MPPT 

: Maximum power point tracking

MPP : Maximum power point
LMPP : Local maximum power point
GMPP : Global maximum power point
GPV : Courant Court-circuit
Isc : Courant Court-circuit
Voc : tension en circuit ouvert
Imp : courant du point de puissance maximale
P : puissance
PSCs : Partial shading conditions
PV : Photovoltaic RPV Re-configurable
PV : CCM Continuous conduction mode
CVT : Constant voltage tracking
OVT : Open-circuit voltage tracking
LT : Look-up table method
CS : Current scanning method
CF : Curve fitting method
SCT : Short-circuit current tracking
P&O : Perturb and observe
IC : Incremental conductance
PC : Parasitic capacitance
RCC : Ripple correlation control
PAC : Photovoltaic array combination
AM : Actual measurement
PF : Power feedback
FLC : Fuzzy logic controller
RBF : Radial basis function
NN : Neural network controller
SMC : Sliding mode control
SS : Simple series
FWA : Firework algorithm
SWS : Switching set
Z-Z : Zig-Zag
BA : Bate algorithm
TCT :Total cross tied
SP : Series parallel
HC : Honey-comb
BL : Bridge link
BIPV : Building integrated PV
IE : Irradiance equalization
DPST : Double-pole single-throw
SPST : Single-throw type switches
SPDT : Single-pole dual-throw
GA : Genetic algorithm
DE : Differential evolution
PSO : Particle swarm optimization
ACO : Ant colony optimization
ABC : Artificial bee colony algorithm
SSA : Salp Swarm Algorithm
FA : Firefly algorithm
OD-PSO : Overall distribution-PSO
IPSO : Improved PSO
NPU : New pheromone updating
MH : Metaheuristic
GWO : Gray wolf optimizer
MSSA : Memetic salp swarm algorithm
SSM : Segmentation search method
FLS : Fibonacci linear search algorithm
RCGA : Real coded improved GA
CCP : Common coupling point
VO-MPPT : Voltage-oriented MPPT
DS : Dominance square
VF : Voltage feedback method
Introduction
Il existe des techniques de commande spécifiques permettant d'amener des dispositifs à fonctionner à
leurs points de caractéristiques maximum, sans qu'il soit nécessaire de connaître à l'avance ces points,
ni le moment où ils ont été modifiés, ni les raisons de ces modifications. Pour les sources d'énergie,
cela se traduit par la recherche des points de puissance maximale, et cette technique est communément
appelée "recherche du point de puissance maximale" ou "maximum power point tracking" (MPPT) en
anglais. Le principe de cette technique consiste à rechercher le point de puissance maximale (MPP)
tout en assurant une adaptation parfaite entre le générateur et sa charge, de manière à transférer le
maximum de puissance disponible

Principe De La Commande MPPT

En utilisant une commande MPPT et un étage intermédiaire d'adaptation, un système
photovoltaïque peut être exploité de manière à produire en continu la puissance maximale. Cette
commande permet de placer le système à son point de fonctionnement optimal indépendamment des
conditions météorologiques telles que la température et l'irradiation. L'optimisation de la chaîne de
conversion photovoltaïque est réalisée en utilisant un convertisseur statique (CS) commandé par une
MPPT [1]. Le schéma de ce système peut être représenté par la (Figure 1).

Figure 1 Chaîne de conversion d’énergie solaire

La commande MPPT utilise un signal électrique pour modifier le rapport cyclique du convertisseur
statique (CS) de manière à maximiser la puissance délivrée par le GPV. L'algorithme MPPT peut être
plus ou moins complexe pour rechercher le MPP, mais il implique généralement la variation du
rapport cyclique du CS en fonction des paramètres d'entrée tels que l'intensité et la tension, et donc de
la puissance du GPV, afin de se placer sur le MPP [2] .

Figure 2 Principe de la commande MPPT

Techniques MPPT
Depuis leur apparition en 1968, les techniques de MPPT ont connu un grand développement,
initialement pour des applications spatiales. Aujourd'hui, on peut trouver dans la littérature
scientifique plus d'une vingtaine de méthodes MPPT diverses. Ces méthodes varient en
termes de complexité, de rapidité, de robustesse et de stabilité. Dans la suite, nous allons
présenter les méthodes les plus couramment utilisées, Les méthodes existantes examinées sont
regroupées comme dans la figure 1, où elles sont divisées en trois types principaux comme suit:

- Méthodes MPPT traditionnelles (conventionnelle classique)

- les méthodes MPPT basées sur un contrôle intelligent
- Méthodes MPPT dans le cadre des CSP

Figure 3Classification simplifiée de certaines méthodes et technique de contrôle MPPT.

