Académique Documents
Professionnel Documents
Culture Documents
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] .
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 :
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)
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
∑ 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
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
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
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].
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.
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].
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
[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
[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
[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