Académique Documents
Professionnel Documents
Culture Documents
net/publication/242290415
CITATION READS
1 3,871
5 authors, including:
Saïd Djennoune
Université Mouloud Mammeri de Tizi Ouzou
103 PUBLICATIONS 1,477 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Patrice Wira on 03 June 2014.
Résumé – Cet article présente une stratégie complète Neurones Artificiels (RNAs), appelés aussi réseaux
d’identification et de commande neuronale d’un onduleur de neuromimétiques, constituent à ce jour une technique de traitement
tension triphasée utilisé pour le filtrage actif parallèle des
courants harmoniques. Basée sur l’utilisation de techniques de données bien comprise et bien maîtrisée. De façon formelle, un
neuromimétiques, cette approche de compensation se fait en RNA est une fonction mathématique associant à des entrées, des
deux étapes. La première étape identifie les courants grandeurs de sortie à l’aide de paramètres ajustables appelés des
harmoniques avec la méthode des courants diphasés à l’aide des poids. A partir d’un ensemble de données représentatives, il est
réseaux de neurones du type Adaline. La deuxième étape injecte possible d’ajuster les poids pour apprendre une fonction quelconque.
les courants harmoniques dans le réseau électrique ; elle utilise
une commande basée sur un régulateur PI neuronal. La Grâce à ce processus d’apprentissage, les RNAs sont des
structure proposée s’adapte automatiquement aux fluctuations approximateurs universels parcimonieux capables d’estimer un
des perturbations harmoniques et permet la compensation des modèle complexe avec une précision voulue. Ils réalisent à la fois
courants harmoniques. Des comparaisons avec une méthode des fonctionnalités d’identification, de contrôle ou de filtrage. Ils
classique d’identification et d’une commande à hystérésis sont prolongent les techniques classiques de l’automatique non linéaire et
présentées. Des simulations démontrent l’efficacité et la
robustesse de cette stratégie. peuvent conduire vers des solutions efficientes et robustes.
L’utilisation des RNAs se justifie en particulier pour tenir compte
Mots-clés – harmonique, filtrage actif parallèle, onduleur, ou faire face à des changements de paramètres d’un système. En
réseaux de neurones artificiels, commande adaptative.
effet, de part leur apprentissage, les RNAs sont capables d’adapter
leur poids de sorte à tenir compte de tous changements inopinés. Ils
I. INTRODUCTION
sont donc logiquement utilisés dans les systèmes électriques [2-3] et
La prolifération de perturbations électriques est due à un nombre en particulier au sein d’une architecture de FAP [4].
croissant de charges non linéaires présentent dans les lignes Un système électrique est complexe dans le sens où il est
électriques (tels que les convertisseurs, les ordinateurs personnels, constitué d’une multitude de sous-systèmes distribués sur plusieurs
les appareils à tubes fluorescents, etc.). Tous ces appareils possèdent sites. Des charges non linéaires peuvent être connectées ou
la particularité d’absorber des courants non sinusoïdaux et donc déconnectées à des lieux distincts à tout instant. Pour faire face à
d’introduire dans les lignes électriques des pollutions harmoniques tous changements de paramètres, un FAP commandé sur une
en courant. Les composantes harmoniques générées se propagent approche neuronale est proposé.
dans l’ensemble du réseau de distribution électrique sous la forme de Un FAP peut se décomposer en deux parties principales :
courants qui peuvent sérieusement affecter d’autres appareils en l’identification des courants harmoniques et la commande d’un
allant parfois même jusqu’à les détériorer. onduleur permettant d’injecter les courants de compensation. Nos
Depuis maintenant quelques années, les Filtres Actifs Parallèles travaux portent sur l’étude conjointe de l’identification des
(FAPs) se sont révélés être des techniques efficaces pour la harmoniques avec une approche neuronale préalablement introduite
compensation des composantes harmoniques [1]. Ces filtres [5] et portent également sur la commande de l’onduleur à l’aide d’un
cherchent à identifier les composantes harmoniques afin de les régulateur PI neuronal.
