Académique Documents
Professionnel Documents
Culture Documents
ZAÏD KAMEL
Département d’Electronique
REMERCIEMENT
Mes remerciements vont tout premièrement, à Allah le tout puissant qui m’a donné
le courage et la patience de parvenir à finir ce modeste travail.
Enfin, je remercie tous ceux qui ont contribué de près ou de loin à ma formation et
PV : photovoltaïque. ..
GPV: Générateur photovoltaïque.
MPPT: poursuite de point de puissance maximale.
MPPT: Maximum Power Point Tracking.
MPP: Maximum Power Point.
PPM: Le point de puissance maximale.
ANFIS: Adaptative Neural Fuzzy Inference System
DC/DC: continu-continu.
P&O: perturbation et observation
IncCond: conductance incrémentale
PG : positif grand.
PM : Positif moyen
PP : positif petit.
EZ : environ Zéro.
NP : négatif petit.
NM : Négatif moyen
NG : négatif grand.
RNA : réseaux de neurones artificiels.
RN : réseaux de neurones.
Symbole
Chapitre 3
Simulation Floue et Neuro-Floue
Chapitre 4
Expérimentation
4.1.Introduction………………………………………………………………….. 47
4.2. Description du système ...................................................................................... 47
4.2.1 Emulateur de panneaux PV…………………………………………………………..49
4.3. Les résultats expérimentaux du système PV .......................................................... 50
4.3.1. Contrôleur MPPT InCond…………………………………………………………...50
4.3.2. Contrôleur MPPT Flou………………………………………………………………52
4.3.3. Contrôleur MPPT Neuro-Flou……………………………………………………….54
4.4. Comparaison des résultats .................................................................................. 56
4.5.Conclusion……………………… ………………………………………….57
Conclusion générale
Liste des tableaux
Tableau 2.1 : Table des règles floues…………………………………………………….......24
Tableau 2.2 : Méthodes utilisées pour l'apprentissage de l'ANFIS…………………….........33
Tableau 2.3 : Table des règles générées par ANFIS……………………………………........36
Tableau 3.1. Présentation du module type KYOCERA KC200GT……………………........38
Tableau 3.2: Interprétation des résultats pour une Ta constante et variation brusque de E…44
Tableau 3.3: Interprétation des résultats pour une Ta constante et E constant…………........44
Introduction générale
Introduction générale
De nos jours, une grande partie de la production mondiale d’énergie est assurée à
partir de sources fossiles. La consommation de ces sources donne lieu à des émissions de gaz
à effet de serre et donc une augmentation de la pollution. Le danger supplémentaire est qu’une
consommation excessive du stock de ressources naturelles réduit les réserves de ce type
d’énergie de façon dangereuse pour les générations futures. Pour réduire ces dangers, il est
nécessaire de trouver des solutions adaptées et de les diversifier. Actuellement, il y a deux
façons possibles d’agir :
La première est de baisser la consommation d’énergie et augmenter la productivité
des centrales énergétiques en améliorant leur efficacité.
Une deuxième méthode consiste à trouver et développer de nouvelles sources
d’énergie. Dans l’immédiat, nous disposons de ressources en énergie renouvelable, que nous
sommes en mesure d’exploiter de plus en plus facilement et proprement.
L’énergie solaire est parmi les formes d’énergie qui préserve la propreté de notre
environnement. Elle est renouvelable et disponible partout sur la planète en des degrés divers.
Néanmoins, les techniques d’extraction de la puissance de ces ressources demandent des
recherches et développements plus approfondis visant à fiabiliser, baisser les couts de
fabrication, d’usage et de recyclage et d’augmenter l’efficacité énergétique.
Pour remédier à certains problèmes liés aux techniques classiques, tels que le temps de
réponse en régime dynamique, et les fluctuations en régime permanant, la logique floue a reçu
une attention particulière de la part d’un certain nombre de chercheurs dans le domaine de
recherche de l’MPP d’un module PV.
Les contrôleurs par logique floue offrent des solutions souvent meilleures. La
conception de ces contrôleurs non linéaires utilise la connaissance de l’expert (connaissance
humaine) et l’imprécision implicite. En l’absence d'une telle connaissance, ce processus de
conception sera lent, non guidé et basé sur la méthode essai-erreur.
Les réseaux de neurones procurent une manière de surmonter cette imperfection. Ils
emploient quelques concepts de la théorie de l’évolution pour rechercher des solutions
optimales, dans un espace de solutions grand et complexe en un temps beaucoup plus rapide.
Chapitre 1
Généralités sur les systèmes
photovoltaïques
1.1. Introduction
Ce chapitre est consacré à la description et à la modélisation des composants d’un
système photovoltaïque (PV) destiné à la production d’énergie électrique. La modélisation
nécessite un ensemble d’équations caractérisant tous les éléments du système étudié. C’est
une étape cruciale car les modèles énergétiques des différents composants doivent être fiables
pour traduire fidèlement le phénomène physique qui se réalise entre eux. Il est donc
nécessaire que ces modèles soient suffisamment précis pour rendre compte du transfert de
flux énergétique entre ces composants. A ce niveau, la condition qui s’impose est de connaître
les données d’entrée, c’est-à-dire, les données météorologiques, le profil de consommation et
les données relatives aux équipements, afin de pouvoir déterminer à chaque instant, la
puissance que peut fournir le système de production.
1
Chapitre 1 Généralités sur les systèmes photovoltaïques
électrique qui tend à repousser les électrons dans la zone N et les trous vers la zone P. Entre
les deux zones se développe une jonction PN avec une barrière de potentiel [1].
