Soutenance - Thèse Dando - Bon - 07 - 01 - 2017

UNIVERSITE DE NGAOUNDERE
Ecole Nationale Supérieure des Sciences Agro-Industrielles

Département de Génie Electrique, Energétique et Automatique
UFD: Physique Appliquée et Ingénierie
Spécialité: Génie Electrique et Automatique Industrielle
Soutenance – Doctorat/Ph.D
Etude de la performance des algorithmes MPPT par

rapport aux paramètres photovoltaïques et aux facteurs
météorologiques
Par
Abraham DANDOUSSOU,
M. Sc. Tech. Mention: Ingénierie des Equipements Agro-Industriels, spécialité:
Informatique, Electronique et Automatique, ENSAI
Matricule: 07S110EN
Directeurs
Pr. Laurent BITJOKA Pr. Martin KAMTA Pr. Alexis KUITCHE Pr. Patrice WIRA
Maître de Conférences, Maître de Conférences, Maître de Conférences, Professeur,
Université de Université de Université de Université de Haute
Ngaoundéré, Cameroun Ngaoundéré, Cameroun Ngaoundéré, Cameroun Alsace, France.
Année: 2017
PLAN
INTRODUCTION GÉNÉRALE
 Contexte et Problématique
 Hypothèses
 Objectifs
1ère PARTIE: Techniques expérimentales
2ème PARTIE: Simulations basées sur des données

expérimentales du comportement d’un module
photovoltaïque au silicium monocristallin
3ème PARTIE: Mise au point des algorithmes de Poursuite du

Point de Puissance Maximale d’ un module photovoltaïque
CONCLUSION GÉNÉRALE ET PERSPECTIVES

Remerciements
2/59
INTRODUCTION
Energie: moteur de développement de tout pays.
 Grande proportion d’énergie provenant de la combustion

des combustibles fossiles.
Pétrole
Charbon
4,8 % 10,0 % Gaz naturel
1,1 % 2,4 % Biocarcurants et déchets
Nucléaire
21,3 % Hydroélectricité
Autres (géothermie, solaire, éolien, etc.)
31,4 %
29,0 %
Figure 0.1 – Production mondiale d’énergie primaire en 2012 (D’après les

données du Key World Statistics 2014 de l’AIE)
3/59
INTRODUCTION
 Ressources fossiles: épuisables et polluantes par émission

des gaz à effet de serre responsables du réchauffement
climatique.
Solution: Divers sommets internationaux qui ont

préconisé le réchauffement climatique à moins de 2°C à
l’horizon 2040.
 Stockholm en 1972: PNUE

 Rio de Janeiro en 1992: CCNUCC
 Rio de Janeiro en 2012: OMD - ODD
 Ressources renouvelables: inépuisables à l’échelle

humaine et non polluantes.
4/59
INTRODUCTION
 Potentiel en énergies renouvelables du Cameroun

 Energie hydraulique: 19,3 x 103 MW pour une production
moyenne estimée à 115 x 106 MWh/an (SIE-Cameroun, 2011).
 Energie éolienne: avec une vitesse moyenne inférieure à
5m/s (SIE-Cameroun, 2011).
 Energie de la biomasse: 2ème potentiel forestier du bassin
du Congo (SIE-Cameroun, 2011).
 Energie solaire: insolation moyenne de 4,9 kWh/m²/j, soit
4 kWh/m²/j (Sud-Cameroun) et 5,8 kWh/m²/j (Nord-
Cameroun) (PEN, 1990; Ayangma et al., 2007).
 En solaire, la moyenne productible estimée à
2327,5TWh/an, soit 20 fois le potentiel hydroélectrique
qui est de 115 TWh/an (SIE-Cameroun, 2011). 5/59
INTRODUCTION
 Problèmes Technologiques des sources d’énergie
photovoltaïque (PV):
• Puissance de sortie tributaire des conditions
météorologiques; Performance instable au fil du
soleil.
Conséquence: Source d’énergie électrique
intermittente
 Systèmes PV à connexion directe
Ppv (W)
Charge résistive Source de tension
ICC DAR
IPPM
Charge DC
PPM PPPM
Source de courant
MPV
Ipv(A)
A PA
PB
B
PC
C
0
Figure 0.2 – Système PV à connexion
VPPM VOC
Vpv (V)
Figure 0.3 – Différents points de directe
fonctionnement d’un module PV 6/59
INTRODUCTION
 Systèmes PV à connexion via un étage d’adaptation
Ipv Is
• Avantage: Permettre
le transfert de
Charge
Vpv Etage Vs
MPV
d’adaptation
puissance maximale
vers la charge, à
Figure 0.4 – Connexion d’un module PV à travers un MPPT.
une charge à travers un étage d’adaptation
• Algorithmes MPPT:
 Perturb and Observe (P&O);
 Hill Climbing (HC);
 Incrément de la Conductance (INC);
 Techniques intelligentes: logiques floues et réseau de
neurones artificiels;
 Etc.(Hohm et Ropp, 2000; Tse et al., 2004; Sera et al., 2006;
Esaram et Chapman, 2007; Faranda et Leva, 2008)
7/59
INTRODUCTION
Tableau 0.1. Caractéristiques majeures des algorithmes MPPT
Méthode Connaissance Nécessité Mode Complexité Vitesse de Type et nombre Rende
MPPT des d’une mise à d’implémentation d’implémenta recouvrement de capteurs ment
paramètres jour tion du PPM (%)
du MPV périodique
P&O Non Non Analogique ou Faible Variable 1 Capteur 81-96
Numérique Courant
1 Capteur Tension
INC Non Non Numérique Moyenne Variable 1 Capteur 90-98
Courant
1 Capteur Tension
HC Non Non Analogique ou Faible Variable 1 Capteur 95-99
Numérique Courant
1 Capteur Tension
Fraction Oui Oui Analogique ou Moyenne Moyenne 1 Capteur Tension 88
de VOC Numérique
Fraction Oui Oui Analogique ou Moyenne Moyenne 1 Capteur -
de ICC Numérique Courant
Logique Oui Oui Numérique Haute Rapide Variable -
Floue
Réseau Oui Oui Numérique Haute Rapide Variable -
de
Neurones
RCC Non - Analogique Faible Rapide 1 Capteur -
Courant
1 Capteur Tension
Balayage Oui Oui Analogique ou Haute Lentement 1 Capteur -
du Numérique Courant
Courant 1 Capteur Tension
(Hohm et Ropp, 2000 ; Tse et al., 2004 ; Sera et al. 2006)

