République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université Mohammed Seddik BENYAHIA de Jijel

Thèse préparée en vue d’obtention de

Doctorat en Sciences
Spécialité Electronique

Présentée par
Nadjwa CHETTIBI

Contribution à la Commande Intelligente d’un

Système Photovoltaïque Hybride

Directeur de Thèse
Pr. Adel MELLIT

Soutenue publiquement le 13/04/2017, devant le jury composé de :

Abdelkrim BOUKABOU, Professeur, Université de Jijel Président

Adel MELLIT, Professeur, Université de Jijel Rapporteur
Abderrezak GUESSOUM , Professeur, Université de Blida Examinateur
Hassen SALHI, Professeur, Université de Blida Examinateur
 REMERCIEMENTS

Avant tout, je remercie Dieu le tout puissant qui m’a donné la force, la
patience et le courage pour accomplir ce modeste travail.

Mes sincères remerciements vont à mon directeur de thèse, Pr. Adel

Mellit, pour sa disponibilité, son aide et ses conseils durant toutes ces
années de thèse.

J’exprime ma plus profonde gratitude à Dr. Alessandro Massi Pavan de

l’université de Manchester et à Dr. Giorgio Sulligoi de l’Université de
Trieste pour leur riche collaboration.

Je tiens à remercier Pr. Abdelkrim BOUKABOU pour avoir accepté de

présider le jury de soutenance. J’adresse mes vifs remerciements aux
membres de jury Pr. Abderrezak GUESSOUM et Pr. Hassen SALHI, de
l’université de Blida, pour le temps qu’ils ont consacré à la lecture de
ma thèse.

Ce travail n’aurait pas pu être réalisé sans le soutien de ma famille que

je remercie profondément.
DEDICACES

A mon défunt Père,

A ma très chère Mère.
Résumé : L’intégration des systèmes de production d’énergie décentralisée, à base des
ressources photovoltaïque et éolienne, dans le réseau électrique a suscité un grand intérêt
ces dernières années. Néanmoins, le caractère intermittent et fluctuant de la génération
d’énergie d’origine renouvelable influe négativement sur la stabilité et la fiabilité du réseau
électrique. Le concept de micro-réseau, qui regroupe des sources d’énergie distribuées avec
des systèmes de stockage d’énergie et des charges de consommation, s’est révélé comme une
solution prometteuse à ce problème. Par ailleurs, l’interface d’électronique de puissance joue
un rôle primordial dans ce type de système de génération car, elle permet d’incorporer des
algorithmes de commande/contrôle en vue de garantir la supervision intelligente et optimale
du flux énergétique.
Dans cette thèse, différentes structures de systèmes de génération PV hybrides sont étudiées.
Des stratégies de commande et de supervision à base des techniques de l’intelligence
artificielle, à savoir la logique floue et les réseaux de neurones artificiels, sont appliquées dans
l’objectif d’optimiser le rendement énergétique et d’améliorer la qualité d’énergie sous
différentes conditions de fonctionnement. Les simulations effectuées dans l’environnement
Matlab/Simulink ont montré l’efficacité des schémas de commande proposés.

Mots-clés : Photovoltaïque, Eolienne, Pile à combustible, Algorithme PSO, Logique floue,

Réseau de neurones artificiels, ANFIS.

Abstract: The integration of decentralized energy generation systems, based on photovoltaic

and wind turbine resources, into the distribution networks has received an increasing amount
of importance in the last years. However, irregular and fluctuant nature of renewable energy
generation has a negative impact on electric-grid stability and reliability. The concept of micro-
grid that includes distributed energy sources, energy storage systems and consumer’s loads,
has emerged as a promiscuous solution to this problem. The power electronic interface plays
an important role in such a system. It allows the incorporation of control and command
algorithms in order to achieve optimal and intelligent supervision of the power flow. In this
thesis, different hybrid PV generation systems are studied. Many control strategies that are
based on artificial intelligence techniques (like Fuzzy logic and artificial neural networks) are
applied in order to optimize the energetic efficiency and to enhance the power quality under
different operation conditions. Simulations done with Matlab/Simulink tool have shown the
efficiency of proposed control schemas.