réinjecter efficacement dans le réseau électrique en opposition de A cet effet, la Section II récapitule brièvement le principe et
phase. Ils sont également capables de corriger le facteur de l’architecture d’un FAP. Dans la Section III, la partie puissance est
puissance et de compenser l’éventuel déséquilibre d’un système étudiée à travers la modélisation de l’onduleur et d’un filtre de
triphasé. De plus, les FAPs peuvent être insérés aisément dans les sortie. La Section IV introduit la technique d’identification des
installations existantes de distribution électrique sans nécessiter de courants harmoniques à l’aide des réseaux Adalines. Une commande
grandes modifications. Reconnus pour leur facilité de mise en par hystérésis pour le contrôle de l’onduleur est préalablement
œuvre, pour leur robustesse et leur fiabilité, ils représentent introduite dans la Section V. Dans cette même section, une
aujourd’hui la technique la plus largement employée pour dépolluer commande basée sur un régulateur PI neuronal est également
les systèmes électriques. développée. La section VI montre les améliorations apportées par les
L’introduction des techniques dites « intelligentes » dans les approches neuromimétiques par rapport aux méthodes classiques
stratégies de commande est récente. Parmi elles, les Réseaux de dans le cadre de la compensation de composantes harmoniques. Ces
résultats sont obtenus par des études comparatives menées lors de En appliquant la loi de Kirchhoff côté alternatif, on obtient :
diverses simulations. En plus d’une restitution efficace de la forme
sinusoïdale du courant de la source, nous montrons que cette d iinj
= − vs i − R f i iinj i + v f i i =1, 2, 3
i
Lf i (2)
méthode peut être facilement employée pour une compensation dt
sélective des harmoniques. Un bilan sur cette approche neuronale
ainsi que sur ses possibilités est dressé dans la dernière section. avec vs i = [vs1, vs 2 , vs 3 ]T , v f i = [v f 1 , v f 2 , v f 3 ]T qui représentent
les tensions par rapport au point neutre n de la Fig. 2, et
II. STRUCTURE GENERALE D’UN FILTRE ACTIF PARALLELE T
iinj i = [i , i , i ] qui sont les courants injectés par
La structure générale d’un FAP triphasé de type tension est inj 1 inj 2 inj 3
présentée par la Fig. 1 où l’on distingue l’onduleur et le filtre de l’onduleur dans le réseau triphasé.
sortie de la partie puissance ainsi que les différents blocs de la partie
Le lien entre le côté alternatif et le côté continu de l’alternateur se
contrôle-commande. La partie puissance est généralement constituée
d’un onduleur de tension à base d’interrupteurs de puissance, d’un fait à travers les interrupteurs u k et u k . Ces interrupteurs étant
circuit de stockage d’énergie (souvent capacitif) et d’un filtre de complémentaires, leur état est défini par la fonction suivante :
sortie du premier ordre. La partie contrôle-commande est composée
d’une première étape dont le rôle est l’identification des + 1, uk = − 1
harmoniques et d’une seconde étape qui réalise la régulation de la uk = pour k = 1, 2, 3 (3)
tension continue. Une troisième et dernière étape génère la − 1, uk = + 1
commande de l’onduleur.
L’expression reliant les tensions v f i à la tension continue Vdc
Partie puissance
2π
vsi = Vm sin ωt − (i − 1) i = 1,2,3 (1)
3 Fig. 2. Schéma d’un onduleur de tension triphasé.
IV. IDENTIFICATION DES HARMONIQUES AVEC LA METHODE B. Identification des harmoniques avec les Adalines
DES COURANTS DIPHASES Depuis une dizaine d’année, de nombreuses techniques basées sur
des réseaux neuromimétiques et sur l’Adaline en particulier ont été
A. Décomposition des courants développées pour identifier et filtrer les harmoniques dans les
La méthode des courants diphasés [7] travaille dans l’espace des systèmes électriques.
courants DQ. Elle nécessite de ce fait moins de calculs tout en étant Le réseau de neurones appelé Adaline (ADAptive LINear
plus précise et plus robuste que d’autres méthodes. Element) relie un vecteur d’entrée à une seule sortie à travers un
Considérons les courants pollués sur les trois phases donnés par la unique poids adaptatif. Le neurone effectue ce lien à travers une
relation suivante : fonction d’activation linéaire. Avec une règle d’apprentissage du
type LMS (Least-Mean-Square), l’apprentissage est réalisé par
ic1 cos(ωt − α 1) itération. Dans ce travail nous utilisons cette règle dont la
ic 2 = I cos(ωt − α 1 − 2π / 3)
1 convergence a été démontrée [8].
ic 3 cos(ωt − α 1 + 2π / 3) Dans notre application, deux Adalines sont nécessaire pour
(6)
cos (nωt − α1) extraire les courants harmoniques dans le repère DQ. La Fig.
+ ∑ I n cos(nωt − α1 − 2π / 3) 3 montre la topologie de l’identification des courants
n = 2⋯ N cos(nωt − α1 + 2π / 3) harmoniques diphasés. Ainsi, les deux courants de l’équation
(8) peuvent s’écrire comme suit :
où la première partie représente les courants fondamentaux et la
iD WD X D (t )
T
seconde représente la somme des distorsions harmoniques.
