Zaid Kamel

‫الجمهورية الجزائرية الديمقراطية الشعبية‬
REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

‫وزارة التعليـــــم العـــــــالي و البـــــحث العــــــلمي‬
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
1‫جامعــــــــــــت فرحـــــــــاث عبــــــــــــاس سطيــــــف‬
UNIVERSITE FERHAT ABBAS – SETIF1
‫كليـــــــــت التكنولوجيا‬
FACULTE DE TECHNOLOGIE
‫قســـــــم إلكترونيـــــــــــــك‬
DEPARTEMENT D’ELECTRONIQUE
DOMAINE: SCIENCES TECHNIQUES
FILIERE ELECTRONIQUE
OPTION: ELECTRONIQUE INDUSTRIELLE
MEMOIRE DE MASTER
N° : 90/ EI / 2017
Modélisation et simulation de la commande MPPT

Neuro-Floue d’un système PV
Présenté le 21 juin 2017 par :
ZAÏD KAMEL
Devant le jury composé de :
Président: Mr. KHENFER N Professeur Université Ferhat Abbas – Sétif 1

Examinateur: Mr. KARMED H M. C. C. A Université Ferhat Abbas – Sétif 1
Encadreur: Mr. MANSOURI A M. A.C. A. Université Ferhat Abbas – Sétif 1
Promotion: Juin 2017
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.
Je tiens à remercier vivement mon encadreur Mr Mansouri. A, pour le suivi

continuel tout le long de la réalisation de ce mémoire et qui n’a pas cessé de me
donner ses conseils.
Je remercie les membres de jury d’avoir accepté de juger ce travail.

Pr : Khenfer. N
Dr : Karmed .H
Je tiens également à remercier très chaleureusement mes collègues
Je tiens également à remercier les doctorants du laboratoire d’électronique de

puissance et commande industrielle(LEPCI), et particulièrement
A. Laib., B. Talbi, H. Feroura, A .Belaout
Enfin, je remercie tous ceux qui ont contribué de près ou de loin à ma formation et
à l’élaboration de ce modeste mémoire.

DEDICACE
Je dédie ce modeste travail à :

Mes très chers parents
La mémoire de mon oncle et sa femme
Mes frères
Mes sœurs
Tous mes amis
Mes collègues à l’université
Abréviations et Symboles
Abréviation
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
Ea: Energie [W/m²].

Iph: Courant photo-généré ou photo-courant (A).
RS : La résistance série (Ω).
Rsh : La résistance shunt (Ω).
V : La tension aux bornes de la cellule (V).
I : Le courant fourni par la cellule (A).
q : La charge d’électron (q=1.602 10 -19C).
k : La constante de Boltzmann (1.381 10 -23 joules / kelvin).
a : Facteur d’idéalité de la diode (a∈ [1 ,2]).
Tc : Température absolue de fonctionnement de la jonction (K°).
Icc: Le courant de court- circuit(A).
Voc: La tension à circuit ouvert(V).
Id : Courant de la diode(A).
Vth: La tension thermique(V).
Ga : L’éclairement (W/m2).
Ta : La Température (°C).
A : Section de la cellule.
Pmax: La puissance maximale (W).
Vmax: La tension maximale (V).
Imax: Le courant maximal (I).
ff : Facteur de forme.
η : Le rendement.
Io : Courant de saturation de la diode (A).
Vi : Tension d’entrée du hacheur (V).
Vo : Tension de sortie du hacheur (V).
Ts: Période de commutation (s)
M(d) : Rapport de conversion.
VL : La tension de l’inductance (V).
Il : Le courant de l’inductance (V).
Ic : Le courant de condensateur (V).
Ns : Le nombre des cellules en série
dD : la variation du rapport cyclique D
E : l’erreur.
ΔE : le changement de l’erreur.
Sommaire
Introduction générale
Chapitre I
Généralités sur les systèmes photovoltaïques
1.1. Introduction ....................................................................................................... 1

1.2. La cellule solaire ................................................................................................ 1
1.3. Principe de fonctionnement .................................................................................. 1
1.4. Modèle mathématique d’une cellule photovoltaïque ............................................... 2
1.5. Les paramètres d'une cellule solaire ....................................................................... 5
1.6. Le générateur photovoltaïque (GPV) .................................................................... 5
1.6.1. Mise en série / parallèle ................................................................................................ 5
1.6.2. Protection d’un générateur photovoltaïque.................................................................. 6
1.7. L’influence de la température et de l’ensoleillement ................................................. 7
1.7.1. L’influence de l’ensoleillement .................................................................................... 7
1.7.2. L’influence de la température ....................................................................................... 8
1.8. Etage d’adaptation entre un générateur pv et une charge ........................................... 9
1.8.1. Technique de poursuite MPPT ..................................................................................... 9
1.9. Les convertisseurs DC‐DC ................................................................................. 10
1.9.1 Topologies ..................................................................................................................... 10
1.9.2. Le Convertisseur survolteur (Boost)........................................................................... 11
1.9.3. Convertisseur dévolteur (Buck) .................................................................................. 12
1.9.4. Le convertisseur (Buck-Boost) ................................................................................... 13
1.9.4.1. Modèle mathématique équivalent du convertisseur dévolteur-survolteur ........... 13
1.9.4.2. Le rapport de conversion...................................................................................... 15
1.10. Conclusion ..................................................................................................... 16
Chapitre II
Contrôleur MPPT flou optimisé par les réseaux de neurones
2.1. Introduction ..................................................................................................... 17
2.2. Commande MPPT conventionnelle (classique) ...................................................... 17
2.2.1. Technique de l’incrémentation de la conductance (InCond) ...................................... 18
2.3. Commande MPPT intelligente (avancées) ............................................................ 21
2.3.1. Commande par logique floue ..................................................................................... 21
2.3.1.1. Contrôleur MPPT flou ......................................................................................... 21
2.3.2. Les Réseaux de neurones artificiels (RNA) ............................................................... 26
2.3.2.1. Neurone formel .................................................................................................... 26
2.3.2.2. Fonctions d’activation .......................................................................................... 27
2.3.2.3. Architecture du réseau ......................................................................................... 28
2.3.2.4. Apprentissage dans les réseaux de neurones ....................................................... 29
2.4. Systèmes de commande Neuro-Flous .................................................................. 29
2.4.1. Systèmes neuro-flous hybrides ................................................................................... 30
2.4.1.1. Système ANFIS (Adaptative Neural Fuzzy Inference System) ........................... 30
2.4.1.2. Structure de l’ANFIS .......................................................................................... 31
2.4.1.3. Apprentissage de l’ANFIS. .................................................................................. 33
2.5. Contrôleur MPPT neuro-floue ............................................................................ 34
2.5.2. Fonctions d’appartenance du contrôleur NF .......................................................... 35
2.6. Conclusion ...................................................................................................... 36
Chapitre 3
Simulation Floue et Neuro-Floue
3.1. Introduction : ................................................................................................... 37