Lorsque les photons sont absorbés par le semi-conducteur, ils transmettent leur énergie
aux électrons par collision. Si l’énergie transmise est supérieure à celle associée à la bande
interdite (Eg) du semi-conducteur, des paires électrons-trous sont alors crées dans cette zone
de déplétion par arrachement des électrons. Sous l’effet d’un champ électrique E qui règne
dans cette zone. Ces porteurs libres sont drainés vers les contacts métalliques des régions P et
N. Il en résulte alors un courant électrique dans la cellule PV et une différence de potentiel de
(0.6 à 0.8 Volt) supportée entre les électrodes métalliques de la cellule, communément
nommée tension de circuit ouvert (Vco) fortement dépendante de la température. Le courant
maximal PV se produit lorsque les bornes de la cellule sont court-circuitées. On parle alors de
courant de court-circuit (Icc) dépendant fortement du niveau d’éclairement.
2
Chapitre 1 Généralités sur les systèmes photovoltaïques
(1.1)
Avec :
Le courant photo-généré :
( ) (1.2)
3
Chapitre 1 Généralités sur les systèmes photovoltaïques
Le courant de la diode:
* ( ) + (1.3)
Avec (1.4)
(1.5)
( )
q : Charge de l’électron.
K : Constante de Boltzmann.
Tn : Température nominale.
T1 : Température ambiante.
(1.6)
4
Chapitre 1 Généralités sur les systèmes photovoltaïques
( ) * ( ) + (1.7)
Rendement :
Rapport de la puissance électrique optimale à la puissance de radiation incidente :
Pmax / Pin
Facteur de remplissage FF :
On appelle facteur de forme FF (filling factor), le rapport entre les deux valeurs
Imax*Vmax et VOC*ISC sous les conditions de mesures standardisées.
Les modules PV commerciaux devraient avoir un FF supérieure à 0.7.
5
Chapitre 1 Généralités sur les systèmes photovoltaïques
Deux types de protection classiques sont utilisés pour garantir une durée de vie
importante d’une installation photovoltaïque représentés en figure (1.4) :
La diode anti-retour empêchant un courant négatif dans les modules PV qui peut
apparaître quand une charge en connexion directe peut basculer du mode récepteur en
mode générateur, par exemple, une batterie durant la nuit.
Les diodes by-pass peuvent isoler un sous-réseau de cellules lorsque l’éclairement
n’est pas homogène évitant ainsi l’apparition de points chauds et la destruction des
cellules mal éclairées.
6
Chapitre 1 Généralités sur les systèmes photovoltaïques
7
Chapitre 1 Généralités sur les systèmes photovoltaïques
Figure
Figure 1.5 : Effet de l’ensoleillement sur les caractéristiques I-V de la cellule PV.
La figure (1.6) représente l’effet de l’ensoleillement sur les caractéristiques P-V de la cellule
PV :
Figure 1.6 : Effet de l’ensoleillement sur les caractéristiques P-V de la cellule PV.
8
Chapitre 1 Généralités sur les systèmes photovoltaïques
une perte non négligeable de puissance. La Figure (1.7) représente l’effet de la température
ambiante sur les caractéristiques I-V de la cellule PV :
Figure 1.7 : Effet de la température ambiante sur les caractéristiques I-V de la cellule PV.
La figure (1.8) représente l’effet de la température ambiante sur les caractéristiques P-V de la
cellule PV :
Figure 1.8 : Effet de la température ambiante sur les caractéristiques P-V de la cellule PV.
9
Chapitre 1 Généralités sur les systèmes photovoltaïques
L’algorithme MPPT peut être plus ou moins compliqué pour rechercher le PPM. Il est
en général basé sur la variation du rapport cyclique du hacheur dont l’objectif d’atteindre le
PPM en fonction des évolutions des paramètres d’entrée du CS (I et V) [2].
Figure 1.9 : Chaîne conversion PV avec CS contrôlé par une commande MPPT.
10
Chapitre 1 Généralités sur les systèmes photovoltaïques
Il existe différentes topologies de convertisseurs à C.C. Ils sont classés par catégorie
dans des topologies isolées ou non isolées.
Les topologies isolées utilisent un transformateur d'isolement électrique à haute
fréquence de petite taille pour assurer l'isolement entre l'entrée et la sortie. On peut
augmenter ou diminuer la tension de sortie par le changement du rapport de transformation.
- Dévolteur (buck).
- Survolteur (boost).
- Dévolteur - survolteur (buck-boost).
La topologie dévolteur est utilisée pour diminuer la tension. Dans les applications PV,
ce type de convertisseur est employé pour charger des batteries et alimenter des systèmes de
pompage d'eau.
La topologie survolteur est utilisée pour augmenter la tension. Les systèmes en réseau
emploient un convertisseur de type survolteur pour amplifier la tension de sortie au niveau
souhaité avant de l'onduler.
La topologie capable de dévolter ou survolter la tension, telle que le buck-boost. Pour
le système PV avec batteries, le PPM du module PV commercial est supérieure à la tension
de charge des batteries pour la plupart des combinaisons d'irradiation et de température. Un
convertisseur dévolteur peut fonctionner au PPM sous la plupart des conditions
atmosphérique, mais il ne peut pas le faire quand le PPM délivré par le panneau PV devient
inferieur à la tension de charge de la batterie sous condition de basse irradiation et de haute
température. Également, la possibilité d'insérer un survolteur peut légèrement augmenter la
performance globale [3].