Keywords: Photovoltaic, Wind turbine, Fuel cell, PSO algorithm, Fuzzy logic, Artificial neural
network, ANFIS.

‫ تصاعد في السنوات األخيرة االهتمام بدمج نظم إنتاج الطاقة الالمركزية القائمة على الموارد الشمسية و توربينات الرياح مع شبكة الكهرباء‬:‫ملخص‬
‫لقد برز مفهوم الشبكة الصغيرة‬. ‫ ولكن الطبيعة المتقطعة والمتقلبة إلنتاج الطاقة المتجددة تؤثر سلبا على استقرار وسيرورة عمل الشبكة الكهربائية‬.
‫تلعب واجهة الكترونيك‬. ‫ كحل واعد لهذه المشكلة‬، ‫التي تشتمل علي مصادر الطاقة الموزعة باإلضافة الي أنظمة تخزين الطاقة وشحن االستهالك‬
.‫ ألنها تمم خوارزميات المراقبة و التحكم التي من شأنها ضمان اإلدارة المثلى و الذكية للطاقة‬،‫الطاقة دورا رئيسيا في هذا النوع من نظم التوليد‬
‫ الهجينة كما طبقنا استراتيجيات للتحكم واإلدارة مبنية على بعض تقنيات الذكاء االصطناعي‬PV ‫ درسنا مختلف أنظمة التوليد‬،‫في هذه األطروحة‬
‫وقد أظهرت‬. ‫كالمنطق الغامض والشبكات العصبية االصطناعية وذلك بهدف تحسين المردود الطاقوي و نوعية الطاقة في ظل ظروف تشغيل مختلفة‬
. ‫ فعالية طرق التحكم التي اقترحناها‬Matlab/Simulink ‫المحاكاة بواسطة‬

‫ الشبكة العصبية‬، ‫ المنطق الغامض‬، PSO ‫ خوارزمية‬،‫ بطاريات الوقود‬، ‫ توربينات الرياح‬، ‫ ال كهروضوئيىة‬:‫كلمات مفتاحية‬
.ANFIS،‫االصطناعية‬

i
 Table des Matières

Introduction Générale....................................................................................................................................................................... 1

Chapitre I

Etat de l’art sur les systèmes photovoltaïques hybrides

I.1. Introduction. ................................................................................................................................................................................. 5

I.2. Générateur photovoltaïque. ...................................................................................................................................................... 5
I.2.1. Principe de fonctionnement. .......................................................................................................................................... 5
I.2.2. Création d’un champ PV. ................................................................................................................................................ 6
I.2.3. Caractéristiques électriques du GPV. ........................................................................................................................... 7
I.2.4. Structures des systèmes PV.............................................................................................................................................. 7
I.3. Générateur éolien. ....................................................................................................................................................................... 8
I.3.1. Classification des aérogénérateurs................................................................................................................................ 9
I.3.1.1. Turbines éoliennes à axe vertical. ....................................................................................................................... 9
I.3.1.2. Turbines éoliennes à axe horizontal................................................................................................................... 9
I.3.2. Technologies des aérogénérateurs. ............................................................................................................................... 10
I.3.3. Contrôle mécanique de la puissance d’une éolienne. .............................................................................................. 10
I.4. Pile à combustible. ....................................................................................................................................................................... 11
I.4.1. Constitution d’une PAC. ................................................................................................................................................... 12
I.4.2. Types de PAC....................................................................................................................................................................... 12
I.4.3. Principe de fonctionnement de la PAC-OS. ................................................................................................................ 13
I.4.4. Système de production à base de PAC. ......................................................................................................................... 14
I.5. Système de stockage d’énergie. ................................................................................................................................................ 14
I.6. Production décentralisée. .......................................................................................................................................................... 15
I.7. Systèmes d’énergie hybrides . ................................................................................................................................................... 15
I.7.1. Définition d’un SEH. ......................................................................................................................................................... 15
I.7.2. Avantages et inconvénients des SEHs. .......................................................................................................................... 15
I.7.3. Classification des SEHs. .................................................................................................................................................... 16
I.7.3.1. Composition d’un SEH. .......................................................................................................................................... 16
I.7.3.2. Configuration des SEHs.......................................................................................................................................... 18
I.7.3.3. Mode d’opération d’un SEH. ................................................................................................................................. 19
I.7.3.4. Gamme de puissance des SEHs. ........................................................................................................................... 19
I.7.4. Supervision énergétique d’un SEH. ............................................................................................................................... 20
I.8. Qualité d’énergie . ....................................................................................................................................................................... 20
I.8.1. Distorsion harmonique. ................................................................................................................................................... 21
I.8.2. Creux de tension et coupures ........................................................................................................................................ 21
I.9. Conclusion..................................................................................................................................................................................... 22