Ces courants peuvent s’écrire dans l’espace α β à l’aide de la = T (11)
iQ WQ X Q (t )
transformée de Concordia exprimée par la matrice T32 :
ic1 Pour un courant fondamental pollué par des harmoniques d’ordre
iα T 3 cos (ω t − α 1) n = 1, 5, 7, 11, 13⋯ N , on obtient :
= T32 ic 2 = I1
iβ 2 sin (ω t − α 1)
ic 3 (7)
T 3
3 cos (nω t − αn) WD = I1 cos α1 I 5 cos α 5 I 5 sin α 5 ⋯ I n sin α n
+ ∑ In 2
n = 2⋯ N 2 sin (nω t − αn )
X D (t ) = 1 cos 4ωt sin 4ωt ⋯ sin(n − 1)ωt
(12)
En appliquant une transformation de Park avec un angle de − ω t , T
W =
3
− I sin α I cos α − I sin α ⋯ − I sin α
2
Q 1 1 5 5 5 5 n n
les courants s’écrivent dans l’espace DQ comme indiqués ci-
dessous : X Q (t ) = 1 sin 4ωt cos 4ωt ⋯ cos(n − 1)ωt
W N (t ) e −
iα iβ
On peut voir que les composantes continues i D et i Q de (9) sont
iD +
issues de la fréquence fondamentale. D’un autre côté, les P(−ω K T ) iQ
~ ~
composantes alternatives i D et i Q de (10) proviennent quand à elles
iQ + ~
iQ P (ω K T )
des distorsions harmoniques. Ainsi, nous pouvons utiliser deux 1 W 0 (t )
−
filtres passe-bas afin de séparer les composantes continues des sin 4 ω k T W1 (t ) iˆQ + ~
iα
~
iβ
composantes alternatives. Pour retrouver les courants Σ − iref 1
harmoniques iinj dans le repère triphasé, nous effectuons e
T32 iref 2
successivement les transformations T 32 et P (ω t ) sur les courants de W N (t )
iref 3
l’équation (10).
Fig. 3. Structure d’identification par la méthode des courants diphasés.
V. LA COMMANDE DE L’ONDULEUR vue de la commande. Les réseaux de neurones représentent une
La structure du système de commande de l’onduleur peut être solution viable pour l’élaboration d’une commande d’un tel système
séparée en deux sous systèmes ayant des dynamiques différentes : dans la mesure où un neurocontrôleur constitue un contrôleur
l’une dite rapide qui est liée aux courants, et une autre dite lente qui adaptatif.
est associée à la tension continue. On peut de ce fait, synthétiser
deux régulateurs, un pour la boucle interne des courants et un autre
B. Commande avec un régulateur PI neuronal
pour la boucle externe de la tension continue. D’autre part, il est
La littérature scientifique fait état d’un grand nombre de stratégies
bien connu que la performance de la boucle des courants joue un
de commande à base des techniques neuromimétiques. Un exposé
rôle essentiel dans la performance globale du système ; c’est
détaillé sur différents schémas de commande à base de réseaux de
pourquoi une commande ayant une réponse rapide et un bon
neurones peut être consulté dans [9]. La commande d’un onduleur
comportement en état stationnaire s’avère nécessaire. Pour le réglage
monophasé par un réseau de neurones de type Adaline est réalisée
de la tension continue, l’utilisation de commandes classiques, en
dans [10]. Un réseau de neurones multicouche avec deux couches
particulier du type proportionnel-intégral (PI), semble être suffisante
cachées est utilisé pour apprendre une commande par hystérésis dans
pour obtenir des performances acceptables. C’est pour cette raison
[11-12]. Dans des travaux récents [5], quatre schémas
que ce travail est plutôt consacré à l’étude des différentes lois de
d’apprentissage sont utilisés pour la commande d’un onduleur
commande pour la boucle interne des courants.
triphasé.
L’objectif principal consiste à réinjecter les courants de référence
En exploitant la faculté d’apprentissage des réseaux de neurones,
dans le réseau électrique. Cette opération se fait à travers des ordres
nous avons élaboré un système permettant d’estimer les deux
de commande appliqués aux divers interrupteurs. Différentes
paramètres d’un régulateur PI. Le schéma de principe permettant
techniques de commande sont recensées dans la littérature. On peut
d’estimer le gain proportionnel et intégral du PI avec un Adaline est
citer la commande par hystérésis et la commande MLI (modulation
détaillé par la Fig. 5. Le vecteur d’entrée de l’Adaline possède deux
par largeur d’impulsion). La commande par hystérésis est basée sur
composantes : l’erreur et son intégral. Le poids W0 (k ) pondérant
le principe du réglage par mode glissant qui se résume pour un
l’erreur est associé au facteur P (Proportionnel) et le poids W1 (k )
système du premier ordre à simple relais. Elle est parfaitement
pondérant l’intégral de l’erreur est associé au facteur I (intégral).
adaptée aux organes de commande ayant une action à deux positions
L’erreur d’apprentissage sera e = iref − iinj et l’algorithme de mise à
comme c’est le cas pour l’onduleur.
jour des poids est la règle LMS.
