le réglage de la puissance réactive poussant le contrôleur de modifier
l'angle de phase des ondes de tension par rapport à celle du courant, ce qui provoque des variations sur
la fréquence de commutation. Avec un onduleur mal conçu, ces variations peuvent dépasser la limite
maximale autorisée pour les IGBTs.

4
x 10
Average switching frequency (Hz)

1.4

1.3

1.2

1.1

0.9
0 0.5 1 1.5 2
Time (s)

Figure IV. 7: Fréquence moyenne de commutation des IGBTs

92
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

20

Inverter current (A)


10

-10

-20
0 0.5 1 1.5 2
Time (s)
10 15

10
5
5
Current (A)

Current (A)
0 0

-5
-5
-10

-10 -15
0.10 0.12 0.14 1.12 1.14 1.16
Time (s) Time (s)

Figure IV. 8: Courant de l’onduleur pour différentes consignes de contrôle

500
Voltage (V)

-500
0.10 0.11 0.12
Time (s)

(a)
500
Voltage (V)

-500
1.12 1.13 1.14
Time (s)

(b)
Figure IV. 9: Tension de l’onduleur pour différentes consignes de contrôle, (a) quand la référence de la puissance active est 3
kW, (b) quand la référence de la puissance active est 7 kW

2.3.2 Commande FSMPC avec optimisation de la fréquence de commutation

Ensuite, l’effet de la pénalité de la fréquence de commutation sur les performances de la commande


FSMPC attendus est sous l’optique. Pour ce faire, plusieurs cas de simulation seront réalisés en
modifiant à chaque fois le facteur de pondération λ de la fonction coût. Pour chaque test, la tension aux
bornes de l’onduleur, la fréquence de commutation moyenne, le THD de courant et la forme d'onde
des courants sont évalués.

93
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

500

Voltage (V)
0

-500
0.10 0.11 0.12
Time (s)
λ=0
500
Voltage (V)

-500
0.10 0.11 0.12
Time (Hz)
λ=104
500
Voltage (V)

-500
0.10 0.11 0.12
Time (s)
λ=5.104
500
Voltage (V)

-500
0.10 0.11 0.12
Time (s)
λ=10.104
Figure IV. 10: Tension de l’onduleur pour différentes valeures de facteur de pondération λ

94
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

4
x 10

Average switching frequency (Hz)


1.4

1.3

1.2

1.1

0.9
0 0.5 1 1.5 2
Time (s)
λ=0
8000
Average frequency switching (Hz)

7000

6000

5000

4000
0 0.5 1 1.5 2
Time (s)
λ=104
1400
Average switching frequency (Hz)

1200

1000

800

600

400

200

0
0 0.5 1 1.5 2
Time (s)
λ=5.104
600
Average switching frequency (Hz)

500

400

300

200

100

0
0 0.5 1 1.5 2
Time (s)
λ=10.104
Figure IV. 11: Fréquence moyenne de commutation pour différentes valeures du facteur de pondération λ

95
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

λ=0

λ=104

λ=5.104

λ=10.104
Figure IV. 12: Taux d’harmoniques pour différentes valeures du facteur de pondération λ

96
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

10

Current (A) 0

-5

-10
0.10 0.12 0.14
Time (s)
λ=0
10

5
Current (A)

-5

-10
0.10 0.12 0.14
Time (s)
λ=104
10

5
Current (A)

-5

-10
0.10 0.12 0.14
Time (s)
λ=5.104
10

5
Current (A)

-5

-10
0.10 0.12 0.14
Time (s)
λ=10.104
Figure IV. 13: Courant de l’onduleur pour différentes valeures du facteur de pondération λ

97
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

Les résultats de la simulation montrent que le mécanisme de commutation dans le convertisseur et la


qualité de puissance attendue sont fortement liées. Une fréquence de commutation élevée permet à
l'onduleur de produire une forme d'onde de tension plus sinusoïdale (Figure IV.10) et des formes
d'onde de courant de haute qualité (Figure IV.13) avec un bas niveau de THD (Figure IV.12).
Cependant, le concepteur du contrôleur doit évaluer les pertes de puissance dans le convertisseur lors
du réglage des paramètres de contrôle FSMPC. Ces pertes sont liées partialement à la fréquence de
commutation moyenne des IGBTs (Figure IV.11). Dans le cas de la simulation, la durée
d'échantillonnage FSMPC, ainsi que les paramètres de contrôle donnant une commutation moindre
pour un THD maximum autorisé (4 %) sont sélectionnés. Un THD de 3,75% est obtenu en choisissant
10 µs comme temps d’échantillonnage du contrôleur, tandis que le coefficient de pondération de la
fonction de coût est fixé à 5.104. Un évènement indésirable s’est produit lors de la réduction de
nombre de commutation par FSMPC, c’est l’apparition légère d’une tension continue à faible
amplitude (Figure IV.12), cela est expliqué par l’asymétrie de la forme d’onde de la tension ondulée
quand le contrôleur vise à réduire la fréquence de commutation.

3. Onduleur à 5-niveau en cascade modifié

Nouvelle topologie optimisée d'un onduleur multi-niveaux en cascade appelée M-CHB (Modified
Cascaded H-Bridge M-CHB) est proposée. L'objectif est de réduire le nombre de semi-conducteurs
tout en conservant les mêmes performances en termes de qualité de puissance. Cette opération
améliore la fiabilité du convertisseur, simplifier sa structure et minimiser les pertes par commutation.
Un autre avantage est apparu, la faisabilité d'appliquer FSMPC dans le contrôle des puissances active
et réactive transmissibles. Afin de réduire l'effort de calcul prévu lors du balayage de tous les états de
commutation possibles, le nombre de vecteurs de tension à sélectionner est considérablement optimisé.

Figure IV. 14: Topologie de l’onduleur triphasé en cascade à 5-niveau classique CHB

98
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

3.1 Modèle de l’onduleur CHB classique

L’onduleur CHB à 5-niveaux est illustré à la Figure IV.14. Chaque phase de l'onduleur est constituée
de deux cellules en pont H. Chaque cellule peut générer une tension de sortie de −𝑉dc, 0, +Vdc avec une
tension de liaison continue Vdc. Le nombre de niveaux de tension possibles 𝐿 de chaque phase est
calculable en utilisant (IV.20).

L = 2C + 1 (IV. 20)

Où C est le nombre de cellules dans chaque phase. Pour un onduleur triphasé, le nombre de vecteurs
de tension KL est :

K L = L3 (IV. 21)

Chaque cellule a deux signaux de commutation, et pour les cellules d'une seule phase, la tension de
l'onduleur en termes de signaux de commutation binaires est :

C
ViN = Vdc  (Sij ,1 − Sij ,2 ) avec i=a, b, c (IV. 22)
j =1

Où Sij,1 et Sij,2 sont les signaux de commutation binaires de la cellule j. La combinaison de


commutation possible KS pour un onduleur CHB avec C cellules dans une phase est KS=22C. Pour
l'onduleur triphasé, la combinaison de commutation possible est la suivante :

K S = 26C (IV. 23)

Comme un exemple, le convertisseur CHB triphasé à 2-cellule comme montré dans la Figure IV.14, il
est possible de générer L=5 niveaux de tension à chaque phase et 125 combinaisons de commutations.
Chaque niveau de tension a plusieurs combinaisons différentes. Pour seulement une phase à 2-niveau,
il est possible de générer 16 combinaisons de commutation, la majorité sont redondantes. Si tous les
combinaisons sont considérées, un grand effort de calcul est requis. L’équation différentielle de
l’évolution du courant dans une seule phase connectée au réseau est formulée comme suite :

dii
L + Rii + ei = Vi avec i=a ,b ,c (IV. 24)
dt
Où L et R sont l'inductance et la résistance du filtre respectivement ; ii et Vi sont respectivement le
courant de l’onduleur et la tension de sortie de la phase i ; ei est la tension du réseau dans laquelle la
phase de l'onduleur i est connectée.

3.2 Modèle de l’onduleur M-CHB

Le M-CHB proposé se compose de 2 alimentations DC, 6 commutateurs et 2 diodes par phase pour un
fonctionnement à 5-niveau (Figure IV.15). Le circuit comporte des cellules en demi pont modifiés qui

99
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

sont connectées en cascade pour fournir une forme d'onde de tension positive avec une forme
d'escalier. Un changeur de polarité (CP) pouvant être interprété comme un onduleur en pont H complet
est utilisé pour produire une forme d'onde alternative. Les commutateurs T1 et T2 sont des
commutateurs commandés de chaque demi-pont 1 et 2 respectivement. Lorsque les commutateurs T1
et T2 sont activés, les diodes D1 et D2 sont respectivement en état de polarisation inverse. Le nombre
total de commutateurs commandées est minimisé vers 6 commutateurs par phase par rapport au
système CHB classique (voir 18 au lieu de 24 par convertisseur), ce qui minimise les pertes par
commutation, renforce la fiabilité et simplifie l’implémentation de la commande FSMPC.

Chaque cellule de demi pont peut générer une tension de sortie de 0 et +Vdc avec une tension de liaison
continue Vdc. Les cellules de chaque phase sont connectées à un CP doté de quatre IGBTs (T 3, T4, T5 et
T6). Le nombre de niveaux de tension possibles L et le nombre de vecteurs de tension KL de chaque
phase sont toujours calculable en utilisant (IV.20) et (IV.21) respectivement.

Figure IV. 15: Topologie de l’onduleur triphasé en cascade à 5-niveau modifié M-CHB

Chaque cellule a un signal de commutation et pour C cellules de la phase i, la tension de la phase de


l'onduleur est formulée par l’équation suivante :

C
ViN = ( Si ,1 − Si ,2 ).Vdc  ( Sij ) avec i=a, b, c (IV. 25)
j =1

Où Si,1 et Si,2 sont les signaux de commutation binaires de CP. Sij sont les états de commutation
possibles de la cellule j en phase i. La combinaison de commutation possible KS est semblable à celle
de CHB (IV.23).

Le nombre de niveaux de tension, les vecteurs de tension et les combinaisons de commutation sont
identiques à ceux du CHB classique à 5-niveau. L’évolution du courant de M-CHB actuelle est définie
selon la même équation différentielle formulée dans (IV.24).

100
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

3.3 Commande FSMPC de CHB et M-CHB

De manière très semblable à la commande FSMPC de l’onduleur à 2-niveau, CHB et M-CHB sont
inséré dans le même processus. Le modèle utilisé pour l’onduleur à 2-niveau reste utile sauf que cette
fois :

• La tension générée par l’onduleur pour CHB est calculable en utilisant (IV.22).

• La tension générée par l’onduleur pour M-CHB est calculable en utilisant (IV.25).

• Le nombre de vecteur de tension à tester par FSMPC est différent : 5 vecteurs de 4 éléments
pour les deux cellules de CHB et 5 vecteurs de 4 éléments pour les deux cellules de M-CHB y
compris ceux du CP.

Les différentes combinaisons de tensions possibles pour CHB et M-CHB sont listées dans les
Tableaux IV.2 et IV.3. Dû aux exigences physiques de CHB, les commutateurs T1 avec T3 et T2 avec
T4 sont commutés de manière complémentaire. De même pour T3 avec T5 et T4 avec T6.

Tableau IV. 2: Combinaisons de commutation adoptée pour CHB

Niveau de tension
+2 Vdc +Vdc 0 -Vdc -2 Vdc
Combinaisons T1 1 0 0 0 0
de T3 0 0 0 0 1
commutation T5 1 1 0 0 0
T7 0 0 0 1 1
Tableau IV. 3: Combinaisons de commutation adoptée pour M-CHB

Niveau de tension
+2 Vdc +Vdc 0 -Vdc -2 Vdc
Combinaisons T1 1 0 0 0 1
de T2 1 1 0 1 1
commutation T3 1 1 0 0 0
T4 0 0 0 1 1
4. Simulations et commentaires

Par la suite, des essais de simulations sur l’application de FSMPC sur la commande des puissances
active et réactive via CHB and M-CHB sont implémentés par MATLAB/SimPowerSystems. Les
principaux paramètres de CHB et M-CHB sont les même pour l’onduleur à 2-niveau utilisés
auparavant sauf que cette fois le nombre de niveau de tension est devenu 5.

4.1 CHB contrôlé par FSMPC

La Figure IV.16, la dynamique rapide de FSMPC est clairement visible : un échelon de 200 % pour la
puissance active à t=0,5 s est atteinte en 2 ms avec zéro dépassement et zéro erreur statique. Un autre
échelon de 200 % en puissance réactive à t=1,5 s s’est parvenu avec la même performance
d’asservissement. Afin de contrôler la puissance réactive échangée entre CHB et le réseau, FSMPC
ajuste en permanence l'amplitude de la tension AC de l'onduleur en fonction de la référence de la

101
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

16000

14000

12000
Active power
10000 Reactive power
Active power reference
8000
Reactive power reference
Power (W)

6000

4000

2000

-2000

-4000

-6000
0 0.5 1.0 1.5 2.0
Time (s)
16000 16000

14000 14000
Active power Active power
12000 12000
Reactive power Reactive power
10000 Active power reference 10000 Active power reference
Reactive power reference Reactive power reference
8000 8000
Power (W)

Power (W)

6000 6000
4000 4000
2000 2000
0 0
-2000 -2000
-4000 -4000
-6000 -6000
4.980 4.985 4.990 4.995 5.000 5.005 5.010 5.015 5.020 1.480 1.485 1.490 1.495 1.500 1.505 1.510 1.515 1.520
Time (s) Time (s)

Figure IV. 16: Exécution de la commande prédictif des puissances actives et réactives en utilisant CHB

800 40

600 30

400 20
Inverter voltage (V)

Inverter current (A)

200 10

0 0

-200 -10

-400 -20

-600 -30

-800 -40
0 0.5 1.0 1.5 2.0 0 0.50 1.0 1.5 2.0
Time (s) Time (s)

500 40

400 30
300
20
200
Inverter current (A)
Inverter voltage (V)

10
100

0 0

-100 -10

-200
-20
-300
-30
-400
-40
-500 4.96 4.98 5.00 5.02 5.04
0.200 0.202 0.204 0.206 0.208 0.300
Time (s)
Time (s)

(a) (b)
Figure IV. 17: Contrôle prédictif de CHB : (a) tension (b) courant

102
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

puissance réactive définie (Figure IV.17,(a)). Avec 5-niveau de tension, CHB peut produire une forme
d'onde de tension plus sinusoïdale offrant une qualité de puissance améliorée. Cela devient important
pour les micro-réseaux électriques à faible inertie : lorsque le générateur principal est mis hors tension
pour des raisons volontaires ou involontaires, CHB devient instantanément un onduleur de source de
tension VSI (Voltage Source Inverter) fournissant la tension et la fréquence au micro-réseau. Dans ce
cas, l'effet de la qualité de tension produite est significatif pour la fiabilité du micro-réseau et de ses
composants. La Figure IV.17,(b) montre le courant produit par CHB. Il est évident que le courant de
haute qualité est injecté dans le réseau avec moins d’harmoniques avec un THD de 0,35%
(Figure IV.18), ce qui est plus que convenable pour la connexion des systèmes PV au réseau.

Fundamental (50Hz) = 10.03 , THD= 0.35%

0.16
Mag (% of Fundamental)

0.14
0.12
0.1
0.08
0.06
0.04
Frequency (Hz)
0.02
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000

Figure IV. 18: Contrôle prédictif de CHB: analyse fréquentielle du courant généré

4.2 M-CHB contrôlé par FSMPC

Par la suite, la même simulation avec les mêmes conditions de test sera effectuée pour le cas d’un M-
CHB commandé par FSMPC. Les performances en termes de suivi des puissances de références et de
la qualité de la puissance produite seront évaluées en comparaison avec les résultats précédents.

Les performances de contrôle prédictif de M-CHB sont pratiquement les mêmes que pour CHB
classique (Figure IV.19). Le temps de réponse est de 2 ms pour un échelon de référence de 200% de la
puissance active et de même durée pour une diminution de 200 % de la puissance réactive. La tension
de l'onduleur M-CHB est sensiblement similaire à celle de CHB classique (Figure IV.20,(a)) avec des
courants sinusoïdaux de haut qualité (Figure IV.20,(b)) et THD légèrement proche de celui de CHB
(Figure IV.21). La faisabilité technique d’implémenter FSMPC sur cette nouvelle topologie a été aussi
validée en offrant une aptitude d’asservissement sensiblement adéquats.

En addition à la fiabilité et l’efficacité énergétique, M-CHB est capable d’offrir pratiquement la même
performance en terme de qualité de puissance avec un nombre réduit d’IGBTs en comparaison avec
CHB classique. Cette réalité donne une simplification technique importante lors de l’implémentation

103
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

40 000

16 000

14 000
Active power
12 000 Reactive power
10 000 Active power reference
Reactive power reference
Power (W)

8 000

6 000

4 000

2 000

-2 000

40 000
0 0.5 1.0 1.5 2.0
Time (s)
40 000 40 000

16 000 16 000

14 000 Active power 14 000 Active power


Reactive power Reactive power
12 000 12 000
Active power reference Active power reference
10 000 Reactive power reference 10 000 Reactive power reference
Power (W)

Power (W)

8 000 8 000
6 000 6 000
4 000 4 000
2 000 2 000
0 0
-2 000 -2 000
40 000 40 000
4.980 4.985 4.990 4.995 5.000 5.005 5.010 5.015 5.020 4.980 4.985 4.990 4.995 5.000 5.005 5.010 5.015 5.020
Time (s) Time (s)

Figure IV. 19: Exécution de la commande prédictif des puissances actives et réactives en utilisant M-CHB

800 40

30

20
Inverter voltage (V)

Inverter current (A)

200 10

-10

-20

-30

-800 -40
0 0.5 1.0 1.5 2.0 0 0.5 1.0 1.5 2.0
Time (s) Time (s)

500 40

400
30
300
20
200
Inverter voltage (V)

Inverter current (A)

10
100

0 0

-100
-10
-200
-20
-300
-30
-400

-500 -40
2.00 2.02 2.04 2.06 2.08 2.10 4.96 4.98 5.00 5.02 5.04
Time (s) Time (s)

(a) (b)
Figure IV. 20: M-CHB contrôlé par FSMPC : (a) tension (b) courant

104
Chapitre IV Commande prédictive des onduleurs PV raccordés au réseau

pratique de FSMPC dans un calculateur commercial, particulièrement, quand le deuxième horizon de


contrôle (ou même plus) est visé.

Fundamental (50Hz) = 10.03 , THD= 0.46%

0.15
Mag (% of Fundamental)

0.1

0.05
Frequency (Hz)

0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000

Figure IV. 21: Contrôle prédictif de M-CHB : analyse fréquentielle du courant généré

5. Conclusion

En plus de performances de contrôle en termes de réponse dynamique et robustesse, la commande


prédictive est flexible d’intégrer des termes additionnels à la fonction objectif en vue de résoudre
quelques contraintes techniques comme la variation de la fréquence de commutation des interrupteurs
de puissance. Pour résoudre l’effort de calcul prévu dans le cas d’un onduleur multi-niveaux, sa
structure peut être optimisée afin de réduire le nombre de commutateurs, dans ce contexte, la structure
de l’onduleur multi-niveaux en cascade est simplifié considérablement. La commande prédictive d’une
telle topologie optimisée donne des performances quasi similaires en comparaison avec la structure
classique.

105
Chapitre V

Validation expérimentale de la gestion


d'énergie d'un micro-réseau intelligent

106
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

1. Introduction

Récemment, le marché des technologies Hardware et Software destinées pour la gestion des systèmes
et micro-réseaux hybrides devient riche et diversifié. Néanmoins, l’implémentation des nouveaux
algorithmes de commande et de gestion d’énergie sur des produits commerciaux reste un enjeu
technique important. Dans ce chapitre, nous mettons en évidence la faisabilité technique de contrôler
le flux de puissance dans un prototype expérimentale d’un miro-réseau de l’Institut des Technologies
des Systèmes d’Energie INES (Institute of Energy Systems Technologies) à l’Université d’Offenburg
des Sciences Appliquées. Trois méthodes de gestion d’énergie sont développées et implémentées avec
succès nommées : gestion à base de règles ; gestion à base de règles floues et gestion prédictive. Les
tests accomplis ont prouvé la possibilité et la performance d’implémenter de nouvelles politiques de
gestion d’énergie dans un système à base de produits commerciaux.

2. Description du miro-réseau expérimental d’INES

Le système de micro-réseau intelligent d’INES utilise trois STUDER XTM 4000-48 Xtender
onduleurs/chargeurs en parallèle pour former un convertisseur triphasé DC/AC à 2-niveau. Ce
convertisseur contrôle la puissance échangée entre un système de batteries plomb-acide de 4,5 kW et
le micro-réseau. Xtender intègrent le réseau public comme source d'énergie secondaire avec la
possibilité de le déconnecter. Ceci est réalisable au moyen d'un relais externe. Un système PV de 6,3
kWp est connecté au bus AC via trois onduleurs Sunny Boy 2500 HF, ces onduleurs sont contrôlés
pour fournir la puissance maximale disponible.

La gestion de l'alimentation hybride se fait en mettant à jour, et de manière continue, les paramètres de
contrôle de Xtender, nommés le courant des batteries et l’état du relai externe, au moyen d’un
programme MATLAB. En utilisant un fichier exécutable, qui rassemble toutes les adresses des
paramètres du système, l'algorithme MATLAB réinitialise, à chaque unité de temps (10 minutes), via
le module de communication Xcom-232i, les paramètres de contrôle de télécommande RCC-02
(Remote Control Center) afin de gérer la puissance échangée entre le système de stockage et le micro-
réseau, et par conséquence, le flux de puissance dans l'ensemble du système hybride.

L’état de charge des batteries est requis comme variable d'entrée, elle est mesurée en permanence
grâce au dispositif appelé BSP (Battery Status Processor) qui offre une mesure en temps réel de tous
les paramètres des batteries (SOC, tension, courant et température). Des signaux d’état venant du
système PV et de la charge sont également nécessaires, elles sont mesurées en permanence via des
capteurs électroniques, traitées au moyen d’un système PLC (Programmable Logic Controller) de
type BECKHOFF EK1100 et stockées dans une base de données SQL qui stocke tous les paramètres
physiques du micro-réseau.

107
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

Pour simuler la demande en puissance des consommateurs électriques d’un bâtiment résidentiel, trois
charges programmables de type CHROMA 63803 sont connectées pour former un système de charge
triphasé. Ces charges sont commandées à distance pour suivre un profil de puissance journalier pré-
établi. La Figure V.1 schématise tout le système décrit, ses principaux paramètres sont cités dans le
Tableau V.1.

Figure V. 1: Micro-réseau intelligent de l’INES

Dans le cas du mode connexion à une source alternative (réseau public ou un générateur Diesel), la
tension et la fréquence du micro-réseau sont fixés par cette source elle-même. Dans ce cas, le
convertisseur des batteries se comportent comme une source de courant CSI (Current Source Inverter)
et le système de contrôle doit tenir en compte des niveaux de tension/fréquence autorisés quand il
fonctionne en mode onduleur. Avantageusement, le système de contrôle Xtender est équipé de cette

108
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

option, lorsque la tension du réseau est inférieure à une valeur présélectionnée appelée U0, l'onduleur
injecte au réseau la totalité de la puissance disponible au bus AC (alimenté par les systèmes PV et de
stockage). Au-delà de cette valeur, l'onduleur commence à réduire la quantité de puissance à injecter
linéairement jusqu'à la puissance nulle à la tension U1 (Figure V.2). La même option de contrôle est
disponible concernant la fréquence. La tension des batteries doit également être surveillée de la même
manière, lorsque la tension est supérieure à une valeur -présélectionnée appelée V1, l'onduleur injecte
l'intégralité de l'excès de puissance sans ajustement. Lorsque la tension commence à diminuer,
l'onduleur réduit la puissance à injecter linéairement jusqu'à la puissance nulle au point V0 (Figure
V.2). Le Tableau V.2 rassemble les valeurs des points de contrôle mentionnées précédemment.

Tableau V. 1: Paramètres du système hybride d’INES

Composant Sous- Paramètre Valeur


composant
Système PV Module Puissance à MPP 240 Wp
Tension à MPP 30.0 V
Courant à MPP 8.1 A
Tension vide 37.4 V
Courant de court-circuit 8.6 A
Facteur de température -0.46 %/K
Modèle Bosch solaire module c-Si
M 60
Structure Nombre de modules en série 9
Nombre de modules en 3
parallèle
Inclination 9 x 35°
18 x 30°
Alignement 180° sud
Puissance 6.3 kWp
System batteries Cellule Tension 4V
Capacité nominale 546 Ah
Modèle Rolls Battery 4CS17P
Banc Nombre de cellule en série 12
Nombre de cellules e 1
parallèle
Puissance 4.5 kW
Charges - Puissance nominale 3.6 kW
programmable Mode de puissance Puissance constante
Mode de commande A distance

Modèle Chroma 63803

(a) (b) (c)


Figure V. 2 : Puissance injectée au réseau en fonction de : (a) tension du réseau en PCC (b) fréquence (c) tension des
batteries

109
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

Tableau V. 2: Paramètres de contrôle du convertisseur des batteries

Paramètre Valeur
U0 230 V (PH-N)
U1 240 V (PH-N)
f0 51 Hz
f1 52 Hz
V0 46 V
V1 48 V
3. Topologie du système hybride

La topologie du système hybride, sur laquelle le prototype du micro-réseau est basé, consiste à
l’autoconsommation de l’énergie PV en présence d’un système de stockage. Elle sécurisa tous les
récepteurs électriques de la charge, mais il faudra que la puissance de l’onduleur/chargeur des batteries
soit au moins équivalente à celle de l’onduleur de système PV et qu’elle couvre les besoins prévus en
électricité. L'autoconsommation est optimisée au moyen d'un système de contrôle expert (SCADA)
fourni par les partenaires de Studer Innotec (Figure V.3). Un système correctement dimensionné,
adapté aux besoins du client, garantit l’approvisionnement en énergie lors de manque d’une source
alternative (réseau public ou groupe diesel).

Figure V. 3: Topologie d’hybridation du micro-réseau intelligent d’INES

Le système hybride entier est modélisé par l’équation suivante :

Pload = PV PPV + bVb Ib +  .Pg (V. 1)

110
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

Avec PPV la puissance fournie par le système PV ; Vb et Ib respectivement la tension et le courant des
batteries ; Pg la puissance échangée avec le réseau ; α le commutateur principale du réseau public : il

prend la valeur 1 lorsque le système hybride est connecté au réseau et 0 dans le cas contraire ; PV et
b respectivement les rendements des systèmes PV et stockage, y compris ceux-ci des convertisseurs

de puissance.

Dans cette thèse, le contrôleur de gestion d’énergie à implémenter joue sur deux paramètres pour
ajuster le flux de puissance circulant dans le micro-réseau, nommés : le courant des batteries Ib et le
commutateur externe α en respectant certaines contraintes de fonctionnement. Noter que le contrôleur
à développer n’aura pas la capacité d’ajuster le courant des batteries dans le cas d’un micro-réseau
isolé, car dans cette situation, ce courant dépend uniquement de la balance de puissance entre la
production PV et la charge. Néanmoins, ce courant doit être prédit dans le cas d’un fonctionnement en
mode isolé du réseau électrique, cela est nécessaire pour que le contrôleur soit capable de suivre en
permanence l’évolution de l’état de charge des batteries ainsi que la puissance échangée à travers
l’onduleur des batteries. Ces deux contraintes sont formulées par (V.2) et (V.3).

Figure V. 4: Rôle du contrôleur de gestion d’énergie proposés

−Pmax  bVb Ib  Pmax (V. 2)

SOCmin  SOC  SOCmax (V. 3)

L’inégalité (V.2) tient en compte la puissance circulante à travers l’onduleur/chargeur, selon les
exigences du fabricant, cette puissance ne doit pas dépasser une valeur admissible fixée (3 kW dans
notre cas). L’onduleur/chargeur Xtender est équipé des options de contrôle qui déconnectent les
batteries en cas de fonctionnement en surcharge. Néanmoins, la politique de gestion d’énergie à

111
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

proposer doit tenir en compte cette limite pour éviter l’opération de la déconnection fréquente du
système de stockage du micro-réseau.

La deuxième inégalité vise à fonctionner les batteries entre deux fourchettes d’état de charge pour
optimiser leur exploitation : la limite supérieur est nécessaire pour réserver assez de capacité au cas
d’un excès de puissance renouvelable dans le mode autonome, dans ce cas, les batteries sont protégées
de tout phénomène de surtension éventuelle. La limite inférieure est proposée pour réduire la
profondeur de décharge des batteries, cette opération est recommandée si la durée de vie de batteries
est sous l’optique.

4. Gestion d’énergie à base de règles

4.1 Principe

La gestion du système hybride en utilisant des règles de contrôle est une méthode conventionnelle
avec laquelle des signaux d’état du système en temps réel sont requis [102]. Pour une exploitation
optimale, un certain nombre de règles sont appliquées afin de maintenir le SOC des batteries entre
deux limites présélectionnés. Pour chaque intervalle du temps, le contrôleur met à jour l'état des
actionneurs du système (relais externe du micro-réseau et le courant des batteries) en fonction des
mesures reçus : SOC, la puissance PV (PPV) et la puissance de charge (PL). Lorsque SOC est déjà dans
la zone tolérable, un mode d’isolation est appliqué uniquement si la différence entre PPV et PL n'est pas
supérieure à la puissance tolérée pour l'onduleur/chargeur. Dans ce cas, les batteries fonctionnent
comme une source d'énergie d’appoint entre les systèmes PV et la charge (étant chargées lorsque la
puissance PV est supérieure à la demande de la charge et déchargée dans le cas contraire). En outre, le
convertisseur des batteries fonctionne comme onduleur de tension VSI (Voltage Source Inverter)
fournissant la tension et la fréquence au micro-réseau. Lorsque SOC est supérieur à la limite de
contrôle maximale (90 %), un mode d’injection au réseau est activé avec un courant approprié.
Lorsque SOC est inférieur à la limite de contrôle minimale (50 %), un mode de chargement est
appliqué en utilisant le réseau public. Le schéma de la gestion à base de règles est représenté dans la
Figure V.5.

Le test dure 8 heures à partir de 10:00 pendant un jour ensoleillé (8 Juin 2017). Les paramètres
électriques du système hybride sont téléchargeables à partir de la base de données via les instructions
SQL et traitées grâce au MATLAB Database explorer. Les limites supérieure et inférieure
sélectionnées pour SOC des batteries sont respectivement 90 % et 50 %. La puissance maximale
autorisée pour le convertisseur des batteries est fixée à 3 kW. Par la suite, les valeurs électriques
affichées en utilisant la gestion d’énergie à base de règles sont présentées dans les Figures (V.6-V.10).

112
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

Figure V. 5: Organigramme de la gestion d’énergie à base de règles

4.2 Test expérimental

100
Battery current (A)

50

-50
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 6: Courant des batteries en utilisant la gestion à base de règles

113
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

0.8
Relay state

0.6

0.4

0.2

0
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 7: Etat du relai externe en utilisant la gestion à base de règles

6000

4000

2000
Power (W)

-2000

-4000 PV
Load
Battery
-6000
Grid
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 8: Répartition des puissances en utilisant la gestion à base de règles (W)

-1
Grid RMS current (A)

-2

-3

-4

-5

-6

-7

-8
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 9: Courant du réseau en utilisant la gestion à base de règles (A)

114
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

En mode autonome, la puissance échangée entre le micro-réseau et le réseau public est nulle, le
système de stockage est chargé dans ce cas de compenser la différence en puissance entre le système
PV et la charge. En mode connexion au réseau, l'onduleur pousse l’excès de puissance PV vers le
réseau public afin de maintenir SOC des batteries inférieur à la limite supérieure présélectionnée.

100

95
Battery SOC (%)

90

85

80

75

10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 10: Etat de charge des batteries en utilisant la gestion à base de règles (%)

Vue que le jour choisi était ensoleillé, la puissance PV fournie est généralement plus élevée par
rapport à la demande de la charge (Figure V.8), ce qui augmente SOC en mode autonome (Figure
V.10). Pour le maintenir à moins de 90 %, le contrôleur reçoit la valeur de SOC à chaque unité de
temps : si elle est inférieure à 90%, un mode d’isolement est activé permettant de charger les batteries
au moyen de l’excès de puissance PV. Quand il est supérieur à 90 %, le contrôleur connecte le système
hybride au réseau et injecte la puissance avec un courant constant (environ 7 A RMS) collecté à la fois
par le système de stockage et PV. Néanmoins, les fluctuations de SOC autour de la limite de contrôle
sont relativement large dû au comportement passif du contrôleur entre les points de contrôle
intermédiaires.

5. Gestion à base de règles floues

5.1 Principe

L'algorithme de gestion basé sur la logique floue optimise l’écoulement de flux de puissance dans le
micro-réseau en contrôlant en temps réel les mêmes actionneurs précédents (le courant des batteries et
le relai du micro-réseau). En respectant les contraintes de fonctionnalité formulées dans (V.2) et (V.3),
ce contrôleur demande l’acquisition de trois variables afin d’exécuter le contrôle : la différence en
puissance enter la production PV et la charge (ΔP), SOC et le cout d’électricité pour un kWh. On
constate ici que la dynamique du prix d’électricité est pris en considération afin de rendre efficace
l’économie d’énergie durant l’achèvement du contrôle (Figure V.11).

115
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

Figure V. 11: Schéma bloc du contrôleur flou proposé

Les forme des fonctions d'appartenance de chaque variable sont illustrées dans la Figure C.1 dans
l’annexe C. Les règles floues implémentés sont listées dans le Tableau C.1, elles permettent de
dessiner les surfaces floues présentées dans la Figure C.2. Le contrôleur flou développé a pour but
d'effectuer les tâches suivantes :

• Chargement des batteries par le réseau électrique si le prix d’électricité est bas et par l'excès de
puissance PV quand il est élevé, cette dernière option est faisable en ouvrant le relai externe
(seulement quand (V.2) et (V.3) sont respectées).

• Injection plus de puissance au réseau public lorsque le prix d’électricité est élevé.

• Garder SOC entre deux limites supérieures et inférieures permises.

• Maximiser l'utilisation de l'énergie PV pour l’alimentation de la charge en particulier lorsque


le prix d'énergie est élevé.

• Faire fonctionner le micro-réseau indépendamment du réseau électrique autant que possible.

5.2 Test expérimental

Par la suite, les résultats de la validation de gestion à base de règles floues pendant un jour
partiellement nuageux (12 Août 2017) sont présentés. Noter que le relai externe adressé dans RCC-02
est contrôlable uniquement avec une variable booléenne (1 pour la fermeture du relai et 0 pour
l'ouverture). Puisque la configuration floue ne peut pas donner une valeur entière exacte pour le
contrôle du relais externe, la sortie considérée doit être arrondie via la fonction MATLAB round vers
la valeur entière la plus proche 1 ou 0. Noter également que la puissance de sortie Xtender est la
somme algébrique de PPV et PL : quand cette quantité est nulle, cela signifie que le système PV
alimente la charge sans besoin du système de stockage ni le réseau public. L’organigramme générale
de la gestion d’énergie par la logique floue est montré dans la Figure C.3 dans l’annexe C.

Comme discuté précédemment, le prix de l'électricité est requis comme variable d'entrée. Le profil
horaire présenté sur la Figure V.12 est choisi pour estimer le coût d’énergie échangé avec le réseau, il

116
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

est accepté dans ce travail pour une raison de simplification que le prix est semblable pour les deux
cas : achat ou vente.

38

36

34
Electricity price (Euro/MWh)

32

30

28

26

24

22
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 12: Profil horaire du cout d’électricité (€/MWh)

5000

4000

3000

2000
Power (W)

1000

-1000

PV
-2000 Load
Battery
Grid

-3000
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 13: Répartition des puissances en utilisant la gestion à base de règles floues (W)

117
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

60

40

20
Battery current (A)

-20

-40

-60
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 14: Courant de batteries en utilisant la gestion à base de règles floues (A)

0.8
Grid relay

0.6

0.4

0.2

0
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 15: Etat du relai externe en utilisant la gestion à base de règle floues

4
Grid RMS current (A)

0
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 16: Courant du réseau en utilisant la gestion à base de règles floues (A)

118
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

100

95

90

85

80
Battery SOC (%)

75

70

65

60

55

50
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 17: SOC des batteries en utilisant la gestion à base de règles floues (%)

6. Gestion prédictive d’énergie

6.1 Principe

Dû à la nécessité de prévoir la production PV pour un court horizon de prédiction, spécialement quand


le système hybride est en mode autonome, une nouvelle approche basée sur la gestion prédictive est
proposée. L’objectif est de faire fonctionner le micro-réseau indépendamment du réseau électrique en
toute sécurité. Cela peut donner des intérêts économiques en améliorant la fiabilité et la sécurité des
services des équipements connectés en fournissant localement une haute qualité de puissance et évitant
l'influence d'éventuelles instabilités du réseau principal [103]. Techniquement, il n’est pas possible de
déconnecter un micro-réseau, qui n’intègre pas un générateur conventionnel, du réseau électrique
principal, dans le cadre d’une gestion prédictive d’énergie de long horizon de contrôle. Cela va rendre
fréquent le risque de déséquilibre de puissance entre les éléments générateurs incontrôlables (PV,
éolienne, ...) et consommateurs d’énergie. cette opération présente un véritable danger sur le système
de stockage connecté au bus AC dans les trois cas suivants :

• Excédent de génération renouvelable avec une faible demande de puissance ce qui peut
endommager les batteries complètement chargées.

• Les cas fréquents de faible production renouvelable et forte demande de puissance peuvent
réduire la durée de vie des batteries faiblement chargées.

• Lors d'une grande différence algébrique entre la génération renouvelable et la demande en


puissance, l'onduleur des batteries aura le risque d'être surchargé lorsqu'il fournit/récupère la
différence en puissance. Dans des situations fréquentes, cela peut réduire sa durée de vie ou
même de l'endommager.

119
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

• En addition, le déséquilibre fluctué continu de la production/consommation devient fréquent à


cause de la génération renouvelable fluctuante, ce qui est traduit en fluctuations en termes de
fréquence du micro-réseau. Cet incident peut, dans le cas extrême, d’endommager les
équipements électroniques connectés.

Ce travail propose une nouvelle approche de gestion prédictive d’énergie qui permet d'éviter les
risques mentionnés précédemment et de faire fonctionner le micro-réseau, à base des sources
renouvelables uniquement, indépendamment du réseau électrique tout en le surveillant en permanence.
En plus des avantages d'isolement du micro-réseau mentionnés antérieurement, cette option sera une
nouvelle technique de commande pour accomplir certaines tâches comme réduire l'énergie importée
du réseau principal ou profiter localement de la production renouvelable sans la nécessité de la
recycler à travers le réseau public, et par conséquence, l'efficacité du système s’améliore. La décision
d’ouvrir ou de fermer le relai principal est prise après un processus d’optimisation d’une fonction
objectif formulée dans (V.4). Cette dernière intégrera des futures valeurs de la production PV et la
demande en puissance. Les modèles développés permettant la prédiction de la génération PV et la
demande en puissance sont basés respectivement sur RNA et une technique d’interpolation
polynomiale. Certains détails sur ces modèles de prévisions développés sont cités dans l’annexe D.
L’optimisation est faite en mode offline par un solveur performant capable de converger l’équation
non-linéaire (V.4) avec peu d’effort de calcul. Dans l’approche proposée, AG a été choisie pour
accomplir cette tâche générant à la fin les valeurs optimales des variables de contrôle qui sont le
courant de référence du système de stockage IB et l’état du relais externe R reliant le micro-réseau au
réseau de distribution. Noter que le courant de référence généré est inactif lorsque le relai externe est
ouvert, car dans ce cas, le courant réel dépend uniquement de l’équilibre en puissance entre la
production et la consommation. Cependant, le contrôleur prédictif requière cette valeur pour estimer
l’évolution de SOC des batteries durant le prochain intervalle du temps en utilisant (II.6). L’objectif de
l’optimisation est la réduction de l’énergie importée du réseau public, garder l’état de charge des
batteries entre deux limites de contrôle quelques soit le mode d’opération du micro-réseau et faire
fonctionner le micro-réseau en mode autonome autant que possible.

J = K1 X 1 ( Pload − PPV −  BVB X 2 ) + K 2 (1 − X 1 )( PPV +  BVb X 2 − Pload ) + K 3 X 1 (V. 4)


2

Où X1 est l'état du relais principal du micro-réseau (il prend 1 quand le relais est fermé et 0 quand il est
ouvert). X2 est le courant des batteries. K1, K2 et K3 sont les coefficients de pondération. Le solveur
manipule X1 et X2 pour minimiser (V.4) en respectant les contraintes de fonctionnement (V.2) et (V.3).

Le schéma global du contrôleur prédictif est illustré dans la Figure V.18, où SOC(t+Δt), PL(t+Δt) et
PPV(t+Δt) sont respectivement l’état de charge des batteries, la charge et la production PV prédites à
l'intervalle du temps t+Δt. Pg(t+Δt) est la puissance échangée avec le réseau pendant le même

120
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

intervalle. IB et R sont respectivement le courant de référence des batteries (uniquement en mode


connecté au réseau) et l'état du relai externe.

6.2 Test expérimental

Par la suite, une validation expérimentale pour le contrôleur prédictif développé durant un jours
ensoleillé (14 Juin 2017) est effectué. Les facteurs de pondération de la fonction de coût K1, K2 et K3
sont choisis respectivement 1, 1 et 106, ils sont choisis par la méthode d’étalonnage après plusieurs
essais de simulations. Le rendement de la conversion du système de stockage (y compris celui de
l'onduleur) est choisi η = 97%.

Figure V. 18: Schéma global de la gestion prédictive d’énergie

121
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

80

60

40
Battery current (A)

20

-20

-40

-60
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 19: Courant des batteries en utilisant la gestion prédictive (A)

0.8
Relay state

0.6

0.4

0.2

0
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 20: Etat du relai externe en utilisant la gestion prédictive

6000

4000

2000
Power (W)

-2000

PV
-4000 Load
Battery
Grid
-6000
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 21: Répartition des puissances en utilisant la gestion prédictive (W)

122
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

-1
Grid RMS current (A)

-2

-3

-4

-5

-6
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 22: Courant du réseau en utilisant la gestion prédictive (A)

Initialement, le contrôleur trouve SOC supérieur à la limite autorisée, dans ce cas, le solveur ne peut
pas être opérationnel du fait qu’il exige des variables initiales dans les limites permises. Pour résoudre
ce problème, le contrôleur pousse les batteries pour injecter de la puissance dans le réseau public avec
environ 6 A RMS de courant entre les instants 10h00 et 11h00 (Figure V.19). Les fluctuations de
courant dans ce cas sont dus aux options de régulation de la tension des batteries, la fréquence et la
tension du micro-réseau expliquées précédemment. Le contrôleur prédictif peut prédire en avance
l'évolution de SOC avec un intervalle du temps Δt ce qui le maintien en permanence dans les limites
de contrôle autorisées, par exemple, au point entouré d'un cercle rouge dans la Figure V.23, un
dépassement de la limité supérieure (90 %) est prévu à la fin de l'horizon de contrôle, ce qui pousse le
contrôleur de connecter le système hybride au réseau en injectant l’excès de puissance afin d’éviter cet
évènement. En outre, l'onduleur reste protégé contre les surcharges, même en mode autonome quand
la puissance des batteries est incontrôlable, grâce aux techniques de prédiction développées.

100

95
Battery SOC (%)

90

85

80

75
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 23: Etat de charge des batteries en utilisant la gestion prédictive (%)

123
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

6.3 Test de robustesse

Comme mentionné précédemment, l'efficacité du contrôleur prédictif proposé est directement


déterminée par la précision des modèles de prédiction. La puissance PV fournie dépend fortement du
niveau d’ensoleillement, le cas d'un jour partiellement nuageux pousse à l'extrême l'évaluation de la
performance du modèle de prévision PV. Pas la suite, des résultats de test de gestion prédictive pour
un jour partiellement nuageux (9 Juin 2017) sont présentés.

Hautes
fluctuations
Période nuageuse (Nuages d'épaisseurs d’irradiations Période nuageuse (Nuages d'épaisseurs
différentes) solaires différentes)

6000

5000

4000

3000
Power (W)

2000

1000

-1000 PV
Load
-2000
Battery
-3000 Grid
-4000
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 24: Répartition des puissances en utilisant la gestion prédictive pour un jour partiellement nuageux (W)

100

95

90
Battery SOC (%)

85

80

75

70

65

60
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 25: SOC des batteries en utilisant la gestion prédictive pour un jour partiellement nuageux (%)

124
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

100

80

60
Battery current (A)

40

20

-20

-40

-60
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 26: Courant des batteries en utilisant la gestion prédictive pour un jour partiellement nuageux (A)

6
Grid RMS current (A)

-2

-4

-6
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 27: Courant du réseau en utilisant la gestion prédictive pour un jour partiellement nuageux (A)

Selon les nouvelles conditions de test. La réponse du contrôleur prédictif en termes de commutation du
relai externe et de la commande du courant des batteries est divisée en quatre événements principaux
(Figure V.28) :

Événement 1 : Le contrôleur prédictif connecte le système hybride au réseau public en injectant de la


puissance afin de maintenir SOC sous la limite maximale autorisée.

Événement 2 : Une satisfaction est prévue en termes de contrôle de SOC et de puissance permise pour
l'onduleur, de ce fait, le contrôleur ouvrit le relai externe permettant au système hybride de fonctionner
en mode autonome (Figure V.24). Noter que les fluctuations en termes d’irradiation solaire n'ont pas
un effet significatif sur les prévisions de puissance PV et, par conséquence, sur la performance de la
commande prédictive.

125
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

Event
4
1

0.8
Relay state

0.6 Event Event Event Event Event


1 2 2 3 3
0.4

0.2

0
10 11 12 13 14 15 16 17 18
Time (Hour)

Figure V. 28: Etat du relai externe en utilisant la gestion prédictive pour un jour partiellement nuageux

Evénement 3 : Une insatisfaction de fonctionnement en termes de contrôle de SOC et de puissance


autorisée pour l’onduleurs des batteries est prévu dû à l'augmentation de la demande de puissance et la
diminution simultanée de la génération PV. Dans ce cas, le contrôleur connecte le système hybride au
réseau électrique permettant au celui-ci de participer avec le système de stockage dans l’alimentation
de la charge avec un courant approprié (Figure V.27), c’est possible en contrôlant le courant de
charge/décharge des batteries (Figure V.26).

Événement 4 : Étant donné que la prédiction de fluctuations de courte durée (inférieur à 10 minutes)
représente toujours un défi, ce qui pousse le contrôleur proposé de prendre parfois des décisions
inappropriées concernant la connectivité du système hybride au réseau électrique (Figure V.28).
Avantageusement, cette confusion ne dure dans le pire des cas qu’une seule unité du temps (10
minutes) en raison du fait que le contrôleur met à jour les paramètres de contrôle à chaque unité de
temps. En outre, les limites supérieures et inférieures imposées pour l’état de charge des batteries sont
choisies de tel sorte que des erreurs importantes dans les prévisions météorologiques sont prise en
considération. Cependant, une plus grande attention sera accordée dans les futurs travaux justes pour
améliorer l'efficacité de la prévision PV et rendre le contrôleur plus robuste devant les changements
climatiques rapides. Heureusement, en raison de la structure de son algorithme, le contrôleur prédictif
proposé peut intégrer, en principe, tout nouveau modèle de prévision afin d'améliorer son efficacité.
Les modèles adaptatifs sont recommandés pour apporter une contribution significative dans cet axe
[104]. Des prévisions météorologiques en ligne, pour lesquelles des images satellitaires en temps réel
sont exploitées, sont également suggérées [105].

126
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

7. Discussion des résultats

L'objectif principal du chapitre V est de mettre sous l’optique la faisabilité technique d’implémenter
des nouveaux algorithmes de gestion d’énergie dans des systèmes hybrides à base de produits
commerciaux. Généralement, les puissances générées des sources renouvelables (PV/éolienne)
dépendent des conditions climatiques (ensoleillement, température et vitesse du vent), ils ne sont pas
contrôlables qu’automatiquement dans le cadre des normes et spécifications imposés par l’opérateur
réseau BT qui sont raccordés avec. Par contre, un éventuel système de stockage connecté via un
onduleur/chargeur ayant la possibilité d’adapter le flux de puissance dans le système hybride suivant
une politique de gestion d’énergie voulue.

Usuellement, les onduleurs/chargeurs modernes des batteries sont équipés des options de contrôle
additionnelles pour prévenir toute instabilité transitoire des micro-réseaux sur lesquels elles sont
connectés. Généralement, ces techniques sont implémentées dans un calculateur interne inaccessible.
Par contre, les références en puissance/courant à échanger avec le micro-réseau sont ajustables par
l’opérateur local. Récemment, les fabricants offrent la possibilité de modifier ces paramètres en
utilisant des nouveaux outils softwares et hardware, il est possible dans notre cas d’utiliser MATLAB
avec un lien de communication série RS232 afin de communiquer avec l’onduleur/chargeur, ce qui a
facilité dramatiquement le développement et la validation des nouvelles techniques de gestion
d’énergie. Cette solution technique est détaillée dans l’annexe B.

Les techniques validées ont attiré l'attention sur l’avantage de déconnecter le micro-réseau hybride, à
base des sources renouvelables, du réseau public dans le contexte d’une politique de gestion d'énergie.
En addition, la faisabilité d'utiliser cette option comme un outil de contrôle a été également vérifié. Par
rapport à la gestion classique, basée sur des règles vues précédemment, le contrôleur prédictif proposé
peut :

• Exploiter efficacement le système de stockage en évitant les opérations de surtension et sous-


tension des batteries. Ceci est faisable grâce à sa capacité de prédire le progrès de SOC en
temps réel.

• Faire fonctionner l'ensemble du système hybride en mode autonome en le mettant sous


surveillance grâce à des modèles de prévision efficaces de courts horizons. Cette option n'est
pas disponible dans les autres approches conventionnelles sans avoir le risque d’endommager
les batteries. Pareillement, le risque de surcharger l’onduleur/chargeur des systèmes de
stockages est aussi possible.

• Déconnection du micro-réseau hybride du réseau principal comme une action supplémentaire


de commande afin d’ajuster la direction de flux de puissance ce qui représente une idée
originale.

127
Chapitre V Validation expérimentale de la gestion d'énergie d'un micro-réseau intelligent

8. Conclusion

Le problème de l’implémentation des algorithmes de gestion d’énergie dans des systèmes hybrides à
base de produits commerciaux est investigué. Les méthodes développées dans ce chapitre consistent à
contrôler le courant échangé entre le système de stockage et le micro-réseau afin d’ajuster le flux de
puissance dans tout le système. La connexion/déconnexion du micro-réseau du réseau principal est
aussi considérée comme une option secondaire de contrôle. Des solutions techniques sont présentées
en vue de l’implémentation de cette méthode via la commande de l’onduleur/chargeur des batteries.
Dans ce contexte, trois techniques sont validées, nommées : la gestion d’énergie à base de règles ; la
gestion d’énergie à base de règles floues et la gestion prédictive.

128
Conclusion générale
Les travaux présentés dans cette thèse donnent quelques contributions à la commande et la gestion
d’énergie d’un réseau intelligent intégrant des sources renouvelables et de stockage d’énergie. Cette
étude est formulée selon différentes objectifs assignées au gestionnaire du réseau électrique suivant
différents intervalles du temps. A l’échelle du temps de l’ordre de millisecondes, l’objectif est le
contrôle de la qualité d’énergie produite des systèmes à base des énergies renouvelable à travers les
onduleurs. Il consiste à assurer une énergie injectée qui soit propre avec un THD en concordance avec
normes et le grid- code, à travers des techniques de commande appropriées. A l’échelle de secondes
vers minutes, le contrôle de la tension d’un réseau de distribution intégrant un fort taux de pénétration
de systèmes PV est étudié, la méthode consiste à faire une gestion optimale de l’énergie réactive entre
les différents onduleurs PV. Une stratégie semblable a été validée pour un réseau de transport
d’énergie intégrant des centrales PV avec un taux de pénétration de moins de 25 %. A l’échelle du
temps de l’ordre de minutes vers heures, le partage d’énergie optimal dans un système hybride entre
les différentes unités de production et de consommation est visé, l’objectif est d’atteindre certains
gains économiques, techniques et écologiques.

Vue ses performances techniques en terme de dynamique d’assertivement et de robustesse, la


commande prédictive FSMPC pour les onduleurs PV est adoptée et validée avec simulation
numérique. Par nature, la fréquence de commutation des interrupteurs de l’onduleur est variable et
reste lié au point de fonctionnement de celui-ci. Le choix du pas de calcul de l’algorithme FSMPC
peut résoudre partiellement ce problème en limitant la valeur maximale qui peut atteindre cette
fréquence, néanmoins, cette opération est fortement liée à la fréquence d’horloge du microcontrôleur
sélectionné et peut dégrader le THD si un grand pas de calcul est choisi. Dans cette optique, plusieurs
simulations ont permis d’identifier le lien entre le THD et le pas de calcul de l’algorithme FSMPC, et
d’autre part, entre le THD et la fréquence de commutation des interrupteurs. Après avoir choisi un pas
de calcul approprié, l’algorithme de contrôle est modifié afin de permettre au contrôleur de superviser
l’évolution de la fréquence de commutation en tout point de fonctionnement. De ce fait, une bonne
qualité d’énergie est assurée tandis que l’efficacité énergétique du mécanisme de conversion reste
contrôlée.

Cette thèse a proposé, aussi, une gestion optimale de l’énergie réactive en coordination entre les
différents générateurs d’énergie de moins de 13 kVA, pour un meilleur contrôle de la tension d’un
réseau électrique avec un excès de production renouvelable, particulièrement dans un réseau BT. La
gestion consiste à échanger de l’énergie réactive entre les onduleurs PV et le réseau afin d’éliminer les
surtensions aux points de raccordement tout en respectant la limite en facteur de puissance admissible,
à travers un processus d’optimisation. Une technique semblable a été validée pour un réseau de

13
transport intégrant des centrales PV, l’objectif cette fois est d’améliorer le profil de tension au niveau
des bus de charge et réduire les pertes.

Dans un système hybride, connecté au réseau ou autonome, la gestion de l’énergie active entre les
différents générateurs et consommateurs d’énergie est cruciale. Néanmoins, la nature incertaine de la
production PV rend difficile de trouver un partage optimal d’énergie entre les différents éléments. Une
nouvelle stratégie de gestion d’énergie prédictive, d’un horizon de contrôle et de prédiction arrivant à
24-heure, est proposée avec validation. Des modèles basés sur l’intelligence artificielle avec un service
de prévision en ligne sont utilisés pour prédire le flux de puissance dans le système hybride pour les
prochaines 24-heurs. Un processus d’optimisation devient alors capable d’identifier le profil de
commande optimal pour le même horizon de contrôle. L’objectif et de s’adapter à la dynamique du
prix d’électricité au marché, prolonger la durée de vie opérationnelle de l’élément de stockage
d’énergie et minimiser les émissions CO2 des générateurs conventionnels.

D’un point de vue pratique, l’adaptation au progrès du marché hardware et software des fabricants des
systèmes énergétiques hybrides représente un autre défi. Dans cette thèse, des solutions techniques ont
été proposées et appliquées pour la gestion d’un prototype d’un micro-réseau intelligent hybride
comprenant un système PV, des accumulateurs d’énergie et des charges programmables. Des
programmes sous MATLAB, contenant les algorithmes de gestion, sont développés afin de
communiquer avec l’onduleur/chargeur des batteries via un Protocol série RS232. La combinaison
entre les instructions MATLAB et le console Win32 du Microsoft permet à l’algorithme de recevoir
des signaux d’état et d’adresser des signaux de commande à quelques paramètres particuliers dans le
système. En adoptant cette stratégie, trois techniques de gestion d’énergie sont validées, nommées :
gestion à base de règles classique, gestion à base de règles floues et gestion prédictive avec court
horizon de contrôle et de prédiction.

Comme perspective, les travaux présentés dans cette thèse peuvent être suivis par :

• L’amélioration de la gestion prédictive d’énergie d’un système hybride PV/batteries en


intégrant un modèle de prédiction de la production PV qui permet d’estimer les fluctuations de
courte durée (de l’ordre de minutes).

• L’insertion du critère de la stabilité dynamique d’un micro-réseau isolé dans la politique de


gestion prédictive d’énergie (la régulation de la fréquence).

• Implémentation de la commande prédictive pour l’onduleur multi-niveaux M-CHB dans un


prototype expérimental, avec la vérification de la faisabilité d’aller vers un horizon de
commande supérieur à 1.

130
Bibliographie

[1]. Abdelkader HARROUZ, Meriem ABBES, Ilhami COLAK, and Korhan KAYISLI, “Smart Grid and Renewable
Energy in Algeria”, 6th international confernce on renwable energy research and applications, San Diego, CA,
USA, 5-8 Nov, 2017.

[2]. Qiqi Hu and Ruoli Tang, “Design and intelligent control of building integrated photovoltaic system”, Journal of
Renewable and Sustainable Energy 9, 043701 (2017).

[3]. Kotub Uddin, Rebecca Gough, Jonathan Radcliffe, James Marco, Paul Jennings, “Techno-economic analysis of the
viability of residential photovoltaic systems using lithium-ion batteries for energy storage in the United Kingdom”,
Applied Energy 206 (2017) 12–21.

[4]. Rasmus Luthander, Joakim Widén, Daniel Nilsson, Jenny Palm, “Photovoltaic self-consumption in buildings: A
review”, Applied Energy 142 (2015) 80–94.

[5]. Arthur Mariaud, Salvador Acha, Ned Ekins-Daukes, Nilay Shah, Christos N. Markides, “Integrated optimisation of
photovoltaic and battery storage systems for UK commercial buildings”, Applied Energy 199 (2017) 466–478.

[6]. T. T. Yang and A. K. Athienitis, “A review of research and developments of building-integrated


photovoltaic/thermal (BIPV/T) systems,” Renewable Sustainable Energy Rev. 66, 886–912 (2016).

[7]. Xiaolong Jina, Jianzhong Wu, Yunfei Mub, Mingshen Wang, Xiandong Xu, Hongjie Jia, “Hierarchical microgrid
energy management in an office building”, Applied Energy 208 (2017) 480–494.

[8]. S. Esmaeili, B. Vahidi, M. Parvizimosaed, and F. Brahman, “Development of a thermal and electrical energy
management in residential building micro-grid”, Journal of Renewable and Sustainable Energy 6, 013126 (2014).

[9]. Rajeev Kumar Chauhan, C. Phurailatpam, B. S. Rajpurohit, F. M. Gonzalez-Longatt, S. N. Singh, “Demand-Side


Management System for Autonomous DC Microgrid for Building”, Technol Econ Smart Grids Sustain Energy
(2017) 2:4.

[10]. M. Braun, “Reactive power supply by distributed generators,” IEEE Power Energy Soc. Gen. Meeting, pp. 1-8,
July 2008.

[11]. J. Backes, C. Schorn, and H. Basse, “Cost-efficient integration of dispersed generation using voltage dependent
reactive power control,” CIRED Workshop, Lyon, France, 2010.

[12]. Reinaldo Tonkoski, Luiz A. C.Lopes, and Tarek H. M. El-Fouly, “Coordinated Active Power Curtailment of Grid
Connected PV Inverters for Overvoltage Prevention”, IEEE Transactions on Sustainable Energy, Vol. 2, No. 2,
April 2011.

[13]. Ali M. Almaktoof, A. K. Raji, and M. T. E. Kahn, Modeling and Simulation of Three-Phase Voltage Source
Inverter Using a Model Predictive Current Control, International Journal of Innovation, Management and
Technology, Vol. 5,N. 1, Feb. 2014.

131
[14]. José Rodríguez, Jorge Pontt, César A. Silva, Pablo Correa, Pablo Lezana, Patricio Cortés, and Ulrich Ammann,
Predictive Current Control of a Voltage Source Inverter, IEEE Transactions on Industrial Electronics, Vol. 54, No.
1, February 2007

[15]. Jingang Han, Zhiyuan Ma and Dongkai Peng, Analysis of Model Predictive Current Control for Voltage Source
Inverter, Research Journal of Applied Sciences, Engineering and Technology 6(21): 3986-3992, 2013.

[16]. Anonymous, EPRI Smart Grid Resource Center, June 2012, available at: http://smartgrid.epri.com/

[17]. Canadian Electricity Association, “The smart grid,” available at:


www.electricity.ca/media/SmartGrid/SmartGridpaperEN.pdf.

[18]. Murphy, P., Angemeer, M., Collie, D., Fraser, N., Haines, A., McFadden, D., Major, K., Nathwani, J., Shervill, P.,
and Smith, W., “Enabling tomorrow’s electricity system: Report of the Ontario Smart Grid Forum,” September
2010, available at: http://www.ieso.ca/imoweb/pubs/smart grid/Smart Grid Forum-Report.pdf.

[19]. DOE, “Exploring the imperative of revitalizing America’s electric infrastructure, the Smart Grid: an introduction,”
2010, available at: http://energy.gov/sites/prod/files/oeprod/ Documents and Media/DOE SG Book Single
Pages(1).pdf.

[20]. Keogh, M., “The smart grid: Frequently asked questions for state commissions,” The National Association of
Regulatory Utility Commissioners, p. 2, June 2010, available at:
http://www.naruc.org/Publications/NARUC%20Smart%20 Grid%20Factsheet%205 09.pdf.

[21]. Hristiyan Kanchev, Di Lu, Frederic Colas, Vladimir Lazarov, and Bruno Francois, “Energy Management and
Operational Planning of a Microgrid With a PV-Based Active Generator for Smart Grid Applications”, IEEE
TRANSACTIONS ON INDUSTRIAL ELECTRONICS, VOL. 58, NO. 10, OCTOBER 2011.

[22]. Mustapha HABIB, Farid KHOUCHA, “Rule-Based Energy Management Strategy for Fuel Cell/battery Electric
Vehicle”, The First International Conference on Power Electronics and their Applications, Djelfa, Nov 2013.

[23]. M. Habib and F. Khoucha, “Fuzzy-Based Energy Management Strategy for Fuel Cell/Battery Electric Vehicle”,
1ère Journée d’Etude en Automatique et ses Applications (1JEAA14), Laghouat, Avril 2014.

[24]. M. Habib, F. Khoucha, “On Line Energy Management Strategies for Fuel Cell/Battery Electric Vehicle: from Rules
Logic to Fuzzy Logic Strategy”, The Second International Conference on Electrical Engineering and Control
Applications (ICEECA2014), Constantine, Nov 2014.

[25]. International Energy Agency. Energy technology perspectives 2012: pathways to a clean energy system. Paris
(France); 2012.

[26]. S. Saadon, L. Gaillard, S. Giroux-Julien, and C. Menezo, “Simulation study of a naturally-ventilated building
integrated photovoltaic/thermal (BIPV/T) envelope,” Renewable Energy 87, 517–531 (2016).

[27]. W. L. Wang, Y. S. Liu, X. F. Wu, Y. Xu, W. Y. Yu, C. J. Zhao, and Y. B. Zhong, “Environmental assessments and
economic performance of BAPV and BIPV systems in Shanghai,” Energy Build. 130, 98–106 (2016).

132
[28]. Waqar A. Qureshi, Nirmal-Kumar C. Nair, Mohammad M. Farid, “Impact of energy storage in buildings on
electricity demand side management”, Energy Conversion and Management 52 (2011) 2110–2120.

[29]. M. Habib, A. A. Ladjici and F. Khoucha, “Frequency Control in Off-Grid Hybrid Diesel/PV/Battery Power
System”, The 4th International Conference on Electrical Engineering – ICEE'2015, December 13-15, 2015,
Boumerdes, Algeria

[30]. M. Maasoumy. “Model predictive control approach to online computation of demand-side exibility of commercial
buildings hvac systems for supply following”. IEEE American Control Conference.

[31]. M. Maasoumy and A. Sangiovanni-Vincentelli. “Total and peak energy consumption minimization of building
HVAC systems using model predictive control”. IEEE Design and Test of Computers, Jul-Aug 2012.

[32]. Liang Liang, Yunhe Hou , David John Hill, “Design guidelines for MPC-based frequency regulation for islanded
microgrids with storage, voltage, and ramping constraints”, IET Renew. Power Gener., 2017, Vol. 11 Iss. 8, pp.
1200-1210.

[33]. Thang Ngoc Mai1, Maxim Shcherbakov, Thai Quang Vinh, Nataliya Shcherbakova, and Valeriy Kamaev, “Hybrid
Renewable Energy Systems Control Based on Predictive Models and Genetic Algorithms”, CIT&DS 2015, CCIS
535, pp. 515–527, 2015.

[34]. M. Habib, A. A. Ladjici, E. Bollin and M. Schmidt, “One-Day Ahead Predictive Management of Building Hybrid
Power System Improving Energy Cost and Batteries Lifetime”, IET Renewable Power Generation, Vol 13, No °3,
pp. 482–490, 2018.

[35]. David Beasley et al., “An overview of genetic algorithms” Part 1 & 2, University Computing, Vol. 15, No. 2 & 4,
pp. 58-69 & 170-181, 1993.

[36]. M. Habib and F. Khoucha, “An Improved LQR-based Controller for PEMFC Interleaved DC-DC Converter”,
BALKAN JOURNAL OF ELECTRICAL & COMPUTER ENGINEERING, 2015, Vol.3, No.1.

[37]. Mustapha Habib, Farid Khoucha, Abdelghani Harrag, “GA-based robust LQR controller for interleaved boost DC–
DC converter improving fuel cell voltage regulation”, Electric Power Systems Research 152 (2017) 438–456.

[38]. M. Habib, A. A. Ladjici and E. Bollin, “Finite Set MPC Control of Two Level Inverter for PV/Battery Grid-
Connected System”, Proceedings of the 6th International Conference on Systems and Control, University of Batna
2, Batna, Algeria, May 7-9, 2017.

[39]. Sergio Aurtenechea Larrinaga, Miguel Angel Rodríguez Vidal, Estanis Oyarbide, and José Ramón Torrealday
Apraiz, Predictive Control Strategy for DC/AC Converters Based on Direct Power Control, IEEE Transactions on
Industrial Electronics, Vol. 54, No. 3, June 2007.

[40]. Jiefeng Hu, Jianguo Zhu, and David G. Dorrell, “Model Predictive Control of Grid-Connected Inverters for PV
Systems With Flexible Power Regulation and Switching Frequency Reduction”, IEEE Transactions on Industry
Applications, Vol. 51, No. 1, January/February 2015.

133
[41]. W. Razia Sultana, Sarat Kumar Sahoo, K. Sesha Saikiran, G.R.T. Rajasekhar Reddy, P. Harshavardhan Reddy, “A
computationally efficient finite state model predictive control for cascaded multilevel inverter”, Ain Shams
Engineering Journal, 2016.

[42]. M. Habib, AA, Ladjici and M. Benbouzid, “An Improved MPC Control of Grid-Connected Inverter. Application to
PV System”, International Journal on Energy Conversion, Vol 6, No 6, 2018.

[43]. J. Lai, and F. Peng, “Multilevel Converters – A New Breed of Power Converters‖”. IEEE Trans. Ind. Appl., Vol.
32, No. 3, May/June, 1996.

[44]. C. Hochgraf, R. Lasseter, D. Divan, and T. A. Lipo, “Comparison of multilevel inverters for static var
compensation”,‖ Proc. IEEE Ind.Applicat. Soc. Annu. Meeting, 1994, pp. 921–928.

[45]. L. Tolbert, F. Z. Peng, and T. Habetler, “Multilevel converters for large electric drives”, IEEE Trans. Ind. Electron.,
vol. 35, no. 1, pp. 36–44,Jan./Feb. 1999.

[46]. H. Rudnick, J. Dixon, and L. Moran, “Delivering clean and pure power,‖ IEEE Power Energy Ma”., vol. 1, no. 5,
pp. 32–40, Sep./Oct. 2003.

[47]. J. Rodriguez, S. Bernet, B. Wu, J. O. Pontt, and S. Kouro, “Multilevel voltage-source-converter topologies for
industrial medium-voltage drives”, IEEE Trans. Ind. Electron., vol. 54, no. 6, pp. 2930–2945,Dec.2007.

[48]. J. Selvaraj, N. A. Rahim, "Multilevel Inverter For Grid-Connected PV System Employing Digital PI Controller,"
IEEE Trans. Ind. Electron.,vol. 56, no. 1, pp. 149-158, Jan 2009.

[49]. B. Lin, and H. Lu, “New Multilevel Rectifier Based on Series Connection of H-Bridge Cell”. IEE Proc. Electron.
Power Appl., Vol.147, No. 4, July, 2000.

[50]. J. Huang, and K.A. Corzine, “Extended operation of flying capacitor multilevel inverters‖”. IEEE Trans. Power
Electron., Volume 21, Issue1, Jan. 2006 Page(s):140 – 147.

[51]. S. B. Monge, J. Rocabert, P. Rodriguez, S. Alepuz, J. Bordonau,"Multilevel Diode-Clamped Converter for


Photovoltaic Generators With Independent Voltage Control of Each Solar Array", IEEE Trans. Ind. Electron., vol.
55, no. 7, pp. 2713-2723, July 2008.

[52]. Y. Liu, F. L. Luo, "Trinary Hybrid 81-Level Multilevel Inverter for Motor Drive With Zero Common-Mode
Voltage," IEEE Trans. Ind. Electron., vol. 55, no. 3, pp. 1014-1021, March 2008.

[53]. J. I. Leon, S. Vazquez, A. J. Watson, L. G. Franquelo, P. W. Wheeler, J. M. Carrasco, "Feed-Forward Space Vector
Modulation for Single-Phase Multilevel Cascaded Converters With Any DC Voltage Ratio”, IEEE Trans. Ind.
Electron., vol. 56, no. 2, pp. 315-325, Feb 2009.

[54]. T.A. Meynard, and H. Foch, “Multi-level conversion: high voltage choppers and voltage-source inverters‖”. Proc.
IEEE Power Electronics Specialists Conference, 1992. PESC '92 Record., 23rd Annual IEEE.29 June-3 July 1992.
Page(s):397 - 403 vol.1.

[55]. P.W. Hammond, “A new approach to enhance power quality for medium voltage AC drives‖”. IEEE Trans. Ind.
Appl., Vol. 33, No.1,September/October 1981. January/February 1997.

134
[56]. W. A. Hill and C. D. Harbourt, ―Performance of Medium Voltage Multilevel Inverters‖, Proc. IEEE Ind. Appl.
Society (IAS) Conference,Vol. 2, pp. 1186–1192, 1999.

[57]. R. H. Osman, “A Medium Voltage Drive Utilizing Series-Cell Multilevel Topology for Outstanding Power
Quality”, Proc. IEEE Ind. Appl. Society (IAS) Conference, pp. 2662–2669, 1999.

[58]. J. D. Ainsworth, M. Davies, P. J. Fitz, K. E. Owen, and D. R. Trainer,”Static var compensator (STATCOM) based
on single-phase chain circuit converters”,‖ Proc. Inst. Elect. Eng.—Gener. Transm. Distrib., vol. 145, July 1998, pp.
381–386.

[59]. B. P. McGrath and D. G. Holmes, “Multicarrier PWM strategies for multilevel inverters”, IEEE Trans. Ind.
Electron., vol. 49, no. 4, pp. 858–867, Aug. 2002.

[60]. N. Celanovic and D. Boroyevich, “A fast space-vector modulation algorithm for multilevel three-phase
converters”, IEEE Trans. Ind. Appl., vol. 37, no. 2, pp. 637–641, Mar./Apr. 2001.

[61]. R. Vargas, P. Cortes, U. Ammann, J. Rodriguez, and J. Pontt, “Predictive control of a three-phase neutral-point-
clamped inverter”, IEEE Trans. Ind. Electron., vol. 54, no. 5, pp. 2697–2705, Oct. 2007.

[62]. P. Lezana, R. Aguilera, and D. E. Quevedo, “Model predictive control of an asymmetric flying capacitor
converter”, IEEE Trans. Ind. Electron., vol. 56, no. 6, pp. 1839–1846, Jun. 2009.

[63]. W. Razia Sultana , Sarat Kumar Sahoo, K. Sesha Saikiran, G.R.T. Rajasekhar Reddy, P. Harshavardhan Reddy, “A
computationally efficient finite state model predictive control for cascaded multilevel inverter”, Ain Shams
Engineering Journal (2016).

[64]. Jingang Han, Chao Li, Tengfei Yang, and Jun Han, “Simplified Finite Set Model Predictive Control Strategy of
Grid-Connected Cascade H-Bridge Converter” Journal of Control Science and Engineering 2016.

[65]. Samir Kouro, Marce Lo A. Pere Z, Jose Rodr Iguez, Ana M. Llor, and Hec Tor A. Young, “Model Predictive
Control, MPC’s Role in the Evolution of Power Electronics”, IEEE industrial electronics magazine, december
2015.

[66]. The World Bank Database (2014) Electric power transmission and distribution losses (% output).
https://data.worldbank.org/. Accessed 09 Jun 2018.

[67]. K.R. Padiyar,“FACTS Controllers in Power Transmission and Distribution,”New Age International (P) Limited,
New Delhi.

[68]. R.K. Varma, V. Khadkikar and R. Seethapathy, "Nighttime Application of PV Solar Farm as STATCOM to
Regulate Grid Voltage," IEEE Trans. on Energy Conversion (Letters), vol.24, no.4, pp.983-985, Dec. 2009.

[69]. Rajiv K. Varma and Vinod Khadkikar, “Utilization Of Solar Farm Inverter as STATCOM”, US Provisional
Patent application filed 15 Sept. 2009

[70]. P. Barbosa, L. Rolim, E. Watanabe and R. Hanitsch, "Control strategy for grid-connected DC-AC converters with
load power factor correction," IEE Proc. Generation, Transmission and Distribution, vol.145, no.5, pp.487-491, Sep
1998

135
[71]. Sung-Hun Ko and Seong-Ryong Lee Hooman Dehbonei and C.V. Nayar, “A Grid-Connected Photovoltaic
System with Direct Coupled Power Quality Control”, 32nd Annual Conference on IEEE Industrial

[72]. Su-Won Lee, Jae-Hyung Kim, Seong-Ryong Lee, Byoung-Kuk Lee, and Chung-Yuen Won, “A Transformerless
Grid-Connected Photovoltaic System with Active and Reactive Power Control, IEEE 6th International Power
Electronics and Motion Control Conference, Wuhan, China, 17-20 May 2009, pp 2178 - 2181

[73]. Rajiv. K. Varma, Shriram. S. Rangarajan, Iurie Axente, and Vinay Sharma, "Novel application of a PV Solar Plant
as STATCOM during Night and Day in a Distribution Utility Network", Paper Presented in Panel Session on
"FACTS/Power Electronics Installations" 2011 IEEE PES Power Systems Conference & Expo, March 20-23, 2011,
Phoenix, Arizona, USA

[74]. Rajiv. K. Varma, Byomakesh Das, Iurie Axente, and Tim Vanderheide, "Optimal 24-hr Utilization of a PV Solar
System as STATCOM (PVSTATCOM) in a Distribution Network", Proc. IEEE PES General Meeting, Detroit,
USA, 2011

[75]. Long, B., Jeong, T.W., Lee, J.D., et al.: “Energy management of a hybrid AC–DC micro-grid based on a battery
testing system”, Energies, 2015, 8, pp. 1181–1194.

[76]. Esram, T., Chapman, P.L.: “Comparison of photovoltaic array maximum power point tracking techniques”, IEEE
Trans. Energy Convers., 2007, 22, (2), pp. 439–449.

[77]. Larrinaga, S.A., Vidal, M.A.R., Oyarbide, E., et al.: “Predictive control strategy for DC/AC converters based on
direct power control”, IEEE Trans. Ind. Electron., 2007, 54, (3), pp. 1261–1271

[78]. Razali, A.M., Rahman, M.A., George, G., et al.: “Analysis and design of new switching lookup table for virtual
flux direct power control of grid-connected three-phase PWM AC–DC converter”, IEEE Trans. Ind. Appl., 2015,
51, (2), pp. 1189–1200

[79]. Adhikari, S., Li, F.: “Coordinated V-f and P-Q control of solar photovoltaic generators with MPPT and battery
storage in microgrids”, IEEE Trans. Smart Grid, 2014, 5, (3), pp. 1270–1281

[80]. ALEid, M.I.Y., El-Shekshaky, S.M., Mohammed, A.B., et al.: “JIC green initiative project economic benefits”, Int.
J. Environ. Sci. Dev., 2018, 9, (5), pp. 121–126.

[81]. Beasley, D., Bull, D., Martin, R., et al.: ‘An overview of genetic algorithms: part 1 & 2’, Univ. Comput., 1993, 15,
(2 & 4), pp. 58–69, 170–181.

[82]. Tremblay, O., Dessaint, L.-A., Dekkiche, A.-I.: ‘A generic battery model for the dynamic simulation of hybrid
electric vehicles’. Proc. of the 2007 IEEE Vehicle Power and Propulsion Conf., Arlington, TX, USA, 2007, pp.
284–289.

[83]. Electricity production and spot prices in Germany in week 7 2017. https://www.energy-charts.de/price.htm. Jul,
2017

[84]. Pérez, E., Beltran, H., Aparicio, N., et al.: ‘Predictive power control for PV plants with energy storage’, IEEE
Trans. Sustain. Energy, 2012, 4, pp. 482–490

136
[85]. Perez, R., Ineichen, P., Moore, K., et al.: ‘A new operational model for satellite-derived irradiances: description and
validation’, Sol. Energy, 2002, 73, pp. 307–317.

[86]. Olukayode A. Afolabi, Warsame H. Ali, Penrose Cofie, John Fuller, Pamela Obiomon, Emmanuel S. Kolawole,
“Analysis of the Load Flow Problem in Power System Planning Studies”, Energy and Power Engineering, 2015, 7,
509-523.

[87]. Zeineb Abdmouleh , Adel Gastli, Lazhar Ben-Brahim, Mohamed Haouari, Nasser Ahmed Al-Emadi, “Review of
optimization techniques applied for the integration of distributed generation from renewable energy sources”,
Renewable Energy 113 (2017) 266e280.

[88]. YL Chen. “Weak bus oriented reactive power planning for system security”. Generation, Transmission and
Distribution, IEE Proceedings. 1996; 143: 541-545.

[89]. Ajjaraparu V, Christy C. “The continuation power flow: a tool for steady state voltage stability analysis”. IEEE
Trans Power Syst. 1992; 7(1): 416–23.

[90]. Musirin, TKA Rahman. “Novel Fast Voltage Stability Index (FVSI) for Voltage Stability Analysis in Power
Transmission System. Student Conference on Research and Development Proceedings”. Shah Alam, Malaysia.
2002.

[91]. Arjun Mudlapur, A Raju, and Uma Rao, “Evaluation of different PWM techniques for two level inverter in grid
connected WECS”, 2013 International Conference on Advances in Computing, Communications and Informatics
(ICACCI), 22-25 Aug. 2013.

[92]. T. Niknam, et al., “Optimal operation of distribution system with regard to distributed generation: a comparison of
evolutionary methods”, in: Industry Applications Conference, 2005. Fourtieth IAS Annual Meeting. Conference
Record of the 2005, vol. 4, IEEE, 2005.

[93]. M. Abbagana, et al., “Differential evolution based optimal placement and sizing of two distributed generators in a
power distribution system”, J. Eng. Appl. Sci. 4 (2012) 61e70.

[94]. Hosein A. Hejazi, et al., “Distributed generation site and size allocation through a techno economical multi-
objective Differential Evolution Algorithm”, in: Power and Energy (PECon), 2010 IEEE International Conference
on, IEEE, 2010.

[95]. M. Huneault, and F. D. Galiana, “A survey of the optimal power flow literature,” IEEE Trans. Power Systems, vol.
6, no. 2, pp. 762-770, May 1991.

[96]. A. G. Bakistzis, P. N. Biskas, C. E. Zoumas, and V. Petridis, “Optimal power flow by enhanced genetic algorithm,
“IEEE Trans. Power Systems, vol. 17, no. 2, pp. 229-236, May 2002.

[97]. C. A. Roa-Sepulveda, B. J. Pavez-Lazo, “ A solution to the optimal power flow using simulated annealing,”
Electrical Power & Energy Systems (Elsevier), vol. 25,n°1, pp.47-57, 2003.

[98]. C. P. Gupta, S. C. Srivastava and R. K. Varma, “Enhancement of static voltage stability margin with reactive power
dispatch using FACTS devices”, 13th PSCC in Trondheim, June 28- July 2nd, 1999.

137
[99]. P. Rao, ML Crow, Z Yang, “STATCOM Control for Power System Voltage Control Applications”, IEEE Trans.
Power Delivery, 2000.

[100]. JY Liu, YH Song, P Metha, “Strategies for Handling UPFC Constraints in Steady-State Power Flow and
Voltage Control”, IEEE Trans. Power System, 2000.

[101]. R. D. Zimmerman and D. Gan, MATPOWER - A MATLAB Power System Simulation Package, User’s Manual,
School of Electrical Engineering, Cornell University, 1997.

[102]. M. Habib, A. A. Ladjici and E. Bollin, “Practical Implemetation of Energy Management Algorithm on a Microgrid
System”, proceedinng of La Conférence internationale en Sciences et Technologies Electriques au Maghreb
(CISTEM), Alger, 28-31 Oct 2018

[103]. Morad M.A. Abdelaziz, Hany E.Z. Farag, E.F. El-Saadany, “Fuel-saving benefit analysis of islanded microgrid
central controllers”, Electric Power Systems Research 125 (2015) 45–54.

[104]. Emilio Pérez, Hector Beltran, Néstor Aparicio and Pedro Rodriguez, “Predictive Power Control for PV plants with
Energy Storage”, IEEE TRANSACTIONS ON SUSTAINABLE ENERGY, JUNE 2012.

[105]. R. Perez, P. Ineichen, K. Moore, M. Kmiecik, C. Chain, R. George, and F. Vignola, “A new operational model for
satellite-derived irradiances: description and validation,” Solar Energy, vol. 73, pp. 307–317, Nov. 2002.

138
Annexe

A. Paramètre du réseau de test IEEE 33-bus

Tableau A.1 : Puissance active et réactive nominale à chaque bus


bus_i Pd Qd Pg Qg
# (MW) (MVAr) (MW) (MVAr)
1 0 0 23.54 0
2 21.7 12.7 60.97 0
3 2.4 1.2 0 0
4 7.6 1.6 0 0
5 0 0 0 0
6 0 0 0 0
7 22.8 10.9 0 0
8 30 30 0 0
9 0 0 0 0
10 5.8 2 0 0
11 0 0 0 0
12 11.2 7.5 0 0
13 0 0 37 0
14 6.2 1.6 0 0
15 8.2 2.5 0 0
16 3.5 1.8 0 0
17 9 5.8 0 0
18 3.2 0.9 0 0
19 9.5 3.4 0 0
20 2.2 0.7 0 0
21 17.5 11.2 0 0
22 0 0 21.59 0
23 3.2 1.6 19.2 0
24 8.7 6.7 0 0
25 0 0 0 0
26 3.5 2.3 0 0
27 0 0 26.91 0
28 0 0 0 0
29 2.4 0.9 0 0
30 10.6 1.9 0 0

139
Tableau A.2 : Paramètres des lignes
De bus # Au bus # r x b
1 2 0.02 0.06 0.03
1 3 0.05 0.19 0.02
2 4 0.06 0.17 0.02
3 4 0.01 0.04 0
2 5 0.05 0.2 0.02
2 6 0.06 0.18 0.02
4 6 0.01 0.04 0
5 7 0.05 0.12 0.01
6 7 0.03 0.08 0.01
6 8 0.01 0.04 0
6 9 0 0.21 0
6 10 0 0.56 0
9 11 0 0.21 0
9 10 0 0.11 0
4 12 0 0.26 0
12 13 0 0.14 0
12 14 0.12 0.26 0
12 15 0.07 0.13 0
12 16 0.09 0.2 0
14 15 0.22 0.2 0
16 17 0.08 0.19 0
15 18 0.11 0.22 0
18 19 0.06 0.13 0
19 20 0.03 0.07 0
10 20 0.09 0.21 0
10 17 0.03 0.08 0
10 21 0.03 0.07 0
10 22 0.07 0.15 0
21 22 0.01 0.02 0
15 23 0.1 0.2 0
22 24 0.12 0.18 0
23 24 0.13 0.27 0
24 25 0.19 0.33 0
25 26 0.25 0.38 0
25 27 0.11 0.21 0
28 27 0 0.4 0
27 29 0.22 0.42 0
27 30 0.32 0.6 0
29 30 0.24 0.45 0
8 28 0.06 0.2 0.02
6 28 0.02 0.06 0.01

140
B. Solution technique adoptée pour la validation expérimentale
Vue que le système du réseau intelligent expérimental d’INES est encore en phase de finalisation à la
date de rédaction de cette thèse, la commande et la supervision du système à travers l’ordinateur
central, qui intègre le software SCADA, n’est encore pas possible. De ce fait, une solution est adoptée
afin de puissance communiquer avec l’onduleur/chargeur en se basant sur quelques états du système
qui sont stockés dans la base de données. La méthode consiste à utiliser un lien série RS232 pour
transmettre les signaux d’état et de commande à partir d’un algorithme sous MATLAB. Cette
algorithme intègre quelques commandes de Microsoft pour pouvoir cibler les paramètres désirés dans
le système.

Figure B.1 : Schéma simplifié de la gestion de l’énergie proposée du réseau intelligent d’INES

C. Gestion d’énergie à base de la logique floue


Tableau C.1 : Règle floues
dP
Réponse du contrôleur
dP++ dP+ dP0 dP- dP--
EP SOC
SOC-H I+ R1 R0 R0 I+ R1 I+ R1
SOC-M I- R1 I- R1 I- R1 I- R1 I- R1
EP-L
SOC-L I-- R1 I-- R1 I-- R1 I-- R1 I-- R1
SOC-H I+ R1 I+ R1 I+ R1 I+ R1 I++ R1
SOC-M I0 R1 I0 R1 R0 R0 I+ R1
EP-M
SOC-L I- R1 I- R1 I- R1 R0 I-- R1
SOC-H I++ R1 I++ R1 I++ R1 I++ R1 I++ R1
SOC-M I+ R1 R0 R0 R0 I+ R1
EL-H
SOC-L I- R1 I- R1 I- R1 R0 I- R1

141
Un nombre déterminé de règles est implémenté dans le contrôleur flou afin de contrôler et gérer le flux
de puissance dans le micro-réseau hybride, ces règles prennent toutes les situations opérationnelles
possibles permettant au contrôleur de suivre le prix de l’électricité, la direction du flux d’énergie et le
niveau de SOC dans le système de stockage. Le Tableau B.1 récapitule les règles créées avec EP-L,
EP-M et EP-H correspondant aux valeurs basse, moyenne et élevée du prix d’électricité. SOC-L,
SOC-M et SOC-H sont valeurs faible, moyenne et élevée de SOC des batteries. dP est la différence
algébrique entre la puissance demandée de la charge et la puissance PV fournie, (+) signifie que cette
différence est positive et (-) signifie une différence négative. Le nombre de signe (+) ou (-) mentionné
indique l’intensité de la valeur du courant. I0 désigne un courant pratiquement nulle.

Un nombre de 45 règles est créé, dont 18 pour le mode de charge des batteries (cases bleus); 18 pour le
mode de décharge (cases vertes) et 09 pour le mode autonome (cases grises). Chaque emplacement du
Tableau est divisé en deux parties : la droite pour l’état du relais reliant le micro-réseau au réseau
principal (R1 signifie que le relais est fermé et R0 qu’il est ouvert), la gauche pour la référence de
courant des batteries où l’indice négatif désigne un courant de charge et positif un courant de
décharge. Notez ici que dans le cas d’un mode autonome, cette partie est vide car, le contrôleur flou
devient incapable de contrôler le courant des batteries, il ne dépend que de la balance de puissance
dans la MG entre producteurs d’énergie et consommateurs.

(a)

142
(d)

(c)

(d)

143
(e)

Figure C.1 : Fonctions d’appartenance des variables d’entrées : (a) prix de l’électricité (b) différence en
puissance entre le système PV et la charge (c) état de charge des batteries (d) état du relai externe (e) courant des
batteries

144
Figure C.2 : Surface floues entre les entrées et les sorties

145
Time measurement

Authorization of back feeding

Acquisition of batteries SOC measurement

Acquisition of Xtender output power

Hourly electricity price

Fuzzy algorithm including constraints

Island
No mode Yes

Closing the Opening the


external relay external relay

Charging
Yes No

Disabling grid Enabling grid


feeding feeding

Adjusting charging Adjusting feeding AC


DC current current

Pause (10 minutes)

Time measurement

No
End time

Yes

Closing the external relay

End

Figure C.3 : Organigramme de la gestion d’énergie floue

146
Comme mentionné précédemment, les paramètres de l'onduleur/chargeur Xtender sont ajustables à
l'aide d’un programme MATLAB, le programme appel quelques instructions de commande Win32
afin de transmettre et acquière des signaux avec Xtender par un protocole de communication série
RS232. Ci-dessous, quelques instructions permettant d’accomplir certaines tâches :

• Instruction permettant acquisition de la puissance de sortie de Xtender :


% Output power read

[status,scom] = dos('scom.exe --port=COM3 --verbose=3 read_property


src_addr=1 dst_addr=101 object_type=1 object_id=3087 property_id=1
format=FLOAT');

• La commande floue est résumé dans les instructions suivantes :


% Fuzzy Output

Y=evalfis([SOC Pout EP]',FL_EM);

Iref=(Y(:,1));

R=round(Y(:,2));

Avec Iref est la référence de courant des batteries et R l'état de référence de relais externe. La
fonction round MATLAB est utilisée pour arrondir R au nombre entier le plus proche du fait que le
relais externe est contrôlable uniquement par un nombre de format booléen.

• Les instructions suivantes permettent au contrôleur d’ajuster le courant DC des batteries:


% Tranfer relay activation

[status,scom] = dos('scom.exe --port=COM3 --verbose=3 write_property


src_addr=1 dst_addr=101 object_type=2 object_id=1128 property_id=5
format=BOOL value=1');

% Enaling grid-feeding

[status,scom] = dos('scom.exe --port=COM3 --verbose=3 write_property


src_addr=1 dst_addr=101 object_type=2 object_id=1127 property_id=5
format=BOOL value=0');

% Adjusting battery current charging

[status,scom] = dos('scom.exe --port=COM3 --verbose=3 write_property


src_addr=1 dst_addr=101 object_type=2 object_id=1138 property_id=5
format=FLOAT value=10');

147
D. Modèles de prévisions du flux de puissance
La prévision de la puissance PV est réalisée via un modèle basé sur RNA. La structure de réseau
neuronal adoptée est une auto-régression non linéaire NAR (Non-linear Auto-Regression) qui prédit
une future valeur de la puissance PV en utilisant la valeur en court avec des valeurs passées. Dans
notre cas, les données historiques d'une heure permettent de prédire la production PV pendant les dix
prochaines minutes. Le schéma du modèle NAR est illustré dans la Figure D.1. Une règle
d’apprentissage couramment utilisée pour former NAR est la procédure de rétro-propagation de
Levenberg/Marquardt est adoptée, elle fait partie des algorithmes de propagation la plus rapide. Les
paramètres de l’apprentissage adoptés sont listés dans le Tableau D.1. L'entraînement de NAR cet
algorithme permet d'approcher la fonction sans avoir de calculer la matrice de Hessie au moyen d'une
optimisation des poids du réseau et du gain de neurones. Il accepte les entrées dynamiques qui sont
représentées sous forme de série chronologique sans la nécessité d’avoir une information sur le
processus qui génère cette série.

P(t)
P(t-1)
P(t-2) Multilayer
P(t+1)
P(t-3) network
P(t-4)
P(t-5)

Figure D.1 : Diagramme du modèle de prévision NAR de la production PV

Tableau D.1 : Paramètres du modèle de prévision NAR

Caractéristiques Valeur
Numéro de neurones dans couche d’entré 1
Numéro de neurones dans couche cachée 30
Numéro de neurones dans couche de sortie 1
Retard du retour d’état 6
Algorithme d’apprentissage Levenburg-Marquardt
Fonction de performance Erreur quadratique moyen

Le processus d’entrainement stoppe quand la courbe de validation cesse à diminuer après six itérations
consécutives, dans la Figure D.2, le processus d’entraînement s’arrête à l’époque 7 avec une erreur
quadratique moyenne MSE (Mean Squared Error) (D.1) de 133385 watts2.
N

 ( Out − Tari )
2
i
MSE = i =1
(D.1)
N

148
Où Outi est la valeur de sortie de l'échantillon i, Tari est la valeur de cible de l'échantillon i et N le
nombre d'échantillons.

Best Validation Performance is 133385.6434 at epoch 7


9
10
Train
Validation
8
10 Test
Best
Mean Squared Error (mse)

7
10

6
10

5
10

4
10

3
10
0 2 4 6 8 10 12
13 Epochs

Figure D.2 : Variation de la performance durant le processus d’apprentissage

Error Histogram with 20 Bins

Training
10000 Validation
Test
Zero Error
8000
Instances

6000

4000

2000

0
-3973
-3531
-3089
-2647
-2205
-1763
-1321

1332
1774
2216
2658
3100
3542
3984
4426
5.331
447.4
889.5
-878.8
-436.7

Errors = Targets - Outputs

Figure D.3: Histogramme d’erreur

La Figure D.3 illustre l'histogramme d'erreur, 11000 échantillons sur un total de 11532 (> 95%) ont
montré une erreur absolue inférieure à 500 W entre l’objectif et la sortie.

149
Training: R=0.96599 Validation: R=0.94925

Data Data

Output ~= 0.92*Target + 70

Output ~= 0.92*Target + 81
5000
5000 Fit Fit
Y=T Y=T
4000 4000

3000 3000

2000 2000

1000 1000

0 0
0 1000 2000 3000 4000 5000 0 1000 2000 3000 4000 5000
Target Target

Test: R=0.96104 All: R=0.96282

Data Data
Output ~= 0.92*Target + 77

Output ~= 0.92*Target + 73
5000 Fit 5000 Fit
Y=T Y=T
4000 4000

3000 3000

2000 2000

1000 1000

0 0
0 1000 2000 3000 4000 5000 0 1000 2000 3000 4000 5000
Target Target

Figure D.4: Diagramme de régression

Le diagramme de régression présenté par la Figure D.4, la relation entre la sortie du modèle et
l’objectif est présentée par la valeur R : le taux de régression pour les échantillons de l’apprentissage,
la validation et le test. Une valeur de R proche de 1 indique un excellent suivi de l’objectif.

La demande en énergie d’un bâtiment commercial dépend de certains facteurs récurrents que l'on peut
modéliser aisément. Dans notre cas, une base de données de 6 mois pour un bâtiment commercial est
utilisée. Une analyse statistique simple montre que deux paramètres principaux affectent la
consommation d'énergie de manière significative, à savoir : la température en tant qu’un facteur à long
terme et l'heure du jour en tant qu’un facteur à court terme. La Figure D.5 représente l’ensemble de
données et la relation entre la demande d’énergie, la température et l’heure du jour, en adoptant une
hypothèse, selon laquelle, la demande d’énergie varie en fonction de la température et l’heure du jour
par des équations polynomiales de 2 et 5 degrés respectivement, comme indiqué dans (D.2) et (D.3).
La variation à long terme est dû à la différence en température en fonction des saisons : la puissance
consommée est proportionnelle à la différence absolue entre la température de référence et la
température ambiante. En hiver, lorsque la température est inférieure au niveau moyen annuel, la
consommation augmente à cause de l'utilisation de systèmes de chauffage. En été, la température est
supérieure au niveau moyen annuel, par conséquence, la consommation d'énergie augmente en raison
de l'utilisation de climatiseurs. La variation à court terme est dû aux différentes activités des occupants

150
au cours de la journée, l’allure du profile journalier caractérise la nature du bâtiment : commercial,
résidentiel ou bureaux administratifs.

2
P =  ai T i (D.2)
i =0

5
P =  ai H i (D.3)
i =0

Où, P, T et H sont respectivement la demande en puissance, la température ambiante et l'heure du jour.


ai sont les coefficients à rechercher au moyen de techniques d’ajustement de courbes.

1400

1200
Power (W)

1000

800

600 20
24 10
20 16 12 0
8 4 0
Temperature (°C)
Hour of day

200

100
Power (W)

-100

20
-200 10
24 20 16 0
12 8 4 0
Temperture (°C)
Hour of day

Figure D.5 : En haut, la consommation énergétique en fonction de la température et l’heure du jour. En bas, la marge d’erreur
entre le tracé d'ajustement et les points de data

On peut déduire de la Figure D.5 que la température dans notre cas n’a pas un effet significatif sur la
consommation électrique du bâtiment en comparaison avec l’heure du jour, c’est-à-dire moins de 200
W comme erreur absolue entre la consommation électrique en été et hiver et la surface tracée
équivalente, ce qui est un écart de moins 14%. De ce fait, la température, en tant qu’un paramètre de
retour d’état pour le modèle de prévision, est exclu en raison de simplification.

Le processus d'interpolation est effectué par MATLAB à l'aide de Curve Fitting Toolbox. Pour plus de
précision, le degré de polynôme est devenu 9, l'équation obtenue est illustrée par la Figure D.6. Les

151
coefficients optimaux sélectionnés sont présentés dans le Tableau D.2. Un MSE de 74,96 Watt2 avec
un taux de régression de 0,9714.

Data
1400
Fitting

1200

1000
Power (W)

800

600

400

200
0 5 10 15 20
Time (Hour)

Figure D.6: Demande en puissance du batiment en utilsant une interpolation polinomiale de 9 degress

Tableau D.2 : Coefficients d’interpolation optimaux

Coefficient Valeur Coefficient Valeur


a9 1.472e-06 a4 6.069
a8 -0.0001152 a3 -46.94
a7 0.003223 a2 163
a6 -0.03179 a1 -290.3
a5 -0.1718 a0 511.4

152

View publication stats

Vous aimerez peut-être aussi