8/59
INTRODUCTION - PROBLEMATIQUE
 L’état de l’art montre que l’implémentation de ces

algorithmes MPPT ne tient pas compte des Conditions
Normales de Fonctionnement (NOC). Autrement dit, la
température et les paramètres photovoltaïques des modules
PV sont supposés constants au fil du soleil.
 D’où la question de recherche: les systèmes MPPT

disponibles sur le marché sont-ils adaptés au climat tropical
chaud où l’irradiance et la température fluctuent en même
temps et de manière imprévisible au fil du soleil ?
9/59
INTRODUCTION - HYPOTHÈSES
H1: Les paramètres intrinsèques d’un module solaire changent

avec les facteurs météorologiques.
H2: Le modèle Simulink d’un module photovoltaïque basé sur

des données expérimentales traduit mieux le comportement du
module photovoltaïque commercial.
H3: La performance des algorithmes MPPT est améliorée

quand les variations des paramètres intrinsèques du module
solaire sont prises en compte.
10/59
INTRODUCTION - OBJECTIFS
OBJECTIF GÉNÉRAL
Contribuer à améliorer la performance des algorithmes MPPT
d’un module photovoltaïque au silicium monocristallin sous un
climat tropical chaud.
OBJECTIFS SPÉCIFIQUES
 Trouver les modèles mathématiques des paramètres
photovoltaïques d’un module solaire en fonction des
facteurs météorologiques;
 Trouver le modèle Simulink® d’un module solaire basé sur
des données expérimentales;
 Implémenter des algorithmes MPPT en tenant compte des
variations des paramètres photovoltaïques et des facteurs
météorologiques.
11/59
1ère PARTIE: TECHNIQUES EXPÉRIMENTALES
Contenu
• Conduite expérimentale
• Résultats expérimentaux
• Conclusion partielle
 Objectif: Constituer une base de données expérimentales

nécessaires à la réalisation de ces travaux.
12/59
1ère Partie: Conduite expérimentale
 Matériel utilisé
 01 module solaire au silicium monocristallin
Tableau I.1. Caractéristiques du module PV H750 Helios
Band gap energy of silicon at 300 K 1.12 eV
Ideality factor of the p-n junction 1.2
Short-circuit current at STC 4.01 A
Open circuit voltage at STC 21.6 V
Current at MPP 3.47 A
Voltage at MPP 17.3 V
Maximum power at STC 60 Wc
Number of series-connected cells 36
 01 Charge résistive constante: un rhéostat de 7,5 Ω
13/59
 01 Pyranomètre pour mesurer l’irradiance
Tableau I.2. Caractéristiques du Pyranomètre
Domaine spectral 285 – 2800 nm

Sensibilité 5 – 20 µV/W/m²
Impédance 20- 200 Ω
Domain sortie attendu (0 à 1500 W/m²) 0 – 30 mV
Irradiance maximale 2000 W/m²
Temps de réponse (63 %) < 1,2 s
Temps de réponse (95 %) <5s
Photo I.1.Le Pyranomètre utilisé
Type de détecteur Thermopile
Domaine température -40 °C à +80 °C
14/59
 02 modules de mesure ALMEMO® pour la tension et le
courant continus.
Tableau I.3. Caractéristiques des modules ALMEMO ®
Références ZA 9900 AB et ZA 9901 AB
Précision 0,1 % de la petite échelle, ± 2 digits
Echantillonnage 1 kHz
Résolution 12 bits, ± 2048 digits
Durée de mesure/Temps de montée 0,1 s
Cycle de mesure maximal 14 h
Isolation galvanique 1 kV permanent,
Photo I.2.Capteurs de tension et de courant4 kV pendant 1 s
utilisés
Boitier Polystyrène, Dimensions :
L100xl54xH31 mm
Prises Contacts sécurisés Ø4 mm
Tension de service 6 à 14 kV via appareil ALMEMO®
Consommation < 40 mA
15/59
 01 Capteur de température de surface.
Tableau I.3. Caractéristiques techniques du capteur CTN FNA 611
Type Sonde CTN

Pointe de mesure Plage d’utilisation : -10 à +90 °C
T90 20 s
Câble 2 m PVC
T90 : Mesure dans les liquides en mouvement, avec les poignées du

capteur et les câbles qui résistent à 90 °C
16/59
 01 Centrale d’acquisition de données ALMEMO®.
Tableau I.4. Caractéristiques techniques de l’ALMEMO® 2690-8A
Entrées de mesure 5 entrées ALMEMO® à séparation galvanique par relais statique
(50 V)
Canaux 5 canaux primaires, 19 canaux maximum pour capteurs doubles
et canaux de fonction
Convertisseur AN Delta-Sigma 24 bits, faible puissance 100 mesures/s
Alimentation tension capteur Accu. : 6, 9 ou 12 V, max. 0,5 A
Adaptateur secteur : 12 V, max. 0,5 A
Sorties 2 prises ALMEMO® pour tous les modules de sortie
Afficheur Graphique 128x128 points, 16 lignes
Eclairage : 5 LED blanches 3 niveaux
Clavier 9 touches tactiles silicones (dont 4 touches programmables)
Mémoire EEPROM 1 Mo (200 000 mesures)
Heure et date Temps réel sauvegardé par pile lithium
Photo I.3.L’ALMEMO® utilisé
Boitier L209xP107xH54 mm, ABS (max. +70 °C), 570 g
Indice de protection IP54 en utilisant des connecteurs/capteurs étanches
17/59
 Dispositif expérimental
Capteur de
Module PV
courant
Charge
résistive
Capteur de
température
Capteur de
tension
Pyranomètre
ALMEMO®
Figure I.1. Schéma synoptique du dispositif expérimental

18/59
1ère Partie: Résultats expérimentaux
 Irradiance et Température
Journée du 26-02-2014 à Ngaoundéré, Cameroun
Journée du 23-01-2014 à Ngaoundéré, Cameroun 1100
1100 G (W/m²)
Irradiance (W/m²)
Irradiance (W/m²)
G (W/m²) 900
900
700
700
500 500
300 300
100 100
70
65 TC (°C)
Température (°C)
Température (°C)
TC (°C) 65
60
60
55 55
50 50
45 45
40 40
35 35
30 30
9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00 9h30
10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00
Heure Locale Heure Locale
Irradiance (W/m²)
1100
G (W/m²)
900
700
500
300
100
70
TC (°C)
Température (°C)
65
60
55
50
45
40
35
30
9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00
Heure Locale
Figure I.2.Variation des conditions météorologiques 19/59

 Effet de l’irradiance sur le courant
1100 Journée du 23-01-2014 à Ngaoundéré, Cameroun
G (W/m²) 1100
Irradiance(W/m²)
900 G (W/m²)
Irradiance (W/m²)
900
700
700
500
500
300
300
100
100
2.25
Ipvmes (A) 15
Courant mesuré (A)
Vpvmes (V)
Tension mesurée (V)

2
1.75
1.5 12
1.25
1
9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00 9
9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00
Heure Locale
Heure Locale
Figure I.3. Effet de l’irradiance sur le courant et sur la tension
𝑉𝑝𝑣𝑚𝑒𝑠 = 𝑅𝐿 𝐼𝑝𝑣𝑚𝑒𝑠 (Eq. I.1)
20/59
 Effet de la température sur le courant et sur la tension
Journée du 23-01-2014 à Ngaoundéré, Cameroun Journée du 23-01-2014 à Ngaoundéré, Cameroun

65 65
G (W/m²) TC (°C)
60 60
Température (°C)
Température (°C)
55 55
50 50
45 45
40 40
35 35
30 30
2.25 15
Ipvmes (A) Vpvmes (V)
Courant mesuré (A)
Tension mesurée (V)

2
1.75
12
1.5
1.25
1 9
9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00 9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00
Figure I.4. Effet de la température sur le courant et sur la tension
21/59
1ère Partie: Conclusion partielle
Ces résultats expérimentaux montrent que:

 le courant fourni par le module PV suit l’irradiance, mais ne
suit pas la température
 la tension aux bornes du module PV suit le courant car
définie par la loi d’Ohm.
Ces résultats expérimentaux permettront de constituer une

base de données pour la simulation du comportement d’un
panneau solaire ainsi que pour l’implémentation des
algorithmes MPPT.
22/59
2ème Partie: Caractérisation et modélisation
d’un panneau PV au silicium monocristallin
Contenu
• Introduction
• Extraction des paramètres photovoltaïques
• Modèle Simulink du panneau solaire au silicium
monocristallin
23/59
2ème Partie: Caractérisation et modélisation
d’un panneau PV au silicium monocristallin
Hypothèses à vérifier:
 Les paramètres intrinsèques d’un module solaire changent
avec les facteurs météorologiques;
 Le modèle Simulink d’un module photovoltaïque basé sur des

données expérimentales traduit mieux le comportement d’un
module photovoltaïque commercial.
 Objectif: Simuler un panneau solaire à partir des données

expérimentales.
24/59
2ème Partie: Introduction
 La performance d’un module photovoltaïque : température

et d’irradiance (Villalva et al., 2009 ; Singo, 2010 ; Meral et Dinçer,
2011).
 Module PV: le facteur d’idéalité, le courant inverse de

saturation, les résistances série et shunt, etc. (Cubas et al.,
2014; Ghani, 2013).
 Diverses méthodes d’extraction des paramètres PV: basées

sur la caractéristique I(V) du module PV.
 Méthode de Duffie et Beckman en 1991 (Mohamed,

2013): données du fabricant ISC, VOC, IPPM, VPPM et PPPM
dans les conditions standards.
25/59
2ème Partie: Introduction
 Méthode de Benchérif et Chermitti (Benchérif &

Chermitti, 2012): caractéristique I(V) à température
constante et exploite un simulateur solaire.
 Méthode d’EL Tayyan (EL Tayyan, 2014): caractéristique

I(V), simulateur solaire et fonction W de Lambert.
 Méthode d’Issam Houssamo (Houssamo, 2012): données

expérimentales obtenues au PPM, fonction
«lsqcurvefit» de MATLAB® et algorithme P&O.
 Elles ne tiennent pas compte du comportement

dynamique du panneau solaire au fil du soleil.
26/59
2ème Partie: Extraction des paramètres PV
 Méthode d’extraction des paramètres PV développée
  V pv  RS I pv  
I pv  I ph  I S exp    1 (Eq. II.1)
  nN SCVt  
• Fonction W de Lambert (Yu-Ling et al., 2012; Ghani et al.,

2013b; Cubas et al., 2014) :
x  w( x)e w( x ) (Eq. II.2)
nN SCVt  R I  V pv  RS I ph  RS I S 
I pv  I S  I ph  LambertW  S S exp   (Eq. II.3)
RS  nN SCVt  nN SCVt 
• Ipv = f(Vpv) pouvant être ajustée aux points

expérimentaux, avec comme paramètres: n, RS et IS.
27/59
Début
Lire
Lire les
les données
données expérimentales:
expérimentales:
G,
G, T
TCC,, IIPVmes
PVmes et
et V
VPVmes
PVmes
jj =
=00
Initialisation
Initialisation des des paramètres:
paramètres:
R S0(j),
RS0 (j), IIS0
S0(j),
(j), n (j), ΔR
n00(j), (j), ΔI
ΔRSS(j), ΔISS(j),
(j),
Δn(j),
Δn(j), R Smax(j),
RSmax (j), IISmax
Smax(j)
(j) et
et n max(j)
nmax (j)
jj =
= jj +1
+1
jj < Non
< Dim(I PVmes))
Dim(IPVmes
Oui
ii =
=00
ii =
= ii +
+11
ii <= Non
R
RSS(j),
(j), IISS(j)
(j) et
et n(j)
n(j) <= N
Nitit
Oui
Calcul:
Calcul:
Non R
RSS(j)
(j) ==RRSS(j)
(j) +ΔR
+ΔRSS(j)
(j)
IISS(j)
(j) =
= IISS(j)
(j) +ΔI
+ΔISS(j)
(j)
Oui εε <
< 1e-8 n(j)
1e-8 n(j) == n(j)
n(j) +Δn(j)
+Δn(j)
R
RSS(j)
(j) >
>R Smax(j)
RSmax (j)
Calcul:
Calcul: Non Oui
IISS(j)
(j) >
> IISmax
Smax(j)
(j)
IIPV et εε
PV et
n(j)
n(j) >>n max(j)
nmax (j)
Fin
Figure II.1: Algorithme d’extraction des paramètres 28/59

 Méthodes d’extraction des paramètres PV
 L’algorithme d’extraction développé

  I pvmes  I pv 2
2.250
Ipvmes
2.125
(Eq.
I
II.4)
pv
2.000
Courants (A)
1.875 n0 = 1,0 ; RS0 = 0,01 Ω et IS0 = 1×10-10 A

1.750
1.625 Δn = 0,001 ; ΔRS = 0,001 Ω ; ΔIS = 1×10-9 A ;

1.500
0.008
Résidus
0.006
nmax = 2,0 ; RSmax = 5 Ω et ISmax = 1×10-6 A
Résidus (A)
0.004
0.002 Nit = 200

0
09h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00
Heure Locale
Figure II.2: Courants mesurés et calculés 29/59

2ème Partie:Résultats et discussion:Facteur d’idéalité n

1100 65
G (W/m²) TC (°C)
60
Irradiance (W/m²)
Température (°C)
900
55
700 50
45
500
40
300 35
100 30
1.5
1.5 n
n
Facteur d'idéalité
Facteur d'idéalité
1.25 1.25
1 1
0.75 0.75
0.5
9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00 0.5
9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00
Heure Locale
Heure Locale
Figure II.3. Variations du facteur Figure II.4. Variations du facteur

d’idéalité et de l’irradiance d’idéalité et de la température
 Donc, n peut être considéré constant et égal à 1,2 pour le

silicium monocristallin (Cubas et al., 2014; Ghani et al., 2013;
Khanna et al., 2013; Tahar, 2006; Chegaar et al., 2003).
30/59
2ème Partie:Résultats et discussion:Courant inverse IS

1100 65
G (W/m²) TC (°C)
60
Irradiance (W/m²)
Température (°C)
900
55
700 50
500 45
40
300
35
100 30
5e-6 5e-6
IS (A) IS (A)
4e-6 4e-6
Courant IS (A)
Courant IS (A)
3e-6 3e-6
2e-6 2e-6
1e-6 1e-6
0 0
Figure II.5. Variations du courant Figure II.6. Variations du courant

inverse de saturation et de inverse de saturation et de la
l’irradiance température
31/59
2ème Partie:Résultats et discussion:Courant inverse IS
5.0e-6
y(x) = a*(x + 273) 3*exp[b*(c - 1/(x+273)]
4.5e-6 a = 2.7941e-015
b = 10991
4.0e-6 c = 0.003355
R2 = 0.99818
3.5e-6
Valeurs extraites de Is
Courant Is (A)
3.0e-6 fitting
2.5e-6
2.0e-6
1.5e-6
1.0e-6
0.5e-6
0
30 35 40 45 50 55 60 65 70
Température Tc (°C)
Figure II.7. Variation de Is en fonction de la température
  1   a = 2,7941×10 -15 A/K3
y ( x)  a( x  273)3 exp  b c    (Eq. II.5) b = 10991 K
  x  273   c = 0,003355 K-1
 qEg  1 
3
 TC  1
I S  I Sref   exp     (Eq. II.6) (Bencherif et al., 2012;
T   nk  TCref TC   Yordanov et al., 2010)
 Cref    
32/59
2ème Partie:Résultats et discussion:Résistance série RS

1100 65
G (W/m²) TC (°C)
60
Irradiance (W/m²)
Température (°C)
900
55
700 50
500 45
40
300
35
100 30
1 1
RS (Ohms) RS (Ohms)
Résistance RS (Ohms)
Résistance RS (Ohms)
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
Figure II.8. Variations de Rs Figure II.9. Variations de Rs

et de l’irradiance et de la température
33/59
2ème Partie:Résultats et discussion:Résistance série RS
1.8
Valeurs extraites de Rs
1.6
y(x) = A*exp(B*(x/1000)) + C
A = 3.5714
1.4 B = -4.2242
C = 0.26285
Résistance Rs (Ohms) 1.2
R2 = 0.99859
1.0
0.8
0.6
0.4
0.2
200 300 400 500 600 700 800 900 1000
Irradiance G (W/m²)
Figure II.10. Résistance en fonction de l’irradiance

 G  A = 3,57 Ω
RS  A exp  B C B = - 4,22
 G 
 ref  C = 0,26 Ω
(Cubas et al., 2014; Ghani et al., 2013; Kamta et Dandoussou, 2012; Bencherif et
al., 2012; Yordanov et al., 2010; Tahar, 2006; Chegaar et al., 2003)
34/59
2ème Partie: Simulation du module PV
[IL ]
i
Continuous 273 + - 1 [ipv ]
Rs2
powergui +
+
+ Iexp .mat
TemperatureIph
.mat Rp v -
Measured current Imeas .
s
Temperature (°C) I(V)

[V ] Tc
-
[ipv 2]
[I] 2
[ipv ]
Irradiance
ENTREES.mat
: G
1
Irradiance 1 (W/m ²) [Tc ] 3 [Np] 5 [Rs]
i
Tc Np Rs + -
[G ]
+
2 4 [Ns] 6 [Iscn]
G Ns 7 [Nsc]
1 Np Iscn
Nsc
Calcul de I = Np.(Iph -Id )=Np .Iph -Np.Is.[exp [(V+I.Rs)/(n.Vt.Nsc.Ns)]-1], avec Vta =k.Tc /q 8 [n]
Number of PV modules
n
in parallèle
[V ]
9 [Is]
1
[Rs] Ns Is
Number of PV modules
in [IL ]
series
Rload
Rs.mat
[n ]
Rs
[Iph ]
Series resistance u
n1 [Nsc] e
[Np ]
[Ns]
1 [I]
4.01 Is cn
Shrot circuit current

1.381 e-23
[Is]
k
36 [Tc] Ns c
[Np ]
Cells in series -
-C-
q
A.mat n
Ideality factor
Expression de Iph =G/Gref .[Iscref+Ki (Tc -Tcref )]
[G]
Is.mat
-C- Is
1000
Diode reverse
Ki saturation Gref [Iph ]
current
[Tc ]
[Iscn] PV module
298
Tcref Figure II.11. Modèle Simulink® du module PV

273
Tc 35/59
2ème Partie: Simulation du module PV
2,75 2,75
Ipvsim (A) Ipvsim (A)
2,50 Ipvmes (A) 2,50 Ipvmes (A)
Ipvlit (A) Ipvlit (A)
2,25 2,25
2,00 2,00
Intensités de Courant (A)
Intensités de courant (A)

1,75 1,75
1,50 1,50
1,25 1,25
1,00 1,00
0,75 0,75
0,50 0,50
0,25 0,25
0 0
2,75
Ipvsim (A)
2,50 Ipvmes (A)
Ipvlit (A)
2,25
2,00
Intensités de courant (A)
1,75
1,50
1,25
1,00
0,75
0,50
0,25
0
9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00
Heure Local e
Figure II.12. Simulation du panneau solaire 36/59

2ème Partie: Conclusion partielle
 Le facteur d’idéalité n est un paramètre qui ne dépend pas
des conditions météorologiques.
 Le courant inverse de saturation Is dépend seulement de la

température. Plus, il augmente, plus la puissance diminue.
 La résistance série Rs dépend seulement de l’irradiance. Sa

valeur augmente lorsque l’irradiance diminue. Par
conséquent, la puissance diminue.
 Un système PV modélisé avec les paramètres PV libres est

plus proche du réel que celui modélisé avec ces paramètres
contraints (constants).
37/59
3ème Partie: Mise au point d’algorithmes MPPT
d’un panneau PV
Contenu
• Implémentation des algorithmes MPPT
o Algorithme Perturb and Observe
o Algorithme Hill Climbing
o Algorithme Incrément de la Conductance
• Modélisation du système PV
• Résultats et discussions
o Algorithme Perturb and Observe
o Algorithme Hill Climbing
o Algorithme Incrément de la Conductance
38/59
3ème Partie: Mise au point d’algorithmes MPPT
d’un panneau PV
Hypothèse à vérifier:
 La performance des algorithmes MPPT est améliorée quand
les variations des paramètres intrinsèques du module solaire
sont prises en compte.
 Objectif: Implémenter des algorithmes MPPT en tenant

compte des variations des paramètres photovoltaïques et des
facteurs météorologiques.
39/59
3ème Partie: Algorithmes MPPT: P&O
 Plus utilisé et plus commercialisé car simple à implémenter
(Alsadi et Alsayid, 2012 ; Abdulkadir et al., 2013 ; Brito et al., 2013 ; Sahu
et al., 2014 ; Saxenal et Gupta, 2014)
 Principe: Créer une perturbation de la tension ou du

courant et observer l’impact sur la puissance
Le système
PPM s'éloinge
du PPM
Le système
s'approche
du PPM DPpv < 0
Ppv (W)
DPpv > 0
DV > 0 DV > 0
0
Vpv (V)
Figure III.4. Système PV à connexion via un étage adaptateur 40/59

3ème Partie: Algorithmes MPPT: P&O
PV__Charge_MPPT_PO/MPPT/MPPT P&O
Start
MEASURE
entry:
Ppv=Vpv*Ipv; P1=0; V1=0; Measure:
k=0;
during: Vpv(k) and Ipv(k)
•
P1=P1+Ppv; V1=V1+Vpv; k++;
exit: Limites: Instabilité
Pf=P1/k; Vf=V1/k; D=0.3; Calculate:
after(100,clk)
Ppv(k) =
Vpv(k)*Ipv(k) (« pas » élevé) ou
CALCULATE
entry: Yes
Lent (« pas » faible)
Ppv(k) - Ppv(k-1) = 0
deltaP=Pf-Pprev;
No
3 deltaV=Vf-Vprev;
d=D;
Yes No
2[deltaP<0] Ppv(k) - Ppv(k-1) < 0
1[deltaP>0]
[deltaV<0]
Yes 2 No Yes No
Vpv(k) - Vpv(k-1) < 0 1 2 Vpv(k) - Vpv(k-1) < 0
1
[deltaV>0]
[deltaP==0]
Vref = Vref + ΔV Vref = Vref - ΔV Vref = Vref - ΔV Vref = Vref + ΔV
INC DEC
entry: entry:
d = d + deltad; d = d - deltad;
Update:
Ppv(k-1)
Vpv(k-1)
RETURN Ipv(k-1)
entry:
Pprev=Pf; Vprev=Vf; D=d;
Return
Figure III.5. Algorithme P&O (Sahu et al., 2014) 41/59

3ème Partie: Algorithmes MPPT: Hill Climbing
Start
PV__Charge_MPPT_HC/MPPT/MPPT HC
MEASURE
• Perturbation du rapport cyclique (Abdulkadir et al., 2013 ; Brito
entry:
Measure:
Is = 0; Vs = 0; k = 0;
Vpv(k) and Ipv(k)
et al., 2013) during:
Is=Is+Ipv; Vs=Vs+Vpv; k++;
exit:
If=Is/k; Vf=Vs/k; D=0.3;
Calculate:
• Limites: Instabilité
after(100,clk)
Ppv(k) = Vpv(k)*Ipv(k)
(« pas » élevé) ou
Yes
1
CALCULATE
entry: No
Lent (« pas » faible)
Pf =
Ppv(k) > Vf*If;
Ppv(k-1)
d=D;
2
D = D + ΔD D = D - ΔD
[Pf-Pprev==0] 2
1
[Pf-Pprev>0]
Output duty
cycle D
INC DEC
entry: entry:
d = d + deltad; d = d - deltad;
Update:
Ppv(k-1)
Vpv(k-1)
RETURN
Ipv(k-1)
entry:
Iprev=If; Vprev=Vf; D=d;
Return
Figure III.6. Algorithme HC (Brito et al., 2013)

42/59
3ème Partie: Algorithmes MPPT: INC
• Evaluation de la variation de la conductance dI pv

dV pv
et de la
conductance I pv
V pv
I pv I pv
 V 
pv V pv, PF à gauche du PPM. Incrémenter la
tension
I pv I pv
  , PF à droite du PPM. Décrémenter la tension
V pv V pv
I pv I pv
  , PF au PPM. Conserver la tension
V pv V pv
43/59
3ème Partie: Algorithmes MPPT: INCF
• INC à pas fixe Start
(Lokanadham et Vijaya, Measure:
2012 ; Saravana, 2013) Vpv(k) and Ipv(k)
Calculate:
dVpv = Vpv(k) - Vpv(k-1)
dIpv = Ipv(k) - Ipv(k-1)
No Yes
dVpv = 0
Yes Yes
dIpv/dVpv = -Ipv/Vpv dIpv = 0
No No
Yes Yes
dIpv/dVpv > -Ipv/Vpv dIpv > 0
No No
D = D - ΔD D = D + ΔD D = D - ΔD D = D + ΔD
Update:
Vpv(k-1)
Ipv(k-1)
Return
Figure III.7. Algorithme INC à pas fixe 44/59

3ème Partie: Algorithmes MPPT: INCV
Start
• INC à pas variable

Measure:
Vpv(k) and Ipv(k)
Ppv (k )  Ppv (k  1)
D  N (Eq. III.1) Calculate:
V pv (k )  V pv (k  1) dVpv = Vpv(k) - Vpv(k-1)

dIpv = Ipv(k) - Ipv(k-1)
Dstep
(Liu et al., 2008)

No Yes
dVpv = 0
1
D  N P 1  (Eq. III.2)
1  exp[ a(Ppv  c)]
Yes Yes
dIpv/dVpv = -Ipv/Vpv dIpv = 0
(Jae-Hoon et Won-Pyo, No No
2013) Yes
dIpv/dVpv > -Ipv/Vpv dIpv > 0
Yes
No No
D(k) = D(k-1) D(k) = D(k-1) - Dstep D(k) = D(k-1) + Dstep D(k) = D(k-1) - Dstep D(k) = D(k-1) + Dstep D(k) = D(k-1)
Update:
Vpv(k-1)
Ipv(k-1)
D(k-1)
Return
Figure III.8. Algorithme INC à pas variable 45/59

3ème Partie: Algorithmes MPPT: INCV
PV__Charge_MPPT_INC_Var/MPPT/MPPT INC Var
• INC à pas variable MEASURE
entry:
V1=0; I1=0; k=0;
[1] during:
V1=V1+Vpv; I1=I1+Ipv; k++;
exit:
Vm=V1/k; Im=I1/k; Pm=Vm*Im;
after(60,clk)
CALCULATE
entry:
deltaV=Vm-Vprev;
deltaI=Im-Iprev;
deltaP=Pm-Pprev;
D=Np*abs((1-1/(1+exp(-a*(deltaP-c)))));
2
1 [deltaV==0]
1 1
2 2
[deltaI==0]
[deltaI/deltaV==-Im/Vm]
2 1
1 2 [deltaI>0]
[deltaI/deltaV>-Im/Vm]
INVAR1 DEC INC INVAR2

entry: entry: entry: entry:
d=dprev; d=dprev-D; d=dprev+D; d=dprev;
RETURN
entry:
Vprev=Vm; Iprev=Im; Pprev=Pm; dprev=d;
Figure III.9. Algorithme INC à pas variable 46/59

3ème Partie: Modélisation du système PV
Discrete,
Ts = 60 s. 273
pow ergui [imes]
[Vmes]
Temperature.mat Iexp.mat
Temperature (°C) Tc Measured current Imeas. Tension.mat
[iLoad] Measured Voltage

Currents
[VLoad]
Voltages
Irradiance.mat G
[Ipv]
Irradiance1 (W/m²)
i
+ +
-
[Vpv] Vpv
1 Np
Number of PV modules Duty [D]

in parallèle
[Ipv] Ipv
1 Ns
Number of PV modules MPPT

in series 2.1
Rs.mat Rs +
v [Vpv]
-
Series resistance [IL]
[D] d
i
+
+ - 1
4.01 Iscn
Shrot circuit current V+ +

v [VL]
-
36 Nsc
- 2
Cells in series - V-
1.2
[VLoad]
A.mat n [PLoad] DC-DC Converter Load
Ideality factor [iLoad]
[IL] Iin Iout [iLoad]
[Vmes] [Pmes]
Is.mat Is
Measure Current
[Pmes]
Diode reverse saturation [PLoad]
current [imes] Powers [VL] [VLoad]
Vin Vout
PV module
Measure Voltage
Figure III.10. Système PV complet sous Simulink®

47/59
3ème Partie: Résultats: P&O

60 60
Pmes (W) Pmes (W)
55 55
PP&O Var. (W) PP&O Fixe (W)
50 50
PP&O Fixe (W) PP&O Var. (W)
45 45
40 40
Puissances (W)
Puissances (W)
35 35
30 30
25 25
20 20
15 15
10 10
5 5
0 0
Figure III.11. Puissances fournies par le panneau solaire
48/59
3ème Partie: Résultats: HC

60 60
Pmes (W) Pmes (W)
55 55
PHC Var. (W) PHC Fixe (W)
50 50
PHC Var. (W)
45 PHC Fixe (W) 45
40 40
Puissances (W)
Puissances (W)
35 35
30 30
25 25
20 20
15 15
10 10
5 5
0 0
49/59
3ème Partie: Résultats: INCF

60 60
Pmes (W) Pmes (W)
55 55
PINCF Fixe (W)
50 PINCF Var. (W) 50
PINCF Var. (W)
45 PINCF Fixe (W) 45
40 40
Puissances (W)
Puissances (W)
35 35
30 30
25 25
20 20
15 15
10 10
5 5
0 0
50/59
3ème Partie: Résultats: INCV
1
D  N P 1  Np = 0,0002; a = 0,05; c = 150
1  exp[ a(Ppv  c)]
(Jae-Hoon et Won-Pyo,
2013)
60 60
55 55
50 50
45 45
40 40
Puissances (W)
Puissances (W)
35 35
30 30
25 25
20 Pmes (W) 20 Pmes (W)
15 15 PINCV Var. (W)
PINCV Var. (W)
10 10 PINCV Fixe (W)
PINCV Fixe (W)
5 5
0 0
9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13H30 14h00 14h30 15h00 9h30 10h00 10h30 11h00 11h30 12h00 12h30 13h00 13h30 14h00 14h30 15h00
51/59
3ème Partie: Discussion
• Etude comparative des algorithmes MPPT

60 60
(a)
(b)
50 (c) 50
(d)
40 40
Puissances (W)
Puissances (W)
30 30
20 20
(a)
10 10 (b)
(c)
(d)
0 0
Paramètres PV fixes Paramètres PV variables
(a) : P&O, (b) : HC, (c) : INCF et (d) : INCV

52/59
3ème Partie: Discussion
• Etude comparative des algorithmes MPPT
Tableau 0.1. Caractéristiques majeures des algorithmes MPPT
Méthode Connaissance Nécessité Mode Complexité Vitesse de Type et nombre Rende
MPPT des d’une mise à d’implémentation d’implémenta recouvrement de capteurs ment
paramètres jour tion du PPM (%)
du MPV périodique
P&O Non Non Analogique ou Faible Variable 1 Capteur 81-96
Numérique Courant
Tableau III.4. Comparaison de l’énergie moyenne journalière 1 Capteur Tension
INC Non Non Numérique Moyenne Variable 1 Capteur 90-98
Paramètres PV Fixes (Contraints) Variables (libres)Courant
1 Capteur Tension
HCDifférents
Non (a)
Non (b)Analogique
(c) ou (d)Faible (a)Variable (b) (c)
1 Capteur (d) 95-99
Numérique Courant
algorithmes MPPT 1 Capteur Tension
Fraction Oui Oui
Puissance
de VOC
29 27 Analogique
29
Numérique
ou
34Moyenne 43 Moyenne
401 Capteur Tension
43 51 88
maximale
Fraction Oui de la Oui Analogique ou Moyenne Moyenne 1 Capteur -
journée Oui
de ICC
Logique
(W) Oui
Numérique
Numérique Haute Rapide
Courant
Variable -
Energie moyenne
Floue 167 153 167 195 225 206 225 263
Réseau Oui Oui Numérique Haute Rapide Variable -
dejournalière, E
(Wh/j)
Neurones
RCC Non - Analogique Faible Rapide 1 Capteur -
(a) : P&O, (b) : HC, (c) : INCF et (d) : INCV Courant
1 Capteur Tension
Balayage Oui Oui Analogique ou Haute Lentement 1 Capteur -
du Numérique Courant
Courant 1 Capteur Tension
(Hohm et Ropp, 2000 ; Tse et al., 2004 ; Sera et al. 2006) 53/59
3ème Partie: Conclusion partielle
• Performance des algorithmes: dépend des paramètres PV

et des conditions météorologiques
• L’algorithme P&O: Bien que plus utilisé et commercialisé,

mais pas satisfaisant
• L’algorithme INC à pas variable: mieux adapté car plus

performant et fiable
54/59
 Hypothèses confirmées et objectifs atteints
  1   G
RS  A exp  B

C
y ( x)  a( x  273) exp  b c 
3
   G 
  x  273    ref 
a = 2,7941×10-15 A/K3; b = 10991 K; c = 0,003355 K-1 A = 3,57 Ω; B = - 4,22; C = 0,26 Ω
• Les paramètres intrinsèques d’un panneau solaire

changent avec les facteurs météorologiques.
• Le comportement d’un module photovoltaïque simulé

à base des données expérimentales est plus proche du
comportement du module photovoltaïque
commercial.
55/59
Tableau III.4. Comparaison de l’énergie moyenne journalière
Paramètres PV Fixes (Contraints) Variables (libres)
Différents (a) (b) (c) (d) (a) (b) (c) (d)
algorithmes MPPT
Puissance maximale 29 27 29 34 43 40 43 51
de la journée (W)
Energie moyenne 167 153 167 195 225 206 225 263
journalière, E (Wh/j)
•
La performance des algorithmes MPPT dépend des
facteurs météorologiques.
 L’algorithme INC à pas variable est plus performant que tous les
autres algorithmes MPPT commercialisés.
 Perspectives
• Faire les mêmes études sur les autres technologies des
cellules PV (3ème génération qui abonde sur le marché).
• Réaliser et concevoir les cartes MPPT tenant compte de la
variation de RS.
56/59
PUBLICATIONS ET CONFERENCES
1. A. Dandoussou, M. Kamta, E. H. Tchoffo, G. B. Tchaya and B. Late, Improvement of the

yield of a photovoltaic system by the Approach based on the Electrical Load Parameters,
African Network for Solar Energy (ANSOLE), The University of Yaounde I, Cameroon,
17th-19th February 2012.
2. M. Kamta, A. Dandoussou, An Experiment-Based Approach for Improving the

Photovoltaic Power Supply System Performance by Matching Impedance, International
Review of Automatic Control (I.RE.A.CO), Vol. 5, No 5, pp. 630-637, September 2012.
3. A. Dandoussou, M. Kamta, L. Bitjoka, P. Wira and A. Kuitché, Simulations Based on

Experimental Data of the Behaviour of a Monocrystalline Silicon Photovoltaic Module,
Journal of Solar Energy, Volume 2015, Article ID 169015, 9 pages.
4. A. Dandoussou, M. Kamta, L. Bitjoka, P. Wira and A. Kuitche, Comparative study of the
reliability of MPPT algorithms for the crystalline silicon photovoltaic modules in variable
weather conditions, Journal of Electrical Systems and Information Technology (JESIT),
Elsevier, Under Review (Submitted on the 20-nov. 2015)
57/59
REMERCIEMENTS
 Dieu Tout-Puissant.
 UNIVERSITÉ DE NGAOUNDÉRÉ.
 ENSAI et FACULTÉ DES SCIENCES.
 Tous les enseignants-chercheurs de l’UFD-PAI.
 Dr. Guy Bertrand TCHAYA, pour ses équipements de

recherche.
 Tous mes camarades et collègues.
 Toute ma famille.
58/59
MERCI POUR VOTRE
AIMABLE ATTENTION
59/59

Soutenance - Thèse Dando - Bon - 07 - 01 - 2017

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

Soutenance - Thèse Dando - Bon - 07 - 01 - 2017

Titre original :

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE DE NGAOUNDERE

Ecole Nationale Supérieure des Sciences Agro-Industrielles

Spécialité: Génie Electrique et Automatique Industrielle

Etude de la performance des algorithmes MPPT par

2ème PARTIE: Simulations basées sur des données

3ème PARTIE: Mise au point des algorithmes de Poursuite du

CONCLUSION GÉNÉRALE ET PERSPECTIVES

 Grande proportion d’énergie provenant de la combustion

Figure 0.1 – Production mondiale d’énergie primaire en 2012 (D’après les

 Ressources fossiles: épuisables et polluantes par émission

Solution: Divers sommets internationaux qui ont

 Stockholm en 1972: PNUE

 Ressources renouvelables: inépuisables à l’échelle

 Potentiel en énergies renouvelables du Cameroun

(Hohm et Ropp, 2000 ; Tse et al., 2004 ; Sera et al. 2006)

 L’état de l’art montre que l’implémentation de ces

 D’où la question de recherche: les systèmes MPPT

H1: Les paramètres intrinsèques d’un module solaire changent

H2: Le modèle Simulink d’un module photovoltaïque basé sur

H3: La performance des algorithmes MPPT est améliorée

 Objectif: Constituer une base de données expérimentales

Domaine spectral 285 – 2800 nm

 01 Capteur de température de surface.

Tableau I.3. Caractéristiques techniques du capteur CTN FNA 611

Type Sonde CTN

T90 : Mesure dans les liquides en mouvement, avec les poignées du

Figure I.1. Schéma synoptique du dispositif expérimental

Figure I.2.Variation des conditions météorologiques 19/59

Tension mesurée (V)

Figure I.3. Effet de l’irradiance sur le courant et sur la tension

𝑉𝑝𝑣𝑚𝑒𝑠 = 𝑅𝐿 𝐼𝑝𝑣𝑚𝑒𝑠 (Eq. I.1)

Journée du 23-01-2014 à Ngaoundéré, Cameroun Journée du 23-01-2014 à Ngaoundéré, Cameroun

Tension mesurée (V)

Figure I.4. Effet de la température sur le courant et sur la tension

Ces résultats expérimentaux montrent que:

Ces résultats expérimentaux permettront de constituer une

• Extraction des paramètres photovoltaïques

• Modèle Simulink du panneau solaire au silicium

 Le modèle Simulink d’un module photovoltaïque basé sur des

 Objectif: Simuler un panneau solaire à partir des données

 La performance d’un module photovoltaïque : température

 Module PV: le facteur d’idéalité, le courant inverse de

 Diverses méthodes d’extraction des paramètres PV: basées

 Méthode de Duffie et Beckman en 1991 (Mohamed,

 Méthode de Benchérif et Chermitti (Benchérif &

 Méthode d’EL Tayyan (EL Tayyan, 2014): caractéristique

 Méthode d’Issam Houssamo (Houssamo, 2012): données

 Elles ne tiennent pas compte du comportement

• Fonction W de Lambert (Yu-Ling et al., 2012; Ghani et al.,

x  w( x)e w( x ) (Eq. II.2)

• Ipv = f(Vpv) pouvant être ajustée aux points

Figure II.1: Algorithme d’extraction des paramètres 28/59

 L’algorithme d’extraction développé

1.875 n0 = 1,0 ; RS0 = 0,01 Ω et IS0 = 1×10-10 A

1.625 Δn = 0,001 ; ΔRS = 0,001 Ω ; ΔIS = 1×10-9 A ;

0.002 Nit = 200

Figure II.2: Courants mesurés et calculés 29/59

Journée du 23-01-2014 à Ngaoundéré, Cameroun Journée du 23-01-2014 à Ngaoundéré, Cameroun

Figure II.3. Variations du facteur Figure II.4. Variations du facteur

 Donc, n peut être considéré constant et égal à 1,2 pour le

Journée du 23-01-2014 à Ngaoundéré, Cameroun Journée du 23-01-2014 à Ngaoundéré, Cameroun

Figure II.5. Variations du courant Figure II.6. Variations du courant