Méthodes MPPT traditionnelles (conventionnelle classique)

On peut classer les méthodes MPPT traditionnelles couramment utilisées en deux catégories : les
méthodes de contrôle basées sur la sélection des paramètres et les algorithmes de contrôle MPPT
directs basés sur les données échantillonnées.
Méthodes de contrôle fondées sur la sélection des paramètres
Les algorithmes de contrôle basés sur la sélection des paramètres cherchent à obtenir un contrôle
précis du point de puissance maximale en exploitant les données sur les paramètres d'un panneau
photovoltaïque ainsi que les informations mesurées sur les conditions de fonctionnement. En utilisant
les paramètres physiques intrinsèques du panneau, ainsi que les mesures d'irradiation et de
température, il est possible d'établir un modèle mathématique optimisé qui permet de prédire les
courbes caractéristiques P-V et I-V dans des conditions de fonctionnement données, et donc de
déterminer le point de puissance maximale. Les modèles de circuits équivalents des cellules
photovoltaïques sont couramment utilisés dans cette approche, et la précision des divers paramètres de
ces modèles est cruciale pour assurer une performance optimale. Les méthodes de contrôle de cette
catégorie comprennent notamment les CVT, OVT, SCT, LT, CS, CF, etc., et des exemples
représentatifs sont décrits ci-dessous
La méthode MPPT de sélection de paramètres la plus simple est le CVT, qui se base sur l'hypothèse
d'une relation linéaire entre la tension du module à son point de puissance maximale et la tension en
circuit ouvert. Cette méthode régule la tension aux bornes du module en fonction de la valeur en
circuit ouvert. Cependant, cette méthode n'est pas en mesure d'agir un MPPT optimal, en particulier
lorsque les variations de température sont importantes [3].
OVT suit le même principe que CVT, sauf que cette méthode part du circuit ouvert et réduit la tension
du module en incréments de tension variables pour suivre la tension variable. On peut également
observer, à partir des caractéristiques de sortie du panneau photovoltaïque, que lorsque la tension en
circuit ouvert (𝑉𝑜𝑐) change sous différentes irradiance et températures, la tension maximale du point
de puissance (𝑉𝑚𝑝) varie approximativement de manière proportionnelle. On peut calculer une
relation linéaire approximative entre 𝑉𝑚𝑝 et 𝑉𝑜𝑐 à l'aide de cette méthode [3].

𝑉𝑚𝑝 = 𝐾𝑉. 𝑉𝑜𝑐

𝐾𝑉 Facteur de tension constant (< 1)

Le principe de la SCT est similaire à celui de la méthode CVT. Les caractéristiques de sortie du
panneau photovoltaïque montrent que lorsque le courant de court-circuit (𝐼𝑠𝑐) du panneau
photovoltaïque change avec l'environnement, principalement en raison de l'irradiance, le courant du
point de puissance maximale (𝐼𝑚𝑝) varie également approximativement de manière linéaire avec 𝐼𝑠𝑐.
[3] On peut calculer une relation linéaire approximative entre 𝐼𝑚𝑝 et 𝐼𝑠𝑐 sous cette irradiance à l'aide
des équations suivantes :

𝐼𝑚𝑝 = 𝐾𝐶. 𝐼𝑠𝑐

Avec 𝐾𝐶 Factor de courant constant (< 1)

Méthodes de contrôle direct fondées sur des données échantillonnées

On peut suivre le point de puissance maximale en utilisant des données échantillonnées telles que la
tension, le courant et la puissance d'un panneau photovoltaïque, grâce à des méthodes directes qui ne
dépendent d'aucun modèle de PV. Ces méthodes sont simples à mettre en place et sont largement
utilisées. Elles comprennent notamment P&O, IC, PC, RCC, PAC, AM, VF, PF, etc. Elles peuvent
être combinées avec des algorithmes de recherche intelligents pour améliorer encore leur précision et
leur vitesse de suivi. Voici un résumé de certaines de ces méthodes.
Perturbation et Observation (P&O)
Cette méthode, largement utilisée et décrite dans plusieurs articles [4] - [5], se distingue par sa
structure simple et sa facilité d'instruction. Elle permet également d'obtenir des résultats intéressants.
Le principe de cette méthode est de perturber le point de fonctionnement (en augmentant ou en
diminuant la tension de fonctionnement) et d'observer son effet sur la puissance (P). Si la puissance
augmente (∆ P > 0), cela signifie que l'on se rapproche du point de puissance maximale (PPM), on
continue alors la perturbation dans le même sens. Si au contraire, la puissance diminue (∆ P < 0), cela
signifie que l'on s'éloigne du PPM, il faut donc inverser la perturbation. La figure II.8 illustre le
principe de fonctionnement de cette méthode.