Dans cette étude, l’interrupteur du convertisseur est commandé par un signal MLI
(Modulation de largeur d’impulsions), avec une fréquence FS fixe et un rapport cyclique D
variable. La figure 1.11 représente le rapport cyclique D dans la commande du l’interrupteur.
11
Chapitre 1 Généralités sur les systèmes photovoltaïques
Le fonctionnement d'un convertisseur survolteur (Boost) peut être divisé en deux phases
distinctes :
Une phase d'accumulation d'énergie : lorsque le commutateur est fermé (état passant),
cela entraîne l'augmentation du courant dans l'inductance L, donc le stockage d'une
quantité d'énergie sous forme d'énergie magnétique. La diode d est alors bloquée la
charge est alors déconnectée de l'alimentation.
12
Chapitre 1 Généralités sur les systèmes photovoltaïques
M(d) = (1.8)
M(d) = (1.9)
Quand le commutateur du convertisseur Buck-Boost, illustré sur la figure (1.14), est fermé
pendant l'intervalle de la période de commutation, le courant commence à circuler de la
source d'entrée jusqu’à la charge à travers l'inductance L. Le circuit électrique équivalent du
Buck-Boost durant l’intervalle D*Ts est représenté sur la figure (1.15) :
Après que le commutateur s'ouvre au début de l’intervalle, le courant est maintenu grâce à
la nature de l’inductance. Mais cette fois, le courant circule à travers la diode et la charge.
Puisque le courant est forcé à traverser la charge, la tension de sortie Vo du convertisseur
dévolteur-survolteur est négative. Le circuit électrique équivalent du Buck-boost durant
l’intervalle (1-D)*Ts est sur la figure (1.16) :
14
Chapitre 1 Généralités sur les systèmes photovoltaïques
( ) ( )
( )
( ) ( )
( )
( ) ( )
{
(1.10)
( )
( ) ( )
( ) ( ) (1.11)
( )
{ ( ) ( )
{ (1.12)
15
Chapitre 1 Généralités sur les systèmes photovoltaïques
{ (1.13)
Pour trouver les valeurs moyennes de v l , ii et iC durant une période de commutation TS Les
équations (I.73)-(I.78) sont substituées dans
( )
( ) ( ) (1.14)
{ ( )
En régime permanent, on obtient l’équation (1.15):
( ) (1.15)
( ) (1.16)
( )
1.10. Conclusion
Au cours de ce chapitre, nous avons procédé à la description des principaux composants
du système photovoltaïque retenu dans ce mémoire, ainsi que leurs principes de
fonctionnement. De plus, les modélisations énergétiques de ces composants ont été aussi
présentées.
16
Chapitre 2
Chapitre 2 Commandes MPPT Intelligentes
Chapitre 2
Commandes MPPT Intelligentes
2.1. Introduction
Les cellules photovoltaïques sont utilisées pour fournir de l’énergie dans de
nombreuses applications électriques. Pour obtenir la puissance maximale du panneau solaire,
un « MPPT : Maximum Power Point Tracker » est utilisé pour contrôler les variations de la
caractéristique courant- tension des cellules. Nous avons vu la caractéristique d’une cellule, et
l’évolution de celle ci en fonction de l’éclairement et/ou de la température. Notre système doit
donc pouvoir évoluer, rapidement et efficacement, en fonction des changements
d’illuminations et variations du point de puissance maximale. Une possibilité aurait été de
fixer un point de fonctionnement, en abaissant la tension du panneau et en augmentant le
courant. Or, ceci n’est plus valable lorsque le point de puissance maximale bouge. Ainsi le
système MPPT doit traquer ou poursuivre le point de fonctionnement optimal du panneau.
Dans cette partie nous présenterons le principe et les différents types de la commande MPPT.
Il y’a des méthodes classiques et des méthodes intelligentes. Parmi les méthodes
classiques, on cite les méthodes d’escalades :
- Perturbation puis Observation (P&O)
- Incrémentation de la Conductance (IncCond).
Parmi les méthodes intelligentes, on cite les méthodes basées sur la logique floue et réseaux
de neurone.
17
Chapitre 2 Commandes MPPT Intelligentes
⇒ ⇒ (2.1)
Si : (2.2)
Alors : (2.3)
Les équations (2.3.b) et (2.3.c) sont employées pour déterminer la direction dans
laquelle une perturbation doit se produire pour déplacer le point de fonctionnement vers le
MPP. Cette perturbation est répétée jusqu'à ce que l'équation (2.3.a) soit satisfaite. Une fois le
MPP est atteint, la MPPT continue à fonctionner avec cette valeur jusqu'à ce qu'un
changement de la valeur du courant soit détecté. Ce dernier résulte d'un changement au niveau
de l'éclairement. Quand l'éclairement augmente, le MPP se déplace vers la droite de la tension
de fonctionnement.
Pour compenser ce mouvement du MPP, la MPPT doit augmenter la tension de
fonctionnement. Dans le cas contraire, quand l'éclairement diminue, la MPPT doit diminuer
cette tension.
18
Chapitre 2 Commandes MPPT Intelligentes
𝐺 ∆𝐺
𝐺 ∆𝐺
𝐺 ∆𝐺
Si le changement de la tension n'est pas nul, les rapports dans les équations (2.3.b) et
(3.3.c) peuvent être employés pour déterminer la direction dans laquelle la tension doit être
changée afin d'atteindre le MPP
gauche du MPP. Ainsi, la tension de fonctionnement doit être augmentée pour atteindre le
MPP.
19
Chapitre 2 Commandes MPPT Intelligentes
trouve à droite du MPP tout en signifiant que la tension doit être réduite pour atteindre le
MPP.
20
Chapitre 2 Commandes MPPT Intelligentes
Les régulateurs flous ont été récemment utilisés dans la recherche du point de
puissance maximale (MPPT) dans les systèmes photovoltaïques et éoliens. Ils ont l’avantage
d’être robuste et relativement simple à concevoir car ils n’exigent pas la connaissance du
modèle exact. D’autre part, ils exigent la connaissance parfaite et complète du système PV par
l’operateur pour l’établissement des règles d’inférences.
Utilisant la logique floue comme un algorithme de MPPT, il est devenu populaire avec
le développement des microcontrôleurs et des processeurs de signaux numériques (DSPs).
Le régulateur flou utilisé du type Mamdani, est représenté par la figure 2.3. Il reçoit
comme entrées l’erreur E(k) et la variation de l’erreur du système ΔE(k). A la sortie, il y'a
génération de la variation du rapport cyclique ΔD commandant le hacheur DC-DC.
21
Chapitre 2 Commandes MPPT Intelligentes
La sortie du contrôleur ΔD est définie par la loi de commande qui dépend de l'erreur E
et de sa variation ΔE. Enfin le rapport cyclique D, commandant le hacheur Buck-Boost, est
exprimé par l’équation suivante : D(k) = D (k-1) + ΔD (2.6)
La fuzzification permet de rendre flou les variables d’entrée. Une étape préliminaire
consiste à définir un intervalle de variation maximale autorisée pour les variables d’entrées.
Le but de la fuzzification est de transformer les variables d’entrée en variables linguistiques
ou variables floues. Dans notre cas, on a deux variables d’entrées qui sont l’erreur E(k) et la
variation d’erreur ΔE à l’instant k [5].
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 attribue à ces grandeurs des variables linguistiques, dans le cas concernant notre
système, l’univers de discours est découpé en sept classes, pour les variables d’entrées et de
sortie : [7]
NG : Négatif Grand,
NM : Négatif moyen,
NP : Négatif Petit,
EZ : environ zéro,
PP : Positif Petit,
PM : Positif moyen,
PG : Positif Grand,
22
Chapitre 2 Commandes MPPT Intelligentes
Les fonctions d'appartenance utilisées, sont de types triangulaire et trapézoïdale pour les
entrées et la sortie représentées sur les figures (2.4-2.5) [7].
B. Inférence
L’inférence est une étape qui consiste à définir un rapport logique entre les entrées et
la sortie. En effet, des règles d’appartenance vont être définies pour la sortie comme ça était
fait pour les entrées.
23
Chapitre 2 Commandes MPPT Intelligentes
Dans notre cas, nous utilisons la méthode d’inférence de Mamdani qui est la combinaison
floue MAX-MIN. Cette méthode réalise l'opérateur "ET" par la fonction "Min", la conclusion
"ALORS" de chaque règle par la fonction "Min" et la liaison entre toutes les règles par
opérateur "OU" représentant la fonction Max.
La variable T est élevée (E) avec un degré d'appartenance de μ=0,8 et de moyenne (M)
avec un degré d'appartenance de μ=0,2. La variable V est faible avec un degré d'appartenance
μ=1.
24
Chapitre 2 Commandes MPPT Intelligentes
Le tableau 2.1 comprend 49 règles floues de commande [7]. Ces règles sont
employées pour la commande du convertisseur telle que la puissance maximale du GPV soit
atteinte.
Tableau 2.1 : table des règles floues
E
ΔE 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 ZE PP PM PG PG PG
PG EZ PP PM PG PG PG PG
Ceci implique que : ‘‘Si le point de fonctionnement est éloigné du MPP du côté
gauche Et la variation de la pente de la courbe P-V est presque nulle, Alors, il y a une grande
augmentation du rapport cyclique D’’.
C. Défuzzification :
25
Chapitre 2 Commandes MPPT Intelligentes
26
Chapitre 2 Commandes MPPT Intelligentes
biologiques, ils ont proposé le modèle du neurone formel qui se voit comme un opérateur
effectuant une somme pondérée de ses entrées suivie d’une fonction d’activation (ou de
transfert) comme indiqué par la figure (2.8) [8].
∑ (2.8)
Figure 2.9 (a, b, c) : différents types de fonctions de transfert pour le neurone artificiel,
a : fonction à seuil, b : linéaire par morceaux, c : sigmoïde
27
Chapitre 2 Commandes MPPT Intelligentes
Les connexions entre les neurones qui composent le réseau décrivent la topologie du
modèle. Il existe différentes topologies du réseau décrites selon les figures (210.-2.13) [9]
a) Les réseaux de neurones non bouclés.
b) Les réseaux de neurones bouclés
c) réseau monocouche
d) réseau multicouche
28
Chapitre 2 Commandes MPPT Intelligentes
Apprentissage supervisé: Dans ce cas, un superviseur (ou expert humain) fournit une
valeur ou un vecteur de sortie (appelé cible ou sortie désirée), que le réseau de
neurones doit associer à un vecteur d’entrée. L’apprentissage consiste dans ce cas à
ajuster les paramètres du réseau afin de minimiser l’erreur entre la sortie désirée et la
sortie réelle du réseau. La méthode la plus utilisée pour ce type d'apprentissage est le
rétro- propagation.
Apprentissage non supervisé: Dans cet apprentissage, les données ne contiennent pas
d’information sur la sortie désirée. Il n’y a pas de superviseur. La tâche du réseau
consiste, par exemple dans ce cas, à créer des regroupements de données selon des
propriétés communes (classification).
Les systèmes d'inférences flous (SIFs) et les réseaux de neurones artificiels (RNA) ont
chacun des avantages particuliers. Les méthodes hybrides neuronales et floues permettent de
tirer les avantages de ces deux approches, principalement la capacité d'apprentissage des RNA
et de la lisibilité et la souplesse des SIFs. Plusieurs combinaisons de ces deux méthodes ont
été développées dans la littérature. Elles ont données naissance aux systèmes neuro-flous, qui
29
Chapitre 2 Commandes MPPT Intelligentes
sont le plus souvent orientés vers la commande des systèmes complexes et les problèmes de
classification [9]. La figure (2.14) montre le principe du Neuro-Flou :
L'intégration des réseaux de neurones et les systèmes d'inférence flous peuvent être
formulés en trois principales catégories [16].
Coopérative
Concurrente
neuro-flou hybride
Le système ANFIS (Adaptative Network based Fuzzy Inference System) est un réseau
adaptatif proposé par Jang en 1993. Ce système peut être vu comme un réseau de neurones
non bouclé pour lequel chaque couche est un composant d'un système flou. Le modèle ANFIS
est le modèle le plus utilisé en pratique. Des applications notamment dans le traitement du
signal, le filtrage adaptatif et la commande des systèmes ont été réalisées avec cette
architecture. Plusieurs ouvrages et articles présentent les meilleures performances du modèle
ANFIS lorsqu’il est utilisé dans la commande.
30
Chapitre 2 Commandes MPPT Intelligentes
Cette architecture neuro-floue affine les règles floues obtenues par des experts
humains pour décrire le comportement entrée-sortie d'un système complexe en utilisant une
base de donnée pour l'apprentissage. La sortie globale dans ce modèle est donnée par la
moyenne pondérée de chaque sortie des règles actives (le produit ou minimum des degrés
d’activation) et les fonctions d’appartenance de sortie. Il s'agit d'une technique neuro-floue
hybride qui apporte les capacités d'apprentissage des réseaux de neurones au système
d'inférence flou. Le rôle de l'apprentissage est l'ajustement des paramètres de ce système
d'inférence flou (partie prémisse et partie conclusion des règles). La force du système ANFIS
est la possibilité de génération automatique des règles floues [14].
C'est une structure à 5 couches qui affine les règles floues déjà établies par des experts
humains et réajuste le chevauchement entre les différents sous- ensembles flous. ANFIS met
en application un système d’inférence flou (SIF) et a une architecture composée de cinq
couches [16] comme représentée sur la figure (2.15):
Le réseau adaptatif ANFIS est un réseau multicouche dont les nœuds sont de deux
types différents selon leur fonctionnalité: les nœuds carrés (adaptatifs) contiennent des
paramètres, et les nœuds circulaires (fixes) n’ont pas des paramètres.
31
Chapitre 2 Commandes MPPT Intelligentes
(2.9)
- Deuxième couche pour les règles floues: Chaque nœud i de cette couche est un nœud
circulaire appelé T qui engendre en sortie le produit de ses entrées. Ce produit représente le
degré d’activation normalisé d’une règle:
(2.10)
- Troisième couche pour la Normalisation: Chaque nœud i de cette couche est un nœud
circulaire appelé N qui engendre en sortie le produit de ses entrées. Ce produit représente le
degré d’activation normalisé d’une règle:
(2.11)
) (2.12)
Où est la sortie de la couche 3, et {ai, bi, ci} est l’ensemble des paramètres de sortie de la
règle i.
32
Chapitre 2 Commandes MPPT Intelligentes
la partie conclusion (les coefficients de sortie). Cette adaptation est basée sur la capacité
d'apprentissage des réseaux de neurones artificiels multicouches à partir d’un ensemble
donné. Pour l’identification des paramètres, la structure du réseau doit être fixée, les
paramètres des fonctions d'appartenances et des conclusions seront ajustés en utilisant
l’algorithme d’apprentissage de rétro-propagation avec une combinaison avec l’algorithme
des moindres carrés [10]. Le système ANFIS est définit par deux ensembles de paramètres:
S1 et S2 tels que:
- S1: représente les paramètres des ensembles flous utilisés pour la fuzzification dans la
première couche de l'ANFIS:
( )
Ou p est le nombre des partitions floues de chacun des variables d’entrées et n est le nombre
de variables d'entrées.
- S2: représente les coefficients des fonctions linéaires (les paramètres conséquents):
Notre contrôleur neuro-flou comprend deux entrées ‘E’ et ‘ΔE’ et une seule sortie ‘D’
qui représentent respectivement l’erreur, la variation de l’erreur, et la commande. Les deux
variables d’entrées génèrent l’action de contrôle ‘ D’ qui sera appliquée au hacheur, afin
d’ajuster le rapport cyclique de ce dernier de telle manière à assurer l’adaptation de la
puissance fournie par le générateur photovoltaïque.
33
Chapitre 2 Commandes MPPT Intelligentes
34
Chapitre 2 Commandes MPPT Intelligentes
Les règles générées par ANFIS sont représentées sur la tableau 2.3 :
35
Chapitre 2 Commandes MPPT Intelligentes
2.6. Conclusion
Lors de ce chapitre, nous avons tout d'abord, présenté brièvement les différentes étapes
de conception d’un contrôleur MPPT flou. Dans une deuxième étape, nous avons opté pour
une méthode d'optimisation des paramètres internes du contrôleur en utilisant les réseaux de
neurones en tant qu'outil d’optimisation. Les résultats de simulation de la réaction des deux
contrôleurs au sein d'une chaîne PV, seront donnés et interprétés au chapitre 3.
36
Chapitre 3
Chapitre 3 Contrôleur MPPT flou optimisé par les réseaux de neurones
Chapitre 3
Simulation Floue et Neuro-Floue
3.1. Introduction :
Ce chapitre est entièrement consacré à la simulation numérique du fonctionnement de
notre système. Cette simulation permet d’évaluer le système solaire sans régulateur par
simulation avec l’outil MATLAB/Simulink (SimPower). Ensuite, trois méthodes de poursuite
MPPT sont étudiées par simulation :
- Méthode de l’incrémentation
- Méthode de poursuite utilisant le contrôleur flou,
- Contrôleur neuro-flou
Ces systèmes sont simulés en les combinant avec le hacheur Buk-Boost, sous les
conditions environnementales stables et de nombreux changements des conditions
atmosphériques (changement de l’ensoleillement et de température lent et rapide).
Le contrôleur MPPT (Maximum Power Point Tracking) : son rôle est d’assurer le
fonctionnement du système autour du MPP utilisant l’algorithme de suivi classique
(InCond) et les techniques avancées (flou et neuro-flou).
Charge résistive : R=70Ω
37
Chapitre 3 Contrôleur MPPT flou optimisé par les réseaux de neurones
Discrete, t Vi / Ii
Ts = 2.5e-006 s. Vo / Io
Clock1
Zero-Order To Workspace2
powergui Hold2
Irradiance Pi / Po
(W/m2) 3
Ir IGBT
+ -i g
Signal 2
E + i
C -
G +
1000
Manual Switch + +
- v - v
Constant1
C1=2.2e-3 F L=0.5e-3 H 470e-6 F R=70 Ohm
25
T -
Constant2
Manual Switch1
Temperature °C
Gpv1
Ir
Signal 2 Ipv
Vpv
Commande MPPT
38
Chapitre 3 Contrôleur MPPT flou optimisé par les réseaux de neurones
a
[aVt]
2 Product1
-C- Goto6
T
25 k
Tn 298
Product Product6
-C- T1
KI Divide5
-C-
8.214 q
Ipv,n
8.21
Isc,n 1
[Io] Ipv
-0.123 [I]
Product2 Divide2 Goto
Kv Goto4
1 Np
32.9 From7
Voc,n Ns C
2 Ns
From6 eu
Product8 Product9 Nser Goto8
[aVt] Divide1 Math
Function
From3 N
[I]
Divide6 Goto7
From1 [Id]
0.221
1 Np
Rs N Product4 Goto2
Product3 eu Np1 Goto9
From4
3 Divide3 Math
Vpv Function1
[V]
-C- [Ip]
Goto5
Rp
Divide4 Goto3
N Product10
From5
10
8
Courant (A)
0
0 10 20 30 40 50 60 70
Tension (V)
39
Chapitre 3 Contrôleur MPPT flou optimisé par les réseaux de neurones
500
400
Puissance (W)
300
200
100
0
0 10 20 30 40 50 60 70
Tension (V)
0
0 10 20 30 40 50 60 70
Tension (V)
500
E=1000 W/m²
100
0
0 10 20 30 40 50 60 70
Tension (V)
40
Chapitre 3 Contrôleur MPPT flou optimisé par les réseaux de neurones
Pour un éclairement constant (1000 W/m²), nous ferons varier la température Ta entre
(-25 à 75℃) avec un pas de 25℃, afin de voir l’influence de celle-ci par rapport aux
caractéristiques du GPV.
10
8
Courant (A)
4 Ta=-25 °c
Ta=0 °c
2 Ta=25 °c
Ta=50 °c
Ta=75 °c
0
0 10 20 30 40 50 60 70 80
Tension (V)
200
100
0
0 10 20 30 40 50 60 70 80
Tension (V)
1000
E ( W / m² )
800
600
400
200
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Temps (s)
55
50
Vpv (V)
45
40 Incond
Flou
35 Neu-Flou
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
8
7
6
I pv (A)
5
4
3
2
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
0.6
0.5
0.4
D
0.3
0.2
0.1
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
400
350
300
P (W)
250
200
150
100
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Temps (s)
Figure 3.9 : Réponses des trois contrôleurs MPPT InCond, MPPT Flou et MPPT Neu-Flou.
42
Chapitre 3 Contrôleur MPPT flou optimisé par les réseaux de neurones
1000
800
E ( W /m² )
600
400
55
V pv (V)
50
45
40
0.5 1 1.5 2 2.5 3 3.5
Temps (s)
8
I pv ( A )
2
0.5 1 1.5 2 2.5 3 3.5
Temps ( s )
0.6
0.5
D
0.4
0.3
0.5 1 1.5 2 2.5 3 3.5
Temps (s)
400 Incond
Flou
Ppv (W)
Neu-flou
300
200
43
Chapitre 3 Contrôleur MPPT flou optimisé par les réseaux de neurones
Tableau 3.2: Interprétation des résultats pour une Ta constante et variation brusque de E.
T = 25 ° c
Techniques de
Variation brusque d’éclairement
commande
1000 à 300 (W / m²) 500 à 800 (W / m²)
ts (s) ts (s)
In-cond 0.08 0.04
Floue 0.03 0.006
Neuro-Floue 0.02 0.003
44
Chapitre 3 Contrôleur MPPT flou optimisé par les réseaux de neurones
40
35
T(°c)
30
25
20
0 0.5 1 1.5 2 2.5 3
temps (s )
60
Incond
55 Flou
V pv ( V )
Neu-Flou
50
45
40
0.5 1 1.5 2 2.5
8.5 temps ( s )
8
I pv ( A )
7.5
6.5
0.5 1 1.5 2 2.5
Temps ( s )
0.65
0.6
0.55
D
0.5
0.45
0.4
0.5 1 1.5 2 2.5
Temps (s)
450
P pv (W)
400
350
300
0.5 1 1.5 2 2.5
Temps (s)
Figure 3.11 : Réponses des trois contrôleurs MPPT InCond, MPPT Flou et MPPT Neu-Flou
45
Chapitre 3 Contrôleur MPPT flou optimisé par les réseaux de neurones
Lors des variations rapides de la température comme illustré par la figure 3.11, les
deux contrôleurs Flou et Neu-Flou montrent une très bonne poursuite. Le contrôleur InCond
suit la consigne (variation de la température) avec plus de fluctuations.
3.5. Conclusion
En premier temps, On a présenté les résultats de simulations des trois contrôleurs
MPPT basés sur les techniques avancées MPPT Flou, MPPT Neu-Flou et la méthode
classique InCond. Ainsi nous avons pu comparer les résultats de simulations obtenus
pour les trois contrôleurs, en les soumettant aux mêmes conditions environnementales
dans le but de voir leurs performances et robustesse. D’après les résultats obtenus, nous
pouvons conclure que le contrôleur MPPT Neu-Flou est celui qui est le plus performant et le
plus robuste.
46
Chapitre 4
Chapitre 4 Expérimentation
Chapitre 4
Expérimentation
4.1. Introduction
Cette partie concerne les résultats expérimentaux des techniques de commande InCond,
Floue et Neuro-Floue pour le suivi du point maximum de la puissance PV. Ces trois techniques
de commande sont implantées dans une plateforme de type dSPACE pour contrôler le système
global PV (GPV, hacheur, charge) au sein du Laboratoire d’Electronique de Puissance et
Commande Industrielle (LEPCI) de l’université Ferhat Abbas Sétif-1.
La carte utilisée dans ce travail est " DS1104 " développée par la société Dspace, (R&D :
Recherche et Développement). C’est un système de développement puissant pour le
prototypage rapide des lois de commande où on utilise la carte DSpace1104 pour
implémenter les trois contrôleurs.
Panneau d’E/S : Le panneau de connexion multi-entrées, multi-sorties assure la liaison
entre les différentes sorties (oscilloscope, capteurs…) et la carte DS1104 (PC).
Logiciel ControlDesk : Le logiciel ControlDesk est une interface graphique qui permet la
gestion et l‘administration de la carte DS1104. Il fournit en plus des fonctions
d‘enregistrement matériel de la gestion des applications, des fonctions de contrôle, de
surveillance et d‘automatisation des expérimentations
Cette partie de notre chaine sert à transférer les signaux logiques de commande en
signaux qui peuvent amorcer l’IGBT avec isolation. Elle est composée de deux blocs
principaux les photo-coupleurs et des drivers.
47
Chapitre 4 Expérimentation
Partie puissance
Cette partie est constituée d’éléments d’un convertisseur Boost (IGBT BIP307D, Diode
BYV71, l’inductance L, la capacité C et la résistance R) dont les valeurs sont indiquées
au tableau 4.1.
La figure (4.1) montre le câblage et les différentes parties constituant le banc d’essai
expérimental :
5 7 4
2
3
8
48
Chapitre 4 Expérimentation
N° Elément
1 PC de commande + dSPACE 1104
2 Hacheur Boost (C=1110 μF, L=10 mH)
3 Capteur de courant
4 Oscilloscope GDS-3504
5 Alimentation programmable APS-1102A
6 Charge résistif (R=52 Ω)
7 Panneau d’E/S
8 Le photo-coupleur 4N46, le driver IR2113 et l’Amplificateur CD4050B
Les tests du système PV dépendent fortement des conditions climatiques sur la période
d’essai. Pour cette raison, la mise en place d’un émulateur de panneaux photovoltaïques nous a
paru essentielle pour l'évaluation permanente de la commande et de la gestion du système. Ainsi,
nous avons utilisé un émulateur, en temps réel, d’un GPV basé sur une commande en boucle
fermée par un modèle de référence. Le système proposé se compose d'une alimentation
programmable qui est pilotée en temps réel par une carte dSPACE DS1104 grâce au logiciel
Matlab/Simulink. La partie contrôle utilise le retour de courant (figure 4.2), ainsi qu’à partir du
modèle de référence, le point de fonctionnement de la charge connectée suit la caractéristique du
panneau PV.
49
Chapitre 4 Expérimentation
La figure 4.3 (a, b, c) illustre la réponse du système commandé par le contrôleur InCond,
pour une température constante de 25 °C et une variation de l’éclairement (0.75, 0.5, 1, 0.5, 0.75
Kw/m²).
50
Chapitre 4 Expérimentation
Tension
1 Kw/m²
0.75 Kw/m² 0.75 Kw/m²
0.5 Kw/m²
Courant
Puissance
Figure 4.3.a
ts
Figure 4.3.b
51
Chapitre 4 Expérimentation
Dérive
Figure 4.3.c
Figure 4.3 (a, b, c) : Réponse du contrôleur MPPT IncCond
D’après la figure 4.3c du contrôleur InCond, on remarque qu’il y a une dérive sur la courbe
de puissance lors de la variation de l’éclairement de 1 à 0.5 Kw/m².
La figure 4.4 (a, b, c) illustre la réponse du système commandé par un contrôleur Flou,
pour une température constante de 25 °C et une variation de l’éclairement (0.75, 0.5, 1, 0.5, 0.75
Kw/m²).
52
Chapitre 4 Expérimentation
Tension
1 Kw/m²
0.75 Kw/m² 0.75 Kw/m²
0.5 Kw/m²
Courant
Puissance
Figure 4.4a
Figure 4.4b
53
Chapitre 4 Expérimentation
Figure 4.4c
Figure 4.4(a, b, c): Réponse du contrôleur MPPT Flou
D’après la figure 4.4c du contrôleur Flou, on remarque qu’il n’y a pas de dérive sur la
courbe de puissance lors de la variation de l’éclairement de 1 à 0.5 Kw/m².
54
Chapitre 4 Expérimentation
Tensio
n
1 Kw/m²
0.75 Kw/m² 0.5Kw/m² 0.75 Kw/m²
Courant
Puissanc
e
Figure 4.5a
Figure 4.5b
55
Chapitre 4 Expérimentation
Figure 4.5c
D’après la figure 4.5c du contrôleur Flou, on remarque qu’il n’y a pas de dérive sur la
courbe de puissance lors de la variation de l’éclairement de 1 à 0.5 Kw/m².
Les résultats expérimentaux montrent l’inexistence de dérive pour les contrôleurs Neuro-
Flou et Flou sur la courbe de puissance lors de la variation de l’éclairement de 1 à 0.5 Kw/m²,
contrairement au contrôleur InCond qui est de 30w.
56
Chapitre 4 Expérimentation
4.5. Conclusion
Les résultats expérimentaux obtenus valident le bon fonctionnement des contrôleurs
InCond, Flou et Neuro-Flou, et sont conformes aux résultats de simulation sous Matlab/Simulink.
Ils montrent l’utilité de l’utilisation de la carte DS1104 qui permet de travailler en temps réel.
57
Conclusion générale
Conclusion générale
Dans ce mémoire, l’objectif est l’application des techniques intelligentes pour la
régulation de la tension du module PV afin de se positionner au PPM de la caractéristique P-V,
quelles que soient les conditions de température et d’ensoleillement.
Le contrôleur Flou étudié et simulé dans cette étude, a montré de meilleures performances
par rapport à la méthode classique InCond. . Le contrôleur Flou permet d’extraire plus de
puissance du module PV, quelque soient les changements climatiques.
Les résultats obtenus avec le contrôleur Flou optimisé par les RN, ont montré
l’amélioration du temps de réponse en régime dynamique, et la précision de poursuite MPP. Le
contrôleur Neuro-Flou permet d’extraire plus de puissance du module PV, quelque soient les
changements climatiques.
Ceci nous amène à affirmer que l’optimisation par les RN s’avère être une méthodologie
d’optimisation efficace et offre un outil puissant pour le développement des contrôleurs flous.
Les résultats de simulation des trois contrôleurs InCond, Flou et Neuro-Flou ont été
validés par expérimentation sur banc d’essais.
Bibliographie
[1] Michel Tissot, "Le guide de l’énergie solaire et photovoltaïque," (2010).
[2] B. Jacque, " Energie solaire : génie énergétique, calculs et optimisation " (2006).
[4] H. Abbes, H. Abid, K, Loukil, A, Toumi, & M, Abid, "Etude comparative de cinq
algorithmes de commande MPPT pour un système photovoltaïque," Revue des
Energies Renouvelables, 17(3), 435-445, (2014).
[6] B. Boukezata, "An improved fuzzy logic control MPPT based P&O method to solve fast
irradiation change problem," Journal of Renewable and Sustainable Energy, 8(4),
(2016).
[7] N. Patchara prakiti, S. Epreechacharn, & Y. Sriuthaisiri wong, "Maximum power point
tracking using adaptive fuzzy logic control for grid-connected photovoltaic system,"
Renewable Energy, 30(11), pp.1771-1788, (2005).
[9] Y.M. TOUAFEK, "Amélioration de la stabilité transitoire des réseaux électriques par un
contrôle neuro-flou des systèmes FACTS," Thèse de doctorat, Université Ferhat Abbas
de Sétif 1, (2012)
[10] L.CHERROUN, "Navigation Autonome d’un Robot Mobile par des Techniques Neuro-
Floues," Thèse de doctorat, Faculté des sciences et de la technologie U.M.K. Biskra,
(2014).
انغايض- نمذجة و يحاكاة نًشاقب حخبغ َقطت االسخطاػت انؼظًى بىاسطت انؼصبىي: المذكرة
ع. يُصىسي:المؤطر كًال:االسم صاٌذ:اللقب
:ملخص
حخبغ،يهًا كاَج حغٍشاث انطقس، ٌ ار. انخىحش نًىنذ كهشوضىئً ٌؼخًذ ػهى أشؼت انشًس و انحشاسة-اٌ خاصٍت انخٍاس
. انغايض سٍطبق فً هزا انُظاو نهخحصٍم ػهى االسخطاػت انؼظًى- بىاسطت انًشاقب انؼصبىي،َقطت االسخطاػت انؼظًى
و نهزا َضغ يحىل يخفض–سافغ نهخىحش انًسخًش بٍٍ انًىنذ انكهشوضىئً و انحًىنت انكهشبائٍت نًؤانفت االسخطاػت بٍُها
انغايض السخُخاج انطشٌقت-فً هزا انًششوع سخخى يقاسَت َخائج انًحاكاة و انخجشبت نخقٍُاث انًُطق انغايض و انؼصبىي
.ألحسٍ األداء
-يشاقب انؼصبىي، سافغ نهجهذ انًسخًش-يخفض، ًيىنذ كهشوضىئ، يخابؼت َقطت االسخطاػت انؼظًى: كلمات مفتاحية
انغايض