3.2. Description du système PV global ....................................................................... 37
3.3. Simulation du panneau solaire ........................................................................... 38
3.3.1. Simulation de GPV à éclairement et température constantes ..................................... 39
3.3.2. Simulation du GPV à éclairement et température variables ....................................... 40
3.3.2.1. Influence de l’éclairement .................................................................................... 40
3.3.2.2. Influence de la température .................................................................................. 41
3.4. Résultats de simulation pour différentes MPPTs .................................................... 41
3.4.1. Profil variable d’éclairement E (W / m²) ................................................................... 41
3.4.2. Profil variable de température T (°c) .......................................................................... 45
3.5.Conclusion……………………………………………………………………………….46
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
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.
Dans ce contexte général, on s’intéresse à la filière photovoltaïque (PV) qui semble

une des plus prometteuses avec un taux de croissance mondial très élevé.
L’énergie PV est obtenue directement à partir du rayonnement solaire au moyen des

panneaux PV. Ces derniers sont composés de cellules solaires qui ont la capacité de
transformer les photons en énergie électrique. Cette dernière est obtenue sous forme de
courant continu directement utilisable.
Un générateur PV fonctionne dans une large gamme de tension et de courant, il ne
fournit sa puissance électrique maximale qu’en un seul point de fonctionnement bien
déterminé sur sa caractéristique courant-tension. Ce point est appelé le Point de Puissance
Maximale (MPP).
Pour une optimisation de la gestion de la production électrique, il est donc
indispensable de se positionner sur cet MPP, lequel malheureusement peut fluctuer en
fonction des changements climatiques, comme la température et l’éclairement.
Généralement, les méthodes dites conventionnelles comme celles de perturbation et
observation P&O, l’incrémentation de la conductance IncCond qui seront utilisées pour
déterminer le MPP. Pour assurer cette fonction, le convertisseur Buck-Boost DC-DC est
généralement incorporé entre le GPV et la charge électrique.
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.
L’objectif de ce mémoire est de concevoir un contrôleur MPPT basé sur la logique

floue, dont les paramètres de fonctions d’appartenance, la base des règles, … etc seront
optimisés par les réseaux de neurones
Les différentes étapes de ce mémoire sont mentionnées ci-après :

Dans le premier chapitre on présente les généralités sur les générateurs
photovoltaïques GPV, avec les différentes définitions et notions de base des convertisseurs
DC-DC, particulièrement le dévolteur-survolteur et leurs modèles mathématiques.
Le deuxième chapitre, est consacré aux commandes MPPT par la technique de

l’incrémentation de la conductance IncCond, et celle basée sur la logique floue puis
l’optimisation du contrôleur flou par les réseaux de neurones.
Le chapitre trois est consacré à la simulation des différentes techniques MPPT
IncCond, Floue et Neuro-Floue, pour faire la comparaison des résultats obtenus.
On termine notre mémoire par une conclusion génerale.
Chapitre 1
Chapitre 1 Généralités sur les systèmes photovoltaïques
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.
1.2. La cellule solaire

La cellule PV ou encore photopile est le plus petit élément d’une installation PV.
C’est un capteur constitué d’un matériau semi-conducteur absorbant l’énergie lumineuse pour
la transformer directement en courant électrique.
1.3. Principe de fonctionnement

L’effet PV utilisé dans les cellules solaires permet de convertir directement l’énergie
lumineuse des rayons solaires en électricité par le biais de la production et du transport dans
un matériau semi-conducteur de charges électriques positives et négatives sous l’effet de la
lumière. Ce matériau comporte deux parties, l’une présentant un excès d’électrons et l’autre
un déficit en électrons, dites respectivement dopée de type N et dopée de type P. Lorsque la
première est mise en contact avec la seconde, les électrons en excès dans le matériau N
diffusent dans le matériau P. La zone initialement dopée N devient chargée positivement et la
zone initialement dopée P chargée négativement. Il se crée donc entre elles un champ
1
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 ce matériau est exposé à la lumière du soleil, les atomes exposés au

rayonnement sont “bombardés” par les photons constituant la lumière. Sous l’action de ce
bombardement, les électrons des couches électroniques supérieures (appelés électrons des
couches de valence) ont tendance à être “arrachés/décrochés”. Mais une partie de ces
électrons ne revient pas à son état initial. Les électrons “décrochés” créent une tension
électrique continue faible. Une partie de l’énergie cinétique des photons est ainsi directement
transformée en énergie électrique : C’est l’effet photovoltaïque. La zone N est couverte par
une grille métallique qui sert de cathode (contact avant) et surtout de collecteurs d’électrons,
tandis qu’une plaque métallique (contact arrière) recouvre l’autre face du cristal et joue le rôle
d’anode. La figure (1.1) illustre la constitution d’une cellule photovoltaïque en silicium.
Figure 1.1: Structure d'une cellule PV.
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
1.4. Modèle mathématique d’une cellule photovoltaïque