Figure 4 Principe de la MPPT avec la méthode PO

La méthode consiste à récupérer le courant et la tension PV pour calculer la nouvelle puissance (t) et la
variation de tension (𝛥𝛥𝑉). Si la puissance a augmenté (∆ > 0), alors on continue d'augmenter la
tension (si > 0) ou sur la diminue (si < 0). Dans le cas contraire (∆ < 0), il faut inverser la
perturbation : augmenter la tension si < 0 et la diminuer si > 0. L'organigramme de cette méthode est
représenté par la Figure II.9. Cette technique est largement utilisée en raison de sa structure simple, de
sa facilité de mise en œuvre et des résultats satisfaisants qu'elle permet d'obtenir.
 Figure 5 Organigramme de la méthode PO

L'un des inconvénients de cette méthode apparaît lorsqu'il y a un changement rapide de la lumière, car
la puissance du point de recherche sera perturbée par l'ensoleillement et non par l'altorithme de
perturbation. Cela peut conduire l'indicateur à diverger, ce qui nécessite du temps pour revenir dans la
bonne direction et plus de temps pour atteindre le PPM
On peut constater sur la Figure II.10 le problème que rencontre cette méthode lorsqu "il y a un
changement rapide d'ensoleillement. Imaginons que l'on se trouve initialement en A, en train de
rechercher le PPM en augmentant la tension (∆ > 0) et supposons que l'entretien reste constant ou
varie lentement. Si la prochaine mesure de puissance est prise en B et qu'elle est plus élevée (∆ > 0),
alors on continue d'augmenter la tension, ce qui nous rapproche du PPM. Cependant, si un changement
brusque de lumière se produit, ce qui nous fait passer en C, la puissance mesurée sera inférieure (∆ > 0
et ∆ < 0), la tension sera donc diminuée et nous nous éloignerons du PPM. Ce problème peut entraîner
la divergence de l'algorithme , ce qui peut nécessiter plus de temps pour revenir dans le bon sens et
atteindre le PPM.
 Figure 6 Changement rapide de température dans le cas de la MPPT avec P&O

Dans la méthode MPPT classique, le suivi du point de puissance maximale se fait en observant la
variation de la puissance sur la courbe P-V. Cependant, lorsqu "un changement rapide de lumière
survient, la variation de la puissance peut être perturbée par l'ensoleillement et non par l'altorithme, ce
qui peut entraîner une divergence de l'altorithme et un temps de récupération supplémentaire pour
atteindre le PPM.
Pour résoudre ce problème, la méthode de la Conductance Incrémentale (IC) a été proposée. Cette
méthode surveille la pente de la courbe P-V en prenant en compte la variation du courant. Ainsi, la
position du point de recherche par rapport au PPM est déterminée par la surveillance de la pente de la
courbe. Même en cas de changement brusque de lumière, la pente de la courbe reste du même signe,
ce qui permet de maintenir la recherche dans la même direction. Cette méthode sera expliquée en
détail dans le paragraphe suivant.
Cette méthode présente un autre défi qui concerne le pas de perturbation de la tension. Si le pas est
grand, l'algorithme sera plus rapide, mais cela entraînera de grandes oscillations de la puissance, en
particulier autour du PPM. Pour résoudre ce problème, plusieurs travaux ont été réalisés. Par exemple,
Femia et ses collègues [6] ont proposé un pas variable (dynamique) qui augmente pendant les jours
ensoleillés et diminue pendant les périodes de faible ensoleillement. D'Souza et ses collègues [7] ont
utilisé la logique floue pour optimiser le pas de perturbation, tandis que Sahnoun et ses collègues [8]
ont utilisé la méthode des réseaux de neurones artificiels (ANN).
Il est à noter qu'un autre problème avec la méthode PO est la convergence vers un optimum local, qui
ne peut pas correspondre au PPM, surtout en cas d'accident partiel. Pour résoudre ce problème, une
combinaison de la méthode PO avec la méthode d'optimisation par Essaims Particulaires (PSO) a été
proposée par Lian et al. [9]. D'autre part, El-Helw et al. [10] ont utilisé une combinaison de la méthode
PO avec les Réseaux de Neurones Artificiels (ANN) pour éviter la convergence vers un optimum
local.
Conductance incrémentale (IC)
La méthode en question est à la fois simple à mettre en œuvre et très répandue [11] - [12]. Elle résout
le problème de la divergence de la puissance optique qui peut survenir lorsqu'il y a une variation
rapide de l'enseignement en se basant sur la détermination du signe de la dérivée de la puissance (c'est-
à-dire la pente), qui reste inchangée en cas de changement d'enseignement (voir Figure 7)

Figure 7 Principe de la MPPT avec la méthode IC

On peut exprimer la relation entre la puissance et la tension sous la forme d'une fonction qui
montre comment la puissance varie en function de la tension:

∆ P ∆(I .V ) ∆V ∆I
= =I . +V
∆V ∆V ∆V ∆V
Donc :
∆P ∆I
=I+ V
∆V ∆V

∆P
Au point de puissance maximale la dérivée de la puissance s’annule ( =0) ,ce qui
∆V
donne:
∆ P −I
=
∆V V
On peut remarquer que la vérification du signe de la pente revient à comparer la
conductance ( I /V ) et son increment ( ∆ I /∆ V ) :
∆P ∆I I
> 0⟹ > - ⟹ à 𝑔𝑎𝑢𝑔𝑔ℎ𝑒 𝑑𝑑𝑢 𝑃𝑃𝑀 (𝑃𝑒𝑛𝑡𝑒 𝑝𝑝𝑜𝑠𝑖𝑖𝑡𝑖𝑖𝑣𝑒) ⟶ 𝑎𝑢𝑔𝑚𝑒𝑛𝑡𝑒𝑎𝑎 𝑉
∆V ∆V V
∆P ∆I I
< 0⟹ < - ⟹ à 𝑑𝑑𝑎𝑎𝑜𝑖𝑖𝑡𝑒 𝑑𝑑𝑢 𝑃𝑃𝑀 ⟶ 𝑑𝑑𝑖𝑖𝑚𝑖𝑖𝑛𝑢𝑒𝑎𝑎 𝑉
∆V ∆V V
∆P ∆I I
≈ 0⟹ ≈ - ⟹ 𝑎𝑢 𝑣𝑜𝑖𝑖𝑠𝑖𝑖𝑛𝑎𝑔𝑒 𝑃𝑃𝑀
∆V ∆V V
 Il est possible d'améliorer cette méthode en procédant en deux étapes distinctes pour optimiser
le point de fonctionnement d'un système [13]. Tout d'abord, le point de fonctionnement initial peut être
ajusté pour se rapprocher du point de puissance maximale (MPP) souhaité. Ensuite, pour suivre
précisément le MPP, l'algorithme IncCond est utilisé. En général, le point de fonctionnement initial est
déterminé en fonction d'une charge résistive proportionnelle au rapport de la tension de circuit ouvert
(Voc) sur le courant de court-circuit (Isc). Ces deux approches permettent de maintenir le véritable
MPP même en présence de plusieurs maxima locaux. Une autre méthode consiste à utiliser la
conductance instantanée et l'incrémentation de la conductance pour générer un signal d'erreur, ce qui
peut également contribuer à optimiser le fonctionnement du système. [14].
I ∆I
e= +
V ∆V
L'équation ( ) montre que l'erreur est nulle au MPP, ce qui permet d'utiliser un régulateur PI pour la
compenser. La mesure simultanée de la tension et du courant instantanés du panneau PV
nécessite l'utilisation de deux capteurs distincts. La méthode IncCond est particulièrement bien
adaptée à la commande par DSP ou microcontrôleur, car ces dispositifs peuvent stocker en mémoire
les valeurs précédentes de la tension et du courant

Commande MPPT intelligente (avancées)

La caractéristique P-V d'un module photovoltaïque est une courbe non linéaire qui peut changer en
fonction de la température et de l'irradiation. De plus, elle peut présenter plusieurs pics, ce qui peut
rendre la méthode de contrôle MPPT conventionnelle inefficace. Pour surmonter ces défis, des
méthodes de contrôle MPPT basées sur des algorithmes intelligents ont été développées et largement
utilisées avec succès. Parmi ces méthodes, on peut citer la logique floue (FLC), les réseaux de
neurones (NN), la commande par mode glissant (SMC), etc. Dans les lignes suivantes, nous
analyserons en détail certaines de ces méthodes de

Contrôleur flou (FLC)

Les travaux de L. Zadeh en 1965 ont introduit la logique floue. Contrairement à la commande
classique en automatique, la commande floue a pour objectif de réguler et poursuivre un processus
sans nécessiter de modèle explicite. Elle repose plutôt sur l'application d'opérateurs qualifiés qui
manipulent le processus pour élaborer la loi de commande [15]. La poursuite du point PPM en logique
floue se divise en deux phases : une première phase de recherche rapide avec un grand pas, suivie
d'une seconde phase plus fine avec un petit pas pour stabiliser le système et réduire les oscillations
autour du point PPM. Pour mettre en place un contrôleur flou, trois étapes sont nécessaires : la
fuzzification, l'implication et la défuzzification [16].
Contrôleur MPPT flou

Figure 8. Principe du Contrôleur flou

Ppv ( k )−Ppv (k −1)

e(k)=
Ipv ( k )−Ipv (k −1)
∆ e(k)= e(k)- e(k-1)
 n

∑ u ( ∆ iref j )−∆iref
∆ iref = j=1 n

∑ u ( ∆ iref j )
j=1

En général, la commande logique floue comprend donc trois étapes communément nommées dans la
littérature
la fuzzification :
La fuzzification est une étape importante dans le processus de logique floue qui permet de transformer
les variables d'entrée en variables linguistiques ou variables floues. Avant cela, il est nécessaire de
définir un intervalle de variation maximum autorisé pour les variables d'entrée. Dans notre cas, les
variables d'importance sont l'importance E (k) et la variation d'importance ΔE à l'importance k. La
fuzzification permet de rendre ces variables d'entrée floues, afin de les rendre plus voulues pour
l'analyse logique floue.
L'entrée E (k) indique si le point de fonctionnement de la charge est positionné à droite ou à gauche du
point de puissance maximale de la courbe P-V. Un résultat positif de cette valeur signifie que le point
de fonctionnement est situé à gauche du point MPP, tandis qu'une valeur négative indique que le point
de fonctionnement se trouve à droite du point MPP. De l'autre côté, l'entrée ΔE (k) permet d'évaluer la
direction dans laquelle le point de fonctionnement se déplace par rapport au point MPP, ce qui nous
permet d'estimer la vitesse de convergence vers le point MPP
Connaissant ces deux entrées, on peut décider quelle sera la variation du rapport cyclique qu’on doit
imposer en agissant sur le Buck-Boost.
On commencera par convertir les variables numériques d'origine en variables linguistiques en leur
attribuant des sous-ensembles flous qui correspondent aux fonctions d'appartenance préalablement
définies. Plusieurs fonctions d'attribution peuvent être définies pour une même variable, telles que «
négatif grand » ou « positif grand » (NB ou PB), « négatif petit » ou « positif petit » (NS ou PS), et «
zéro » (ZE),et «Négatif moyen » ou «Positif moyen» (NM ou PM) comme illustré dans la figure 6 et
7. La précision de la logique floue dépendance du nombre de sous-ensembles flous ; plus il y en a,
plus la précision est grande. En somme, l'état de fuzzification permet de passer du domaine réel au
domaine flou

Figure 9Fonctions d’appartenance des entrées E(K) et ∆ E(K)

 Figure 10Fonction d’appartenance de la sortie D

Inférence :
La deuxième étape du processus est l'implication, qui consiste à déterminer les degrés de composition
des fonctions de sortie floues en utilisant une table d'implication [17]. Cette table résume toutes les
règles basées sur l'expérience humaine, l'expérience, la connaissance du système et l'information. Elle
attribue une variable linguistique à ∆D, qui dépend de différentes combinaisons de e et ∆e. En somme,
les changements dans le cycle D dépendent de la différence entre le point de fonctionnement et le
MPP. Lorsque le point de fonctionnement se rapproche du MPP, des incréments de cycle D par ∆D
sont appliqués périodiquement jusque "à ce que le MPP soit atteint, ainsi la sortie sera elle aussi
définie par plusieurs fonctions. Plusieurs méthodes peuvent être utilisées

 Méthode d’inférence MAX-MIN.

 Méthode d’inférence MAX-PROD.
 Méthode d’inférence SOMME-PROD.
E
∆E NG NM NP EZ PP PM PG

NG NG NG NG NG NM NP EZ
NM NG NG NG NM NP EZ PP
NP NG NG NM NP EZ PP PM
EZ NG NM NP EZ PP PM PG
PP NM NP EZ PP PM PG PG
PM NP EZ PP PM PG PG PG
PG EZ PP PM PG PG PG PG
Tableau 1 Exemple d’une table de vérité pour une commande logique floue.

La défuzzification :
Après l'état d'urgence, on dispose d'une fonction d'excellence floue pour la variable de sortie.
Cependant, pour que le convertisseur DC-DC puisse être contrôlé par le rapport cyclique D, il est
nécessaire de transformer cette information floue en une information déterministe, appelée
défuzzification. Il existe plusieurs méthodes de défuzzification couramment utilisée, parmi lesquelles
- Centre de Gravité (CDG)
- Premier Maximum
- Dernier Maximum
- Centre Maximum
 Réseau neuronal

Figure 11 architecture de Réseau neuronal

Les réseaux neuronaux sont une technologie de traitement de l’information relativement récente. Ils
sont composés de trois couches principales : la couche d’entrée, la couche cachée et la couche de
sortie, comme illustré dans la figure 3. Dans les systèmes photovoltaïques, les réseaux neuronaux sont
entraînés à l’aide de nombreux échantillons de données d’entrée et de sortie pour former des variables
telles que les poids et les biais du réseau, ce qui crée un modèle mathématique de la fonction inconnue
du système. Les paramètres d’entrée peuvent inclure Voc, Isc et les paramètres de sortie peuvent
inclure le taux de rendement, la tension, etc. Le processus d’entraînement peut prendre beaucoup de
temps et le nombre de neurones dans la couche cachée a un impact significatif sur le temps
d’entraînement et la précision des résultats. À ce jour, de nombreux chercheurs ont combiné les
réseaux neuronaux avec d’autres algorithmes intelligents pour obtenir de meilleurs résultats [18].

SMC Sliding mode control

Une méthode de contrôle MPPT basée sur la discontinuité de la commande est proposée. Cette
méthode exploite la conversion à haute fréquence pour amener le système en boucle fermée à atteindre
et à maintenir la surface de glissement conçue. Bien qu'elle améliore considérablement la vitesse de
suivi du système photovoltaïque, le choix de la taille de pas de la profondeur de modulation du
dispositif de commutation peut affecter les caractéristiques dynamiques et stationnaires du suivi du
système. Pour améliorer les performances en régime permanent de la commande, une nouvelle surface
de glissement est conçue en combinant le contrôle de tension externe avec P&O et le film différentiel
intégral adaptatif. Les termes dérivés et intégraux sont choisis pour éliminer le dépassement lors de
changements rapides de l'irradiation solaire et minimiser les fluctuations à l'état stable [19].

Méthodes de contrôle MPPT du système PV dans le cadre des PSC

Certains chercheurs ont proposé des méthodes pour résoudre le problème de la chute de puissance
de sortie du système PV sous PSC causé par la propriété multi pic de sa courbe caractéristique. Ces
méthodes ont montré une précision accrue du MPPT, ce qui augmente la puissance de sortie du
panneau PV. Cependant, elles nécessitent une mesure de données en temps réel et des configurations
de circuits spéciaux, ce qui peut être contraignant. Heureusement, avec le développement de la théorie
moderne du contrôle et de l'intelligence artificielle, des méthodes plus pratiques et fiables pour un
suivi optimal global sont devenues disponibles. Ces méthodes de contrôle intelligentes émergentes
peuvent être regroupées en quatre catégories principales :
 Méthodes de contrôle matériel basées sur la reconfiguration des baies
 ii. Méthodes de contrôle basées sur des algorithmes d’intelligence artificielle
 iii. Amélioration des méthodes de contrôle direct basées sur l’auto optimisation des
perturbations;
 iv. Certaines méthodes MPPT sont basées sur d’autres principes.

Méthode de contrôle matériel basée sur la reconfiguration de la baie

Les méthodes de contrôle matériel basées sur la reconfiguration des panneaux photovoltaïques
consistent à modifier la configuration de connexion du réseau photovoltaïque en utilisant des
commutateurs, des capteurs et des contrôleurs. L'objectif est d'augmenter l'immunité du système aux
PSC
Méthodes de contrôle basées sur des algorithmes d’intelligence artificielle
Les méthodes les plus populaires pour le contrôle de l’IA sont actuellement les algorithmes tels que
PSO (Kennedy et Eberhart, 1995), ABC (Karaboga, 2005), ACO (Dorigo et Gambardella, 1997), SSA
(Mirjalili et al., 2017), GWO (Mirjalili et al., 2014), GA (Hollande, 1992), DE (Storn et Price, 1997),
entre autres. Ces méthodes ont été largement appliquées aux panneaux photovoltaïques et ont
démontré leur efficacité pour le suivi de point de puissance maximale (MPPT) dans les systèmes
photovoltaïques soumis à des perturbations de caractéristiques solaires (PSC).
Amélioration des méthodes de contrôle direct basées sur l’auto-optimisation des perturbations
L'optimisation des perturbations est une méthode de contrôle direct qui utilise des données
échantillonnées et qui est améliorée en fonction des besoins de suivi du système photovoltaïque.
Cependant, les algorithmes de contrôle direct traditionnels basés sur des données échantillonnées
peuvent tomber en panne sous un éclairage non uniforme, car ils sont susceptibles de se coincer dans
un point de puissance maximale local. Pour remédier à cette limitation, plusieurs techniques ont été
proposées pour améliorer les algorithmes de contrôle direct traditionnels. Voici quelques exemples
d'analyses spécifiques :
Une méthode combinant deux algorithmes, à savoir la recherche progressive et le contrôle direct
traditionnel, est appelée approche hybride. Cette méthode divise le processus de recherche en deux
phases distinctes pour obtenir une solution optimale.

 Affiner la recherche en déplaçant le point de travail;

 Recherchez le point de puissance maximale global à l’aide d’un algorithme conventionnel

dans une petite plage.

Une nouvelle puce électronique modifiée a été développée pour assurer un suivi optimal de la
puissance maximale du système photovoltaïque sous ombrage partiel en utilisant un algorithme MPPT
basé sur le décalage de région de la courbe P-V. Cette approche consiste à diviser la courbe P-V en
plusieurs régions et à déplacer le point de fonctionnement d'une région à l'autre pour suivre le pic de
puissance global, sans avoir recours aux techniques inspirées de la nature [20].
Méthodes MPPT basées sur d’autres méthodes

D'autres méthodes de contrôle de suivi ont été étudiées, qui ne sont pas clairement classées dans les
catégories mentionnées ci-dessus. Ces méthodes comprennent la méthode SSM, la méthode FA, la
méthode 0,8Uoc et la méthode FLS, etc. Bien que peu référencées, une brève présentation est faite ici.

La méthode de recherche par segmentation et la méthode de recherche aléatoire sont utilisées

respectivement, offrant une vitesse de suivi rapide et une efficacité élevée pour le GMPPT dans la
plupart des cas. Cependant, ces deux méthodes sont gourmandes en calcul et ont une précision limitée.

Des chercheurs ont appliqué l'algorithme de recherche linéaire de Fibonacci amélioré pour le contrôle
de suivi du point de puissance maximale, obtenant une vitesse de réponse rapide pour s'adapter aux
changements dynamiques lors de l'initialisation ou lors de variations des conditions
environnementales. Dans le même temps, l'oscillation de puissance en régime permanent est réduite, et
les performances de suivi et la vitesse de réponse rapide sont améliorées sous PSC [21].

Classification et résumé des méthodes de contrôle MPPT dans les PSCs

Le tableau 3 présente l'évaluation de l'efficacité de différentes méthodes de contrôle MPPT
pour les PSCs en termes de six aspects tels que la complexité, la vitesse de suivi, le coût, etc. Chaque
indicateur de performance est évalué sur une échelle de trois à cinq niveaux, à savoir faible, moyen,
moyen-faible, moyen-élevé et élevé. D'après le tableau 3, il est évident que les méthodes de
reconfiguration des réseaux et les méthodes améliorées de contrôle direct sont très complexes,
coûteuses et difficiles à mettre en œuvre. Bien que les méthodes d'intelligence artificielle soient très
complexes, elles offrent une vitesse de suivi rapide, une grande efficacité et une précision élevée.
D'autres méthodes peuvent être classées comme plus spécifiques et conviennent mieux à des types
particuliers de systèmes photovoltaïques.
 Tableau 2 comparaison des performances de certains MPPT

Category MPPT MPPT performance indicator

complexity Tracking cost Efficiency Accuracy Hardware
speed implementation

Array SS,SP,BL,TCT High Slow High <90% Medium-low difficult

Reconfiguration Ect.
MPPT methods
metods
under PSGs Improve direct ABS-P&O High fast High >99% High difficult
control methods ACO-P&O
PSO-CI etc

PSO Medium-high Fast High >98% High Medium

ACO Medium-high Fast High >98.5% High Medium
Artificial
ABC Medium-high Fast High >99% High Medium
intelligentce
methods FA Medium-high Fast High >98.5% High Medium
SSA Medium Fast High >99% High Medium
GA Medium-high Fast High >98% Medium –high Easy
DE Medium Fast High >98% Medium- high Easy
Other methods SS,RS,FLS, Medium-high Fast High >98% Medium-high Medium
FWA,ect
Medium Fast High >98% High Easy
Medium-low Medium Medium <90% Medium-low Easy
Conclusion

Dans ce cette chapitre, nous avons entamé la partie la plus importante et la plus délicate de cette étude.
Il s’agit de présenter le principe principe De Commande du point de puissance maximale tout en
donnant les différentes classifications des commandes MPPT. Nous avons détaillé les différentes
méthodes MPPT rencontrées le plus souvent dans la littérature. L'existence de plusieurs types de
commandes MPPT montre que ce domaine de recherche est en perpétuel évolution et qu’il est difficile
de trouver une ou plusieurs solutions universelles

Références Bibliographiques
[1] Aamarouayache Mohamed, « contribution à l’optimisation d’une chaine de conversion
d’énergie photovoltaïque », doctorat en sciences en électrotechnique option ,2014

[2] J. Ferrieux, f. Forest, « alimentations a découpage convertisseurs a résonance: principes

composants modélisation ». Paris, france: dunod, 1999.

[3] Pratima Das. «Maximum Power Tracking Based Open Circuit Voltage Method for PV System»
India, Mumbai.Karunya University, Coimbatore, 2015

[4] B. Das, A. Jamatia, A. Chakraborti, P. R. Kasari, et M. Bhowmik, « New Perturb and Observe
MPPT algorithm and its validation using data From PV module », Int. J. Adv. Eng. Technol., vol. 4,
no 1, p. 579-591, 2012

[5] T. C. C. Saibabu et J. S. Kumari, « Modeling and Simulation of PV Array and its

Performance Enhancement Using MPPT (P&O) Technique », Int. J. Comput. Sci.
Commun. Netw., vol. 1, no 1, p. 9-16, oct. 2011.