Chapitre II

Modélisation des systèmes de conversion d’énergie et aperçu sur les TIAs

II.1. Introduction................................................................................................................................................................................. 23

ii
II.2. Partie 1 : Modélisation mathématique des éléments des systèmes de production. ................................................... 23
II.2.1. Source photovoltaïque . .................................................................................................................................................. 23
II.2.1.1. Modélisation de la cellule PV .............................................................................................................................. 23
II.2.1.2. Simulation du module PV .................................................................................................................................... 25
II.2.2. Modélisation des composants d’une éolienne .......................................................................................................... 26
II.2.2.1. Turbine éolienne ................................................................................................................................................... 26
II.2.2.2. Multiplicateur de vitesse ...................................................................................................................................... 27
II.2.2.3. Arbre mécanique .................................................................................................................................................. 27
II.2.2.4. Génératrice synchrone à aimants permanents .............................................................................................. 28
II.2.3. Pile à combustible à oxyde solide................................................................................................................................. 30
II.2.3.1. Modélisation dynamique du stack de PAC-OS ............................................................................................. 30
II.2.3.2. Contraintes sur le fonctionnement de la PAC-OS ........................................................................................ 33
II.2.4. Modèle de Simulation de batterie ................................................................................................................................ 35
II.2.5. Modélisation des convertisseurs de puissance ......................................................................................................... 35
II.2.5.1. Convertisseur élévateur ............................................................................................................................................. 36
II.2.5.2. Convertisseur réversible en courant ....................................................................................................................... 37
II.2.5.3. Convertisseur triphasé à deux niveaux .......................................................................................................... 38
II.2.5.4. Convertisseur triphasé à trois niveaux ........................................................................................................... 40
II.3. Partie 2 : Aperçu sur les techniques d’intelligence artificielle ...................................................................................... 42
II.3.1. Logique floue .................................................................................................................................................................... 42
II.3.1.1. Ensemble flou .......................................................................................................................................................... 42
II.3.1.2. Fonction d’appartenance .................................................................................................................................... 42
II.3.1.3. Variable linguistique ............................................................................................................................................. 43
II.3.1.4. Contrôleur par logique floue ............................................................................................................................. 43
II.3.2. Réseaux de neurones artificiels .................................................................................................................................. 46
II.3.2.1. Neurone formel ..................................................................................................................................................... 46
II.3.2.2. Structures des RNAs ............................................................................................................................................. 47
II.[Link]. Réseaux de neurones non bouclés .................................................................................................. 47
II.[Link].1. Réseaux multicouches ................................................................................................................ 47
II.[Link].2. Réseaux à fonctions radiales de base...................................................................................... 48
II.[Link]. Réseaux de neurones bouclés ......................................................................................................... 49
II.3.2.3. Apprentissage des RNAs ....................................................................................................................................... 50
II.3.2.4. Règles d’apprentissage supervisé ........................................................................................................................ 51
II.[Link]. Algorithme de rétropropagation du gradient ................................................................................ 51
II.[Link]. Algorithme des moindres carrés ...................................................................................................... 52
II.[Link].1. Réseau ADALINE ......................................................................................................................... 52
II.[Link].2. Règle μ-LMS ................................................................................................................................. 53
II.[Link].3. Règle α-LMS ................................................................................................................................ 53
II.3.3. Système d’inférence neuro-flou adaptatif ANFIS .................................................................................................... 53
II.4. Conclusion .................................................................................................................................................................................. 54