Le schéma équivalent de la cellule PV réelle, tenant compte d’effets résistifs parasites
dues à la fabrication, est représenté sur la figure (1.2). Ce schéma équivalent est constitué
d'une diode (d) caractérisant la jonction, une source de courant (Iph) caractérisant le photo-
courant, une résistance série (Rs) représentant les pertes par effet Joule, et une résistance
shunte (Rsh) caractérisant un courant de fuite entre la grille supérieure et le contact arrière qui
est généralement très supérieure à (Rs) [1].
Figure 1.2 : Schéma équivalent d’une cellule photovoltaïque réelle.
Le courant de sortie d’une cellule photovoltaïque se met sous la forme mathématique

suivante :
(1.1)
Avec :
I : Courant délivré par le module (A).
: Courant photo-généré (A).
: Courant de diode (A).
: Courant de shunt (A).
 Le courant photo-généré :
( ) (1.2)
3
Où : sont respectivement le courant généré par la lumière et l’irradiation dans les

conditions nominales.
 Le courant de la diode:
* ( ) + (1.3)
Avec (1.4)
(1.5)
( )
I0 : Courant de saturation de la diode (A), dépendant de la température.
V : Tension aux bornes de la cellule (V)
: Résistance série (Ω).
: Tension en circuit ouvert du panneau à la température nominale.
: Courant de court-circuit du panneau à la température nominale.
Ns : Nombre des cellules en série.
K1 et Kv : Coefficients correcteurs d’idéalité.
α : Facteur de qualité de la diode, normalement compris entre 1 et 2.
q : Charge de l’électron.
K : Constante de Boltzmann.
T : Température effective de la cellule (degré Kelvin).
Tn : Température nominale.
T1 : Température ambiante.
 Le courant de la résistance shunt :
(1.6)
: Résistance shunt (ou parallèle) (Ω).
4
Le courant délivré par le module PV est donc :
( ) * ( ) + (1.7)
1.5. Les paramètres d'une cellule solaire

La cellule PV est caractérisée par plusieurs paramètres [1] :
 Le courant de court-circuit ISC :
C’est le courant débité par un module en court-circuit, pour un éclairement "plein

soleil". Dans ce cas, on peut écrire : Iph = ISC
 Tension à circuit ouvert VOC :
C’est la tension aux bornes du module en l’absence de tout courant, pour un

éclairement " plein soleil".
 Point de puissance maximale(PPM) :
C’est le point de fonctionnement (Vmp, Imp) où la cellule solaire génère sa puissance

maximale.
 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.
1.6. Le générateur photovoltaïque (GPV)

La cellule photovoltaïque élémentaire constitue un générateur de très faible puissance
vis-à-vis des besoins de la plupart des applications domestiques ou industrielles. Une cellule
élémentaire de quelques dizaines de centimètres carrés délivre, au maximum, quelques watts
sous une tension inférieure au volt, typiquement liée à une tension de jonction PN. Pour
produire davantage de puissance, plusieurs cellules doivent être assemblées afin de créer un
module PV complet (générateur d’énergie) [1].
5
1.6.1. Mise en série / parallèle

La connexion en série de cellules identiques permet d’augmenter la tension de
l’ensemble (figure 1.3a), tandis que la mise en parallèle permet d’accroître le courant (figure
1.3_b). Le câblage série/parallèle est possible et souvent utilisé pour obtenir globalement un
générateur PV aux caractéristiques souhaitées afin d’adapter théoriquement la production
d’énergie photovoltaïque à la demande.
Figure1.3a : Caractéristique Figure1.3b : Caractéristique

de n cellules identiques en série. de n cellules identiques en parallèle.
1.6.2. Protection d’un générateur photovoltaïque
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
Figure 1.4 : Deux générateurs PV en parallèle avec leurs diodes de protection.
1.7 L’influence de la température et de l’ensoleillement

1.7.1 L’influence de l’ensoleillement
La caractéristique courant-tension dépend directement du rayonnement incident. En

effet, l’augmentation du flux lumineux se traduit par un déplacement de la caractéristique (I-
V) suivant l’axe des courants. Quand on double l’irradiation, le courant de court-circuit
double aussi. Il est donc proportionnel à l’irradiation. Mais l’accroissement du courant de
court-circuit est beaucoup plus important que celui de la tension à circuit ouvert étant donné
que le courant de court-circuit est une fonction linéaire de l’éclairement, alors que celle de la
tension à circuit ouvert est logarithmique [1].
La figure (1.5) représente l’effet de l’ensoleillement sur les caractéristiques I-V de la

cellule PV :
7
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.
1.7.2. L’influence de la température

La production d’un module PV dépend aussi de la température des cellules. Plus la
température augmente, plus le rendement diminue. Une augmentation de la température
entraîne une chute importante de la tension, une légère augmentation du courant, globalement
8
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
1.8. Etage d’adaptation entre un générateur pv et une charge

1.8.1. Technique de poursuite MPPT
La chaîne de puissance d’un GPV où une charge DC est alimentée par un générateur à
travers un convertisseur statique (CS) commandé par une MPPT peut être représentée comme
indiquée sur la figure (1.9) et dont le rôle est de faire varier le rapport cyclique du CS de telle
sorte que la puissance fournie par le GPV soit le PMAX disponible à ses bornes.
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.
1.9. Les convertisseurs DC‐DC

Le cœur du matériel du suiveur du PPM est le convertisseur à courant continu (DC-
DC). Le hacheur permet de convertir une énergie continue à un niveau donné de tension (ou
de courant) en une énergie continue à un autre niveau de tension (ou de courant) [3].
L’MPPT utilise le convertisseur pour la régulation de la tension d’entrée au PPM du

panneau PV. Il assure l’adaptation de la charge pour un transfert maximal de la puissance. La
figure (1.10) représente le schéma de principe d’un hacheur :
Figure 1.10 : Schéma de principe d’un hacheur.
10
1.9.1 Topologies des hacheurs
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.
Les topologies non isolées n'utilisent pas de transformateurs d'isolement. Ces

topologies sont encore classées par catégorie dans trois types :
- 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 notre système, on s’intéresse au hacheur Buck-Boost.
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
Figure 1.11 : Le rapport cyclique D dans la commande du l’interrupteur.
TS : Période de commutation qui est égale à : TS = 1/FS

D : Rapport cyclique du commutateur (D∈ [0,1]).
1.9.2. Le Convertisseur survolteur (Boost)

La Figure (1.12) représente le circuit électrique équivalent du convertisseur Boost.
Figure 1.12 : Circuit électrique équivalent du convertisseur Boost.
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.
 Lorsque le commutateur est ouvert, l'inductance se trouve alors en série avec le

générateur et la f.é.m. induite s'additionne à celle du générateur Vi (effet survolteur).
Le courant traversant l'inductance traverse ensuite la diode, le condensateur C et la
charge R. Il en résulte un transfert de l'énergie accumulée dans l'inductance vers la
12
capacité. Quand un convertisseur Boost travaille en mode de conduction continue, le

courant traversant l’inductance ne s'annule jamais [3].
 Le rapport de conversion du hacheur survolteur est donné par la formule (1.8) :
M(d) = (1.8)
1.9.3. Convertisseur dévolteur (Buck)
La figure (1.13) représente le circuit électrique équivalent du convertisseur Buck :
Figure 1.13 : Circuit électrique équivalent du convertisseur Buck.
 Quand (t ∈ [0 ; D*Ts]) : le commutateur est fermé, la diode d se bloque et un courant

Io circulera dans la charge R à travers l’inductance L.
 Lorsque (t ∈ [D*Ts ; Ts]), le commutateur sera ouvert, la source et la charge ne sont

plus en contact durant cette phase. La diode est passante et l’inductance L maintiendra
le courant io dans la charge [3].
 Le rapport de conversion du hacheur dévolteur est donné par la formule (1.9) :
M(d) = (1.9)
1.9.4. Le convertisseur (Buck-Boost)
Le convertisseur dévolteur-survolteur combine les propriétés des configurations du

dévolteur et du survolteur. Il peut être employé pour transformer idéalement n’importe quelle
13
tension continue d’entrée en n’importe quelle tension continue désirée de sortie. La

figure (1.14) représente le circuit électrique équivalent du convertisseur Buck-Boost :
Figure 1.14 : Circuit électrique équivalent du convertisseur Buck-Boost.
1.9.4.1. Modèle mathématique équivalent du convertisseur dévolteur-survolteur
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) :
Figure 1.15 : Circuit électrique équivalent du Buck-Boost durant l’intervalle D*Ts.
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) :
La variation du rapport cyclique D changera le rapport de conversion entre la tension

d’entrée et la tension de sortie Vi/Vo [3].
14
Figure 1.16 : Circuit électrique équivalent du Buck-boost durant l’intervalle [DTs-Ts]
1- L’application de la loi de Kirchhoff sur la première période D*Ts, donne les

équations (1.10) :
( ) ( )
( )
( ) ( )
( )
( ) ( )
{
(1.10)
2- Pendant la deuxième période (1-D)*Ts, on exprime les équations
( )
( ) ( )
( ) ( ) (1.11)
( )
{ ( ) ( )
1.9.4.2. Le rapport de conversion
L’approximation de petites ondulations permet de remplacer les variables dépendantes

du temps dans (1.10) et (1.11) par leurs valeurs moyennes. Ceci donne pour D*Ts, les
équations (1.12) :
{ (1.12)
Pendant la deuxième période (1-D)*Ts, on a les équations (1.13) :
15
{ (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)
 Donc on exprime le rapport de conversion ( ) par (1.17) :
( ) (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.
2.2. Commande MPPT conventionnelle (classique)
Parmi toutes les techniques classiques de l’MPPT, la technique perturbation et

observation (P&O) et la technique de la conductance incrémentale (InCond) qui sont les
algorithmes les plus simples et les plus utilisés [4]. Ces types de commande imposent toujours
une oscillation autour du point de puissance maximum (MPP). En effet, cette oscillation est
nécessaire pour connaître les variations de la puissance de sortie du GPV et ainsi réajuster le
rapport cyclique D du convertisseur DC-DC en faisant en sorte que le point de
fonctionnement du GPV oscille le plus près possible du PPM, même si les conditions de
fonctionnement sont inchangées. Cela entraîne des pertes en régime établi .
17
2.2.1. Technique de l’incrémentation de la conductance (InCond)
Le principe de cet algorithme est basé sur la connaissance de la valeur de la

conductance G = I / V et sur l’incrément de la conductance (dG), afin de déduire la position
du point de fonctionnement par rapport au point de puissance maximale, ‘PPM’.
En comparant la conductance G à la conductance incrémentielle ∆G, nous allons
chercher le maximum de la courbe de la figure 2.1 en cherchant le point d’annulation de la
dérivée de la puissance par rapport à la tension. La puissance de sortie de la source peut être
exprimée par: P = V× I
D’où en écrivant la dérivée totale :
⇒ ⇒ (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
𝐺 ∆𝐺
𝐺 ∆𝐺
𝐺 ∆𝐺
Figure 2.1. Différentes zones de fonctionnement.
Les valeurs numériques actuelles et précédentes de la tension et du courant sont

utilisées pour calculer (∆V) et (∆I). Si ∆V=0 et ∆I=0, alors les conditions atmosphériques
n'ont pas changé et le MPPT fonctionne toujours au MPP.
Si ∆V=0 et ∆I>0, alors l'éclairement a augmenté. Ceci exige à l’InCond d'augmenter

la tension de fonctionnement pour retrouver de nouveau le MPP. Contrairement si ∆I<0,
l'éclairement a diminué tout en exigeant à l’MPPT InCond de diminuer la tension de
fonctionnement.
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
Si (c'est-à-dire le rapport (∆P/∆V)>0), le point de fonctionnement est à
gauche du MPP. Ainsi, la tension de fonctionnement doit être augmentée pour atteindre le
MPP.
19
Si (c'est-à-dire le rapport (∆P/∆V) <0), le point de fonctionnement se
trouve à droite du MPP tout en signifiant que la tension doit être réduite pour atteindre le
MPP.
Le diagramme de l’algorithme InCond est représenté sur la figure 2.2.
Figure 2.2 : Diagramme de la technique InCond.
20
2.3. Commande MPPT intelligente (avancées)
2.3.1. Commande par logique floue
L’utilisation de la commande floue est particulièrement intéressante, lorsqu’on ne

dispose pas de modèle mathématique précis du processus à commander ou lorsque ce dernier
présente de trop fortes non linéarités ou imprécisions [5].
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).
2.3.1.1. Contrôleur MPPT flou
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.
Figure 2.3. Structure de base du contrôleur MPPT flou
Les deux variables d’entrée du contrôleur flou sont l’erreur E et la variation de

l’erreur ΔE prélevée à chaque pas d’échantillonnage k. Ces deux variables sont définies par
les deux expressions suivantes:
21
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 mise en place d’un contrôleur flou se réalise en trois étapes :

 Fuzzification
 Inférence
 Défuzzification
A. Fuzzification
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].
L'entrée E(k) montre si le point de fonctionnement de la charge est situé à gauche ou à

droite du point de puissance maximale de la courbe P-V. Si cette valeur est positive, alors le
point de fonctionnement se trouve à gauche du point MPP, sinon, le point de fonctionnement
est à droite du point MPP. L'entrée ΔE(k) indique la direction qui nous permet d’estimer la
vitesse de convergence vers le point MPP du point de fonctionnement [13].
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
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].
Figure 2.4. Fonctions d’appartenance des entrées et
Figure 2.5. Fonction d’appartenance de la sortie D
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.
Il est évident qu’une bonne connaissance du système est requise pour le

développement d’un tel régulateur. En effet, en règle générale, une valeur d’entrée est définie
par deux fonctions floues avec des degrés différents, 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.
23
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 figure 2.6 illustre la composition MAX-MIN
Figure 2.6. Exemple d'inférence Max-Min
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.
L'application de la première règle d'inférence donne un degré d'appartenance à la

condition de 0,8 (minimum dû à l'opérateur ET entre les deux degrés d'appartenance). On
obtient ainsi une "fonction d'appartenance partielle" dessinée en gris qui est écrêtée à 0,8.
De manière similaire, la seconde règle donne lieu à une fonction d'appartenance écrêtée à 0,2.
La fonction d'appartenance résultante correspond au maximum des deux fonctions

d'appartenance partielles puisque les règles sont liées par l'opérateur OU.
24
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
Par exemple l’intersection de la colonne 3 et la ligne 5 du tableau 3.3 représente la

règle de commande : Si (E est PG) ET (ΔE est EZ) ALORS (ΔD est 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 :
On a vu que les méthodes d’inférence fournissent une fonction pour la variable

d’appartenance résultante, il s’agit donc d’une information floue. Etant donné que le
convertisseur DC-DC nécessite un signal de commande D précis à son entrée, il faut prévoir
une transformation de cette information floue en une information déterministe appelée
défuzzification [13]. Parmi les méthodes de défuzzification les plus répandues sont :
- Centre de Gravité (CDG)
- Premier Maximum
- Dernier Maximum
- Centre Maximum.
25
La méthode de défuzzification la plus utilisée est celle de la détermination du centre de

gravité CDG du dernier ensemble flou combiné représentée par la figure (2.7). Le dernier
ensemble flou combiné est défini par l’union de tous ensembles de sortie produite par les
règles flous en utilisant la méthode d’agrégation maximale.
Figure 2.7. Détermination du centre de gravité.
Pour une représentation de données échantillonnées, le centre de gravité dD, est

calculé comme suit :
∑
(2.7)
∑
2.3.2. Les Réseaux de neurones artificiels (RNA)
Les réseaux de neurones artificiels sont des systèmes de traitement de l'information

dont la structure s'inspire de celle du système nerveux. Ils sont destinés à effectuer des tâches
auxquelles les approximateurs traditionnels semblent moins adaptés. Dans le domaine de
traitement du signal et de l'automatique, les dernières années ont été marquées par des
avancées significatives tant du point de vue fondamental que du point de vue des applications
industrielles [8].
Les réseaux de neurones artificiels sont des réseaux fortement connectés de
processeurs élémentaires fonctionnant en parallèle. Chaque processeur élémentaire calcule
une sortie unique sur la base des informations qu'il reçoit. Toute structure hiérarchique de
réseaux est évidemment un réseau de neurones.
2.3.2.1. Neurone formel
Un neurone formel est un automate très simple imitant grossièrement la structure et le

fonctionnement d’un neurone biologique. La première version de ce dernier est celle de M.C
CULLOCH et W. PITTS et date de 1943. S’inspirant de leurs travaux sur les neurones
26
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].
Figure 2.8 : Modèle d'un neurone artificiel
Y= f(a) : Sortie du neurone et f sa fonction d’activation
a : Somme pondérée des entrées du neurone, elle est donnée par :
∑ (2.8)
Avec : Wi : les poids des connexions.

xi : les entrées.
2.3.2.2. Fonctions d’activation
La fonction de transfert ou d'activation définit la valeur de sortie d'un neurone. Il existe de

nombreuses formes possibles, dont les plus courantes sont présentées sur la figure 2.9.(a, b,
c) :
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
2.3.2.3. Architecture du réseau
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
Figure 2.10 : Réseau de neurone non bouclé
Figure 2.11: Réseaux de neurones bouclés
Figure 2.12: Réseau non bouclé monocouche
28
Figure 2.13: Réseau non bouclé Multicouche
2.3.2.4. Apprentissage dans les réseaux de neurones
L’apprentissage dans le contexte des réseaux de neurones, est le processus de

modification des poids de connexions (y compris les biais) ou plus rarement du nombre de
couches et de neurones afin d’adapter le traitement effectué par le réseau à une tache
particulière [10]. L’apprentissage est la caractéristique principale des réseaux de neurones et il
peut se faire de différentes règles et manières :
 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).
2.4. Systèmes de commande Neuro-Flous
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
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 :
Figure 2.14: 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
2.4.1. Systèmes neuro-flous hybrides

Un système neuro-flou hybride est un réseau de neurone avec un signal flou, des poids
flous, une fonction de transfert floue et un module d’adaptation de la structure de RNF par
un apprentissage d’un ensemble de données [16], Il a été notamment répertorié en trois
familles différentes [9]:
 Le modèle FALCON
 Le modèle GARIC
 Le modèle NEFCLASS
 Le modèle ANFIS
2.4.1.1. Système ANFIS (Adaptative Neural Fuzzy Inference System)
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
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].
La procédure d’apprentissage utilise un mélange de rétro propagation et une estimation

par moindres carrés moyen (MSE). ANFIS est implanté dans la boite à outils ’Neurofuzzy’
accompagné de son algorithme d’apprentissage hybride basé sur la rétro propagation et la
méthode des moindres carrés. Ce modèle sera utilisé dans notre travail.
2.4.1.2. Structure de l’ANFIS
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):
Figure 2.15 : L’Architecture générale de l’ANFIS.
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
- Première couche pour la fuzzification: La première couche représente les fonctions

d’appartenance floues. Chaque nœud de cette couche est un nœud carré avec une fonction:
(2.9)
Ou x est l’entrée du nœud i, et le terme linguistique associé à sa fonction. En d’autres

termes, est le degré d’appartenance de x. Les paramètres d’un nœud de cette couche sont
ceux de la fonction d’appartenance correspondante.
- 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)
- Quatrième couche de Conséquence: La quatrième couche calcule les coefficients de

l’équation du premier ordre d’une règle de type Takagi-Sugeno et cela pour chaque règle
floue. Chaque nœud de cette couche est un nœud carré avec une fonction réalisant le calcul:
) (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.
- Cinquième couche pour la Sommation: La cinquième couche qui représente la couche de

sortie, calcule la sortie globale Pesée (pondérée) du système. Le seul nœud de cette couche est
un nœud circulaire qui effectue la somme des signaux provenant de la couche 4, c’est-à -dire,
∑ (2.13)
2.4.1.3. Apprentissage de l’ANFIS.
L’apprentissage est la phase de développement du réseau neuro-flou en optimisant les

paramètres d'un système flou: les paramètres de la partie prémisses (fonctions d'appartenance)
32
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):
Jang a proposé que la tâche d'apprentissage de L'ANFIS se fait en deux passages en

utilisant un algorithme d'apprentissage hybride, comme illustré sur la table 2.2
Tableau 2.2 Méthodes utilisées pour l'apprentissage de l'ANFIS
Passage vers l'avant Passage en arrière
Paramètre des prémisses Fixe Rétro- propagation
Paramètres des conséquents Moindres carrés Fixe
2.5. Contrôleur MPPT neuro-floue
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
Le contrôleur neuro-flou est un contrôleur ANFIS à une architecture composée de

cinq couches comme représentée sur la figure (2.16). Ce contrôleur permet une génération
automatique de règles floues.
Si E est A1 et ΔE est B1 Alors D1=f1 (E, ΔE)

Si E est A2 et ΔE est B2 Alors D2= f2 (E, ΔE)
. .
Si E est A49 et ΔE est B49 Alors D49=f49 (E, ΔE)
Où E, ΔE, sont des variables d’entrée et A1, A2, . . ., A7 et B1, B2,.....B7 sont des ensembles
flous.
Figure 2.16 : Architecture du modèle ANFIS proposé.

La structure neuronale équivalente proposée sous Matlab est représentée à la figure (2.17) :
Figure 2.16: Structure neuronale du modèle proposé sous Matlab.
34
2.5.2. Fonctions d’appartenance du contrôleur NF
 Les fonctions d’appartenance, sous forme triangulaire, générées par ANFIS

sont représentées sur les figures (2.18 - 2.19) :
Figure 2.18. Fonction d’appartenance de L’entrées
Figure 2.19. Fonction d’appartenance de L’entrées
 Les règles générées par ANFIS sont représentées sur la tableau 2.3 :
Tableau 2.3 : Table des règles générées par ANFIS.

E
ΔE A1 A2 A3 A4 A5 A6 A7
B1 D1 D2 D3 D4 D5 D6 D7
B2 D8 D9 D10 D11 D12 D13 D14
B3 D15 D16 D17 D18 D19 D20 D21
B4 D22 D23 D24 D25 D26 D27 D28
B5 D29 D30 D31 D32 D33 D34 D35
B6 D36 D37 D38 D39 D40 D41 D42
B7 D43 D44 D45 D46 D47 D48 D49
35
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).
3.2. Description du système PV global

Le modèle global du system PV représenté par la figure 3.1 est constitué de :
 Un générateur (GPV) : Le panneau photovoltaïque KYOCERA KC200GT,

 Un convertisseur Buck-Boost : Ce convertisseur est l’étage d’adaptation entre le
GPV et la charge de sortie.
Avec : C1 = 2.2 mF, C2 =0.47 mF, L = 0.5 mH
 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
Le schéma bloc de la simulation du GPV, du Buck-Boost et sa commande MPPT est

représenté sur la figure 3.1.
37
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
Figure 3.1 : Simulation du GPV, du Buck-Boost et sa commande MPPT
3.3. Simulation du panneau solaire

Le GPV est un module de type KYOCERA KC200GT qui délivre au maximum
200,143W. Les paramètres de ce GPV fournis par le constructeur à 1000 W/m² et 25 C
sont donnés dans le tableau 3.1. Les caractéristiques P-V et I-V sont données sur la figure
3.2
Tableau 3.1. Présentation du module type KYOCERA KC200GT
Caractéristiques physiques KYOCERA KC200GT
Nombre de cellule en série (Ns) 54

Nombre de cellule en parallèle (Np) 1
Caractéristiques électriques Ta=25℃, Ga=1000w/m²
Puissance maximale (Pmax) 200.143W

Tension au point maximale (Vmpp) 26.3V
Courant au point maximal (Impp) 7.61A
Tension de circuit ouvert (Voc) 32.9V
Courant de court-circuit (Icc) 8.21A
Résistance en série 0.221Ω
Résistance en parallèle 415.405 Ω
38
Sur la base du modèle mathématique du module solaire développé dans le chapitre1,

par les équations (1.1-1.6) on obtient le modèle équivalent d’un panneau sous MATLAB-
SIMULINK représenté sur la figure (3.2) :
1 54
Np
G
Divide From8 Ns
1000
[Ipv]
Gn Product7 1.3
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
Figure 3.2. Le modèle équivalent d’un panneau sous MATLAB-SIMULINK :
3.3.1. Simulation de GPV à éclairement et température constantes
Les figures (3.3-3.4) représentent les caractéristiques I=f(V), P=f(V) du panneau

PV aux conditions standards (Ta=25℃, Ga=1000w/m²).
10
8
Courant (A)
0
0 10 20 30 40 50 60 70
Tension (V)
Figure 3.3 : Caractéristique I=f(V) dans les STC.
39
500
400
Puissance (W)
300
200
100
0
0 10 20 30 40 50 60 70
Tension (V)
Figure 3.4 : Caractéristique P=f(V) dans les STC.
3.3.2. Simulation du GPV à éclairement et température variables
Les figures (3.5-3.8) représentent les caractéristiques I=f(V), P=f(V) du panneau

PV aux conditions variables (E=200-1000 w/m², Ta=-25 à 75℃)
3.3.2.1. Influence de l’éclairement
Pour visualiser l’influence de l’éclairement, on fixe la température ambiante

(Tc=25℃) et on fait varier l’éclairement E entre (200-1000 w/m²) avec un pas de 200 w/m²
10
E=1000 W/m²
E=800 W/m²
8 E=600 W/m²
E=400 W/m²
E=200 W/m²
Courant (A)
0
0 10 20 30 40 50 60 70
Tension (V)
Figure 3.5 : Caractéristique I=f(V) avec variation de l’éclairement E.
500
E=1000 W/m²
400 E=800 W/m²

E=600 W/m²
Puissance (W)
300 E=400 W/m²

E=200 W/m²
200
100
0
0 10 20 30 40 50 60 70
Tension (V)
Figure 3.6 : Caractéristique P=f(V) avec variation de l’éclairement E.
40
On remarque que la valeur du courant de court-circuit est directement proportionnelle

à l’intensité du rayonnement. Par contre, la tension en circuit-ouvert ne varie pas dans les
mêmes proportions, elle reste quasiment identique même à faible éclairement.
3.3.2.2. Influence de la température
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)
Figure 3.7 : Caractéristique I=f(V) avec variation de température.

500
Ta= -25°c
Ta= 0°c
400 Ta= 25°c
Ta= 50°c
Puissance (P)
300 Ta= 75°c
200
100
0
0 10 20 30 40 50 60 70 80
Tension (V)
Figure 3.8 : Caractéristique P=f(V) avec variation de température
On remarque que la température a une influence négligeable sur la valeur du courant

de court-circuit. Par contre, la tension en circuit ouvert baisse assez fortement lorsque la
température augmente, par conséquent la puissance extractible diminue.
3.4. Résultats de simulation pour différentes MPPTs

Le modèle du système a été testé avec deux profils d'irradiation solaire et de
température ambiante. Ces profils sont artificiels avec des changements brusques et rapides de
l'irradiation et de la température pour plusieurs niveaux.
3.4.1. Profil variable d’éclairement E (W / m²)
Dans les figures (3.9-3.10), on maintient une température constante (T=25°C) et on

varie l’éclairement solaire suivant une variation brusque ou bien rapide, dans les deux sens.
41
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
1000
800
E ( W /m² )
600
400
0.5 1 1.5 2 2.5 3 3.5

Temps ( s )
60
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
0.5 1 1.5 2 2.5 3 3.5

Temps (s)
Figure 3.10 : Réponses des trois contrôleurs MPPT InCond, MPPT Flou et MPPT Neu-Flou.
43
 Interprétation des résultats

Les résultats obtenus lors de ce test comme illustré par les figures 3.9- 3.10, montrent
que le contrôleur Neu-Flou a des caractéristiques transitoires meilleures que le contrôleur
Flou en termes de temps de réponse (ts) et la précision de poursuite MPP lors des variations
brusques de l’éclairement solaire.
Les caractéristiques dynamiques et statiques des technique avancées Floue et Neu-
Floue sont meilleures que celles de la technique InCond avec un temps de réponse plus court
et d’amplitude d’oscillations crête à crête moindre.
Lors des variations rapides de l’éclairement solaire, les deux contrôleurs Floue et
Neu-Floue présentent une très bonne poursuite. Le contrôleur InCond suit la consigne
(variation de l’ensoleillement) avec des fluctuations.
On peut résumer tous les résultats de simulation des trois commandes dans les
tableaux 3.2 et 3.3 :
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
Tableau 3.3: Interprétation des résultats pour une Ta constante et E constant.

T = 25 ° c
Technique de E = 1000 (W / m²) E = 800 (W / m²)
commande D Oscillation (W) D Oscillation (W)
In-cond 0.5 – 0.56 1.5 0.44 à 0.52 1.4
Floue 0.525 – 0.53 0.8 0.475 – 0.485 0.6
Neuro-Floue 0.525 – 0.53 0.8 0.475 – 0.485 0.6
44
3.4.2. Profil variable de température T (°C)
La figure (3.11) représente les réponses des trois contrôleurs où on maintient

l’éclairement solaire à une valeur fixe (1000 W/m²) et on fait varier la valeur de la
température suivant une variation rapide.
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
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.
4.2. Description du système

Partie commande
 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
Partie commande rapprochée
 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
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
Figure 4.1 : Banc d’essai expérimental.
48
Tableau 4. 1. Eléments indiqués dans la figure 4.1.
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
4.2.1 Emulateur de panneaux PV
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
Figure 4.2 : Synoptique de l’émulateur
4.3. Les résultats expérimentaux du système PV

Pour les tests de robustesse de la commande du convertisseur Boost, on fait varier
l’éclairement pour visualiser les réponses des contrôleurs InCond, Flou et Neuro-Flou en temps
réel sur l’oscilloscope.
4.3.1. Contrôleur MPPT InCond
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
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
Dérive
Figure 4.3.c
Figure 4.3 (a, b, c) : Réponse du contrôleur MPPT IncCond
D’après la figure 4.3b du contrôleur InCond, on remarque que le temps de réponse ts =

340ms.
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.
4.3.2. Contrôleur MPPT Flou
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
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
Figure 4.4c
Figure 4.4(a, b, c): Réponse du contrôleur MPPT Flou
D’après la figure 4.4b du contrôleur Flou, on remarque que le temps de réponse ts = 55

ms.
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.
4.3.3. Contrôleur MPPT Neuro-Flou
La figure 4.5(a,b,c) illustre la réponse du système commandé par un contrôleur Neuro-

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).
54
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
Figure 4.5c
Figure 4.5 (a, b, c) : Réponse du contrôleur MPPT neuro-Flou
D’après la figure 4.5b du contrôleur Neuro-Flou, on remarque que le temps de réponse ts

= 45 ms.
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.
4.4. Comparaison des résultats

Les résultats expérimentaux montrent que le contrôleur Neuro-Flou est de meilleure
performance en régime transitoire concernant le temps de réponse le plus court :
ts (N-F)=450ms < ts(F) =550 ms < ts(IC) = 340 ms.
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
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
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.
Dans un premier temps, nous avons modélisé le module PV associé à un convertisseur

DC-DC de type Buck-Boost où la commande MPP a été assurée par un contrôleur Flou dont les
règles ont été choisies par une expertise non optimale. Dans la seconde étape, un algorithme
d’optimisation à base des RN a été proposé, afin d’aboutir à un contrôleur Flou optimal pour
l’amélioration des performances aussi bien statiques que dynamiques de la MPPT.
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).
[3] K. Mariank, " PWM DC-DC converters" (2008).
[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).
[5] B. Bouchon, " La logique floue, principes, aide à la décision," (2003).
[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).
[8] A. Faure "classification et commande par réseaux de neurones" (2003).
[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
Title: Modeling and simulation of Neuro-Fuzzy MPPT control of a PV system.

Name: Zaid, First Name: Kamel, Directed by: Mansouri. A
Abstract:
The characteristic current-voltage of a photovoltaic generator depends on solar
insolation and temperature. Hence, for any climatic variations, the maximum power point
tracking (MPPT) by fuzzy and neural network controller is applied to this PV system to
deliver its maximum power. For this reason, we insert the buck-boost converter between PV
generator and the load for their power adaptation. In this project, comparison of simulation
results of the fuzzy, neural network and neuro-fuzzy Confirms the most effective method.
Key-words: MPPT, GPV, Buck-Bust DC, Neuro-Fuzzy controller.
Titre: Modélisation et simulation de la commande MPPT Neuro-Floue d’un system PV

Nom : Zaid, Prénom : Kamel, Encadreur : Mansouri. A
Résumé :
La caractéristique courant-tension d’un générateur photovoltaïque (GPV) dépend de
l’irradiation solaire et de la température. Ainsi, quelles que soient les variations climatiques,
la poursuite du point de puissance maximale (MPPT : Maximum Power Point Tracking) par
un contrôleur Neuro-Flou est appliquée dans ce system PV pour obtenir une puissance de
sortie maximale. Pour cela, on intercale le Buck-Boost entre le générateur PV et la charge
pour leur adaptation en puissance.
Dans ce projet, la comparaison des résultats de simulation et d’expérimentation des
techniques Floue et neuro-flou confirmera la plus performante.
Mots clés: MPPT, générateur photovoltaïque, Buck-Boost C, contrôleur Neuro-Flou

Zaid Kamel

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Zaid Kamel

Transféré par

Droits d'auteur :

Formats disponibles

‫الجمهورية الجزائرية الديمقراطية الشعبية‬

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

Modélisation et simulation de la commande MPPT

Présenté le 21 juin 2017 par :

Devant le jury composé de :

Président: Mr. KHENFER N Professeur Université Ferhat Abbas – Sétif 1

Promotion: Juin 2017

Je tiens à remercier vivement mon encadreur Mr Mansouri. A, pour le suivi

Je remercie les membres de jury d’avoir accepté de juger ce travail.

Je tiens également à remercier très chaleureusement mes collègues

Je tiens également à remercier les doctorants du laboratoire d’électronique de

A. Laib., B. Talbi, H. Feroura, A .Belaout

à l’élaboration de ce modeste mémoire.

Je dédie ce modeste travail à :

Ea: Energie [W/m²].

1.1. Introduction ....................................................................................................... 1

3.1. Introduction : ................................................................................................... 37

Dans ce contexte général, on s’intéresse à la filière photovoltaïque (PV) qui semble

L’énergie PV est obtenue directement à partir du rayonnement solaire au moyen des

L’objectif de ce mémoire est de concevoir un contrôleur MPPT basé sur la logique

Les différentes étapes de ce mémoire sont mentionnées ci-après :

Le deuxième chapitre, est consacré aux commandes MPPT par la technique de

1.2. La cellule solaire

1.3. Principe de fonctionnement

Lorsque ce matériau est exposé à la lumière du soleil, les atomes exposés au

Figure 1.1: Structure d'une cellule PV.

1.4. Modèle mathématique d’une cellule photovoltaïque

Figure 1.2 : Schéma équivalent d’une cellule photovoltaïque réelle.

Le courant de sortie d’une cellule photovoltaïque se met sous la forme mathématique

I : Courant délivré par le module (A).

: Courant photo-généré (A).

: Courant de diode (A).

: Courant de shunt (A).

Où : sont respectivement le courant généré par la lumière et l’irradiation dans les

I0 : Courant de saturation de la diode (A), dépendant de la température.

V : Tension aux bornes de la cellule (V)

: Résistance série (Ω).

: Tension en circuit ouvert du panneau à la température nominale.

: Courant de court-circuit du panneau à la température nominale.

Ns : Nombre des cellules en série.

K1 et Kv : Coefficients correcteurs d’idéalité.

α : Facteur de qualité de la diode, normalement compris entre 1 et 2.

T : Température effective de la cellule (degré Kelvin).

 Le courant de la résistance shunt :

: Résistance shunt (ou parallèle) (Ω).

Le courant délivré par le module PV est donc :

1.5. Les paramètres d'une cellule solaire

 Le courant de court-circuit ISC :

C’est le courant débité par un module en court-circuit, pour un éclairement "plein

 Tension à circuit ouvert VOC :

C’est la tension aux bornes du module en l’absence de tout courant, pour un

 Point de puissance maximale(PPM) :

C’est le point de fonctionnement (Vmp, Imp) où la cellule solaire génère sa puissance

1.6. Le générateur photovoltaïque (GPV)

1.6.1. Mise en série / parallèle

Figure1.3a : Caractéristique Figure1.3b : Caractéristique

1.6.2. Protection d’un générateur photovoltaïque

Figure 1.4 : Deux générateurs PV en parallèle avec leurs diodes de protection.

1.7 L’influence de la température et de l’ensoleillement

La caractéristique courant-tension dépend directement du rayonnement incident. En

La figure (1.5) représente l’effet de l’ensoleillement sur les caractéristiques I-V de la

1.7.2. L’influence de la température

1.8. Etage d’adaptation entre un générateur pv et une charge