[6] N. Femia, G. Petrone, G. Spagnuolo, et M. Vitelli, « Optimizing sampling rate of P&O

MPPT technique », in 35th Annual IEEE Power Electronics Specialists Conference, Aachen,
Germany, 2004, p. 1945-1949.

[7] N. S. D’Souza, L. A. C. Lopes, et X. Liu, « Comparative study of variable size

perturbation and observation maximum power point trackers for PV systems », Electr.
Power Syst. Res., vol. 80, no 3, p. 296-305, mars 2010.

[8] M. A. Sahnoun, H. M. R. Ugalde, J.-C. Carmona, et J. Gomand, « Maximum

Power point Tracking Using P&O Control Optimized by a Neural Network Approach: A
Good Compromise between Accuracy and Complexity », Energy Procedia, vol. 42, p.
650-659, 2013

[9] K. L. Lian, J. H. Jhang, et I. S. Tian, « A Maximum Power Point Tracking Method

Based on Perturb-and-Observe Combined With Particle Swarm Optimization », IEEE J.

[10] H. M. El-Helw, A. Magdy, et M. I. Marei, « A Hybrid Maximum Power Point Tracking

Technique for Partially Shaded Photovoltaic Arrays », IEEE Access, vol. 5, p. 11900-11908,
2017.

[11] K. H. Hussein, « Maximum photovoltaic power tracking: an algorithm for rapidly

changing atmospheric conditions », IEE Proc. - Gener. Transm. Distrib., vol. 142, no 1, p. 59,
1995.
[12] A. Safari et S. Mekhilef, « Simulation and Hardware Implementation of Incremental
Conductance MPPT With Direct Control Method Using Cuk Converter », IEEE Trans. Ind.
Electron., vol. 58, no 4, p. 1154-1161, avr. 2011

[13] K. S. Tey et S. Mekhilef, « Modified incremental conductance MPPT algorithm to

mitigate inaccurate responses under fast-changing solar irradiation level », Sol. Energy, vol.
101, p. 333-342, mars 2014

[14] Sera, D.; Mathe, L.; Kerekes, T.; Spataru, S.V.; Teodorescu, R. On the Perturb-and-
Observe and Incremental Conductance MPPT Methods for PV Systems. IEEE J. Photovolt.
2013, 3, 1070–1078

[15] Vasantharaj Subramanian 1,«Modeling and Analysis of PV System with Fuzzy Logic
MPPT Technique for a DC Microgrid under Variable Atmospheric Conditions » MOBI-
Mobility, Logistics and Automotive Technology Research Centre, Vrije Universiteit Brussel,
Ixelles, 1050 Brussels, Belgium 2021, 10, 2541

[16] ABDELBASET LAIB, «HARDWARE IMPLEMENTATION OF FUZZY MAXIMUM POWER

POINT TRACKING THROUGH SLIDING MODE CURRENT CONTROL FOR PHOTOVOLTAIC
SYSTEMS» Roum. Sci. Techn.– Électrotechn. et Énerg Vol. 66, 2, pp. 91–96, Bucarest, 2021

[17] Kalaiarasi , SS Dash 1 , S Padmanaban 2,ID , Paramasivam S,and P K Morati «Maximum

Power Point Tracking Implementation by Dspace Controller Integrated Through Z-Source
Inverter Using Particle Swarm Optimization Technique for Photovoltaic Applications »
Department of Electrical and Electronics Engineering, SRM University, Chennai 603203,
India,2018.

[18] Isabelle Rivals, Jean-Luc Ploix, Gérard Dreyfus, «MODÉLISATION,

CLASSIFICATION ET COMMANDE PAR RÉSEAUX DE NEURONES: PRINCIPES
FONDAMENTAUX, MÉTHODOLOGIE DE CONCEPTION ET ILLUSTRATIONS
INDUSTRIELLES »,University of Malaya, Kuala Lumpur 50603, Malaysia,2019.

[19] Fardila Mohd Zaihidee .Saad Mekhilef , Marizan Mubin «Robust Speed Control of
PMSM Using Sliding Mode Control (SMC)—A Review» Department of Electrical
Engineering, Faculty of Engineering, University of Malaya, Kuala Lumpur 50603,1 May
2019.

[20] Mingxuan Mao, Lichuang Cui , Qianjin Zhang , Ke Guo , Lin Zhou , Han Huang
«Classification and summarization of solar photovoltaic MPPT techniques: A review based
on traditional and intelligent control strategies», IEEE Access, vol. 6, .lectrical Engineering,
Chongqing University,p. 400044, 2017