Chapitre III

Commande des systèmes de production connectés au réseau

III.1. Introduction. .............................................................................................................................................................................. 55

III.2. Commande d’un système de production PV connecté au réseau ................................................................................ 55

iii
 III.2.1. Configuration du système PV étudié ......................................................................................................................... 55
III.2.2. Structure de commande du SPVCR ........................................................................................................................... 56
III.2.2.1. Commande du convertisseur élévateur ......................................................................................................... 56
III.2.2.2. Contrôle direct de puissance de l’onduleur .................................................................................................. 58
III.[Link]. Synthèse des régulateurs des puissances P et Q ........................................................................... 59
III.[Link]. Régulation de la tension du bus CC à base de PSO .................................................................... 61
III.2.3. Résultats de simulation ................................................................................................................................................ 64
III.3. Commande d’un système de génération éolien connecté au réseau électrique ...................................................... 66
III.3.1. Topologie du système de conversion éolien .......................................................................................................... 66
III.3.2. Contrôle du convertisseur côté génératrice............................................................................................................. 66
III.3.2.1. Contrôle directe du couple ............................................................................................................................... 66
III.3.2.2. Poursuite du PPM du GE .................................................................................................................................... 68
III.[Link]. Méthode de MPPT avec ratio de vitesse optimal ......................................................................... 69
III.[Link]. Méthode de commande MPPT adoptée ......................................................................................... 69
III.3.3. Commande à tension orientée de l’onduleur .......................................................................................................... 71
III.3.3.1. Contrôle de la tension du bus continu ............................................................................................................ 72
III.3.3.2. Optimisation des contrôleurs des courants d et q........................................................................................ 73
III.3.4. Synthèse des régulateurs PI à l’aide de PSO ............................................................................................................. 74
III.3.5. Résultats de simulation ................................................................................................................................................ 74
[Link] par LF d’un système de génération basé sur une PAC-OS........................................................................ 77
[Link] du système de production à PAC-OS ............................................................................................. 78
III.4.2. Système de commande du conditionneur de puissance ...................................................................................... 78
[Link]ôle du convertisseur élévateur ............................................................................................................... 78
III.4.2.2. Commande en puissance de l’onduleur ........................................................................................................ 80
III.4.3.Résultats de simulation .................................................................................................................................................. 81
III.5. Conclusion ............................................................................................................................................................................... 83

Chapitre IV

Commande neuronale d’un micro-réseau (CA/CC) hybride

IV.1. Introduction. .............................................................................................................................................................................. 85