Les approches classiques proposées dans ces comparatifs servent de L’approche neuronale utilise des Adalines pour l’identification
référence pour l’évaluation des performances des approches des courants harmoniques avec la technique des courants diphasés et
neuronales. La plus simple est constituée d’un filtre passe-bas pour un bloc de commande de l’onduleur. La commande de l’onduleur est
l’identification des courants harmoniques avec la technique des effectuée par un régulateur PI neuronal. La Fig. 7 donne un aperçu
courants diphasés et d’une commande de l’onduleur de type du courant source avant et après compensation. Le signal compensé
hystérésis. Cette technique vaut plus pour sa simplicité et sa facilité issu de cette approche purement neuronale est proche d’une
de mise en œuvre.Elle présente quelques désavantages qui limitent sinusoïde. De plus, l’apprentissage en ligne des réseaux de neurones
son usage dans des applications demandant une haute performance, permet une adaptation de la compensation aux fluctuations des
a) 200
a)
200
100 100
ic(A)
ic(A)
A
A
)
)
(
(
0 0
ic
ic
-100 -100
-200 -200
-300 -300
0.1 0.15 0.2 0.25 0.1 0.15 0.2 0.25
t(s) t(s)
Courants de réference Courants de réference
300 300
b) b)
200 200
100 100
iréf(A)
iréf(A)
f(A
f(A
)
)
e
0 0
ir
ir
-100 -100
-200 -200
-300 -300
0.1 0.15 0.2 0.25 0.1 0.15 0.2 0.25
t(s) t(s)
100 100
iac(A)
iac(A)
A
A
)
)
(
0 0
is
is
-100 -100
-200 -200
-300 -300
0.1 0.15 0.2 0.25 0.1 0.15 0.2 0.25
t(s) t(s)
THD
0.35 THD
THD avant c ompensation 0.35
d) 0.3
THD après compensation
d) 0.3
THD avant compensation
THD après c ompensation
0.25
0.25
THD
THD
0.2
D
0.2
H
HD
T
0.15
0.15
0.1
0.1
0.05
0.05
0
0.1 0.15 0.2 0.25 0
0.1 0.15 0.2 0.25
t(s)
t(s)
Décomposition spectrale
Dicomposition pectrale Dicomposit ion pectral
Décomposition e
spectrale Décomposition spectrale
Dicomposition pectrale Dicomposition pectrale
40 40 Décomposition spectrale
40 40
e) 35 35
e)
35 35
30 30 30 30
.
25 25 25 25
Amplitude
A m p l it u d e
Amplitude
Amplitude
Amplitude
A m plit u d e
A m p lit u d e
A m p lit ud e
20 20 20
20
15 15 15
15
10
10 10
10
5
5 5
5
0 0
0 4 5 6 7 8 9 10 11 12 13 14 15 4 5 6 7 8 9 10 11 12 13 14 15 0
4 5 6 7 8 9 10 11 12 13 14 15 4 5 6 7 8 9 10 11 12 13 14 15
Ordre harmoniques
Ordre harmoniques Ordre harmoniques Ordre harmonique Ordre harmoniques
Ordre harmonique Ordre harmonique Ordre harmonique
Fig. 6. Performance de la compensation classique pour une variation Fig. 7. Performance de la compensation neuronale, a) le courant
en ligne de ic , a) le courant pollué par des harmoniques 5, 7, 11 et 13, pollué, b) le courant harmonique identifié, c) le courant après
b) le courant harmonique identifié, c) le courant après compensation, compensation, d) le THD avant et après compensation, e) la
d) le THD avant et après compensation e) la décomposition spectrale décomposition spectrale des courants avant et après compensation.
des courants avant et après compensation.
perturbations. Le THD mesuré est de 1.4% grâce à cette approche harmoniques dans l’espace DQ afin de séparer linéairement chaque
au lieu de 3.38% avec l’approche classique. On peut constater que la composante fréquentielle.
compensation par la technique neuronale a nettement amélioré la La commande de l’onduleur est réalisée par un régulateur PI
qualité du courant. neuronal capable de s’adapter aux variations de la charge. Ce
Les bonnes performances de la compensation par la technique schéma de commande reprend le principe d’un régulateur PI et
neuronale sont confirmées par la Fig. 7 (e) qui illustre la emploie un réseau Adaline pour ajuster les paramètres proportionnel
décomposition spectrale du courant avant et après compensation et intégral.
pour les harmoniques d’ordre 5, 7, 11, 13. Les amplitudes de ces Des comparatifs réalisés en simulation démontrent que l’approche
harmoniques sont fortement atténuées grâce à l’approche neuronale. « tout neuromimétique » conduit à des résultats qui dépassent ceux
d’une approche dite classique.
C. Régulation de la tension continue