IV.2. Etat de l’art sur les systèmes de production décentralisée ............................................................................................. 85
IV.3. Aperçu sur les techniques de MPPT des SERs utilisant des RNAs ................................................................................. 87
IV.4. Configuration du MR hybride ............................................................................................................................................... 90
IV.5. Structure de commande du MR hybride ........................................................................................................................... 90
IV.5.1. Commande neuronale de la source PV .................................................................................................................... 91
IV.5.2. Commande prédictive du SGEE .................................................................................................................................. 93
IV.5.2.1. Contrôle adaptatif de la vitesse de rotation ................................................................................................... 93
IV.5.2.2. Schéma de contrôle prédictif à réponse pile ................................................................................................. 94
IV.5.3. Commande en puissance de la PAC-OS .................................................................................................................. 96
IV.5.4. Commande en courant du banc de batteries ......................................................................................................... 96
IV.5.5. Schéma de VF-DPC de l’onduleur ............................................................................................................................. 97
IV.5.5.1. Estimation du flux virtuel................................................................................................................................... 97
IV.5.5.2. Règle d’apprentissage d’AI ................................................................................................................................ 100
IV.5.5.3. Contrôleur ENN de puissance .......................................................................................................................... 100
IV.5.5.4. Contrôleur FFNN de la tension du bus CC .................................................................................................... 102

iv
 IV.5.6. Gestion centrale d’énergie à base de la LF .............................................................................................................. 103
IV.6.Résultats de Simulation ........................................................................................................................................................... 105
[Link] .................................................................................................................................................................................. 113

Chapitre V

Commande à flux virtuel orienté des systèmes PV hybrides

V.1. Introduction ................................................................................................................................................................................ 114

V.2. Partie 1 : Commande intelligente d’un système de production hybride (PV/PAC-OS/SSEB) connecté au
réseau électrique................................................................................................................................................................................. 114
V.2.2. Structure de commande du système de génération hybride ............................................................................... 115
V.2.2.1. Contrôle du convertisseur élévateur interfaçant le GPV ............................................................................ 115
V.[Link]. Algorithme de Perturbation et Observation ................................................................................... 115
V.[Link]. Contrôleur MPPT adopté .................................................................................................................... 116
V.2.2.2. Contrôleur flou de la PAC-OS ............................................................................................................................ 119
V.2.2.3. Contrôle de courant du SSEB à base de RGF ................................................................................................... 122
V.2.2.4. Schéma de contrôle à FV orienté de l’onduleur 3L-NPC ............................................................................. 122
V.[Link]. Contrôle de la tension du bus CC ...................................................................................................... 124
V.[Link]. Régulation à base d’ANFIS des gains des contrôleurs PI ............................................................ 126
V.2.2.5. Système de gestion d’énergie central ........................................................................................................... 127
V.2.3. Résultats de simulation ................................................................................................................................................... 130
V.2.4. Conclusion 1 .................................................................................................................................................................... 138
V.3. Partie 2 : Conception d’un circuit de commande numérique dédié à un système hybride PV-éolien ................ 139
V.3.1. Outil de conception XSG ................................................................................................................................................ 139
V.3.2. Topologie du SEH étudié ................................................................................................................................................ 140
V.3.3. Développement du circuit de commande à l’aide de XSG ................................................................................... 141
V.3.3.1. Contrôleur P&O du GPV ..................................................................................................................................... 141
V.3.3.2. Contrôleur MPPT du GE ...................................................................................................................................... 142
V.3.3.3. Schéma de contrôle à flux orienté .................................................................................................................... 143
V.3.3.4. Schéma de VFOC basé sur le Backstepping..................................................................................................... 145
V.[Link]. Approche de Backstepping ................................................................................................................. .145
V.[Link]. Conception de la commande par Backstepping ............................................................................ 146
V.[Link]. Contrôle de tension du bus CC à base d’ADALINE ....................................................................... 148
V.3.4. Résultats de simulation .................................................................................................................................................. 149
V.3.5. Conclusion 2 ..................................................................................................................................................................... 153
Conclusion Générale ......................................................................................................................................................................... 1 55
Annexe A ............................................................................................................................................................................................. 158
Annexe B .............................................................................................................................................................................................. 160
Annexe C ............................................................................................................................................................................................. 161
Références bibliographiques .......................................................................................................................................................... 163

v
 Liste des Figures
Figure I.1 : Coupe transversale d’une cellule PV typique. ........................................................................................................ 6
Figure I.2 : Exemples de trois types de cellules PV à base de Silicium : a) Monocristallin, b) Amorphe en films
minces, b) Multicristallin. ................................................................................................................................................................ 6
Figure I.3 : Cellule, module et champ PV . ................................................................................................................................... 6
Figure I.4 : Caractéristiques électriques du module BPMSX120 : a) I(V), b)P(V) pour T=25°C et G=1000W/m2..... 7
Figure I.5 : Couplage directe GPV-charge. .................................................................................................................................. 8
Figure I.6 : Configurations des systèmes PV avec : a) Un seule étage d’adaptation CC-CC, b) Un seule étage de
conversion CC-CA , c) Deux étages de conversion CC-CC et CC-CA . ............................................................................... 8
Figure I.7 : Schéma descriptif d’un aérogénérateur . ................................................................................................................ 9
Figure I.8: Types de turbines éoliennes a) Savonius, b) Darrieus, c) Evans, d) Tripale, e) Bipale, f) Mono-pale.. ..... 9
Figure I.9 : Diagramme de la puissance mécanique en fonction de la vitesse du vent. ................................................... 11
Figure I.10 : Chaines de conversion d’une éolienne à vitesse variable a) à deux convertisseurs, b) à trois
convertisseurs de puissance............................................................................................................................................................. 11
Figure I.11 : Composition d'un stack de PAC............................................................................................................................... 12
Figure I.12 : Principe de fonctionnement d’une PAC-OS. ....................................................................................................... 14
Figure I.13 : Structure d’un système de production à PAC : a) avec un onduleur seulement, b) avec un hacheur
et un onduleur..................................................................................................................................................................................... 14
Figure I.14 : Classification des systèmes de production hybrides. ......................................................................................... 16
Figure I.15 : Configuration d’un SEH (PV-éolien-stockage) : a) Connexion au bus CC, b) Connexion au bus CC
et CA, c) Connexion au bus CA. ...................................................................................................................................................... 19
Figure I.16 : Paradigme de contrôle centralisé d’un SEH. ........................................................................................................ 20
Figure I.17 : Creux de tension. ........................................................................................................................................................ 21
Figure II.1 : Circuit équivalant simplifié de la cellule PV. ........................................................................................................ 23
Figure II.2 : Bloc Simulink du GPV................................................................................................................................................. 25
Figure II.3 : Caractéristiques IPV (VPV) et PPV (VPV) du module BP MSX120 pour différents niveaux d’éclairement
à température constante T= 250C.................................................................................................................................................. 25
Figure II.4 : Caractéristiques IPV(VPV) et PPV(VPV) du module BP MSX120 pour différentes valeurs de température
et à G=1000W/m2. ............................................................................................................................................................................. 25
Figure II.5 : Modèle de la TE implémenté dans Matlab/Simulink ......................................................................... 27
Figure II.6 : Courbe de a) Puissance versus vitesse de rotation de la TE, b) Coefficient de puissance. ......................... 27
Figure II.7 : Représentation des repères fixe et tournant ......................................................................................................... 29
Figure II.8 : Exemple d’un canal de gaz à un seul orifice ....................................................................................................... 31
Figure II.9 : Modèle dynamique du stack de la PAC-OS ......................................................................................................... 32
Figure II.10 : Contrôle de la PAC-OS............................................................................................................................................. 34
Figure II.11 : Modèle de PAC-OS établi dans l’environnement Matlab/Simulink. ............................................................ 34
Figure II.12 : Evolution de : a) Pressions partielles (PH2,PO2,PH2O) dans la PAC-OS, b) Facteur d’utilisation de
carburant.. ............................................................................................................................................................................................ 34
Figure II.13 Variation de : a) Tension de sortie b) Courant de PAC-OS, c) Limites du courant..................................... 35
Figure II.14 : Modèle dynamique de batterie. ............................................................................................................................. 35
Figure II.15 : Circuit électrique d’un convertisseur élévateur ............................................................................................... 36
Figure II.16 : Circuit équivalent du convertisseur boost avec : a) Q1 passant, b) Q1 bloquant .................................... 36
Figure II.19 : Rapport cyclique d’un signal MLI ........................................................................................................................ 36
Figure II.17 : Circuit de puissance d’un convertisseur réversible abaisseur-élévateur .................................................. 38

vi
Figure II.18 : Circuit de puissance de l’onduleur à deux niveaux couplé au réseau ...................................................... 38
Figure II.19 : Circuit de puissance d’un onduleur 3L-NPC. .................................................................................................... 41
Figure II.21 : Différence entre la notion d’ensemble classique et d’ensemble flou. .......................................................... 42
Figure II.22 : Exemples de types de FA : (a) Fonction-L; (b) Fonction-Λ (triangulaire); (c) Fonction Gaussienne;
(d) Fonction-Π (trapézoïdale) . ...................................................................................................................................................... 43
Figure II.23 : FAs de la variable linguistique « Vitesse ». .......................................................................................................... 43
Figure II.24 : Structure d’un contrôleur par logique floue. .................................................................................................... 44
Figure II.25 : Neurone biologique et sa contrepartie artificielle ........................................................................................... 46
Figure II.26 : Perceptron à trois couches ..................................................................................................................................... 48
Figure II.27 : Structure d’un réseau RBFN .................................................................................................................................. 49
Figure II.28 : Structure d’un réseau d’Elman. ............................................................................................................................. 49
Figure II.29 : Types d’apprentissage : a) Supervisé, b) Non-supervisé ............................................................................... 50
Figure II.30 : Réseau ADALINE entrainé par la règle LMS. ..................................................................................................... 52
Figure II.31: Architecture d’un ANFIS .......................................................................................................................................... 54
Figure III.1 : Structure du SPVCR étudié. ...................................................................................................................................... 56
Figure III.2 : Position du point de fonctionnement sur la courbe PPV(VPV) .......................................................................... 57
Figure III.3 : Organigramme d’algorithme d’IncCond . ........................................................................................................... 57
Figure III.4 : Schéma de commande du convertisseur élévateur. .......................................................................................... 57
Figure III.5 : Schéma de DPC classique ......................................................................................................................................... 58
Figure III.6. Schéma de DPC adopté pour l’onduleur côté réseau. ........................................................................................ 59
Figure III.7 : Schéma de la boucle de régulation de puissance active (P) ........................................................................... 60
Figure III.8 : Déplacement d’une particule de l’essaim dans l’espace de recherche ........................................................ 61
Figure III.9 : Organigramme de l’algorithme de PSO .............................................................................................................. 63
Figure III.10 : Variation des puissances active et réactive sous un niveau d’éclairement variable. ............................. 65
Figure III.11 : Évolution de la tension du bus CC. ...................................................................................................................... 65
Figure III.12 : Variation du courant triphasé injecté au réseau. ............................................................................................ 65
Figure III.13 : Topologie du système de production éolien étudié. ....................................................................................... 66
Figure III.14 : Schéma classique de DTC d’une GSAP. ............................................................................................................. 67
Figure III.15 : Schéma de DTC adopté pour le pilotage du redresseur. ............................................................................... 68
Figure III.16 : Courbes de puissance Pt(ωt) d’une TE pour différentes vitesses de vent ................................................... 69
Figure III.17: Schéma de commande MPPT par TSR optimal ................................................................................................. 69
Figure III.18 : Structure de FFNN adopté pour la MPPT du GE............................................................................................... 70
Figure III.19 : Schéma de VOC de l’onduleur connecté au réseau ....................................................................................... 71
Figure III.20 : Orientation du repère dq selon le vecteur de tension du réseau ............................................................... 72
Figure III.21 : Bloc diagramme de la boucle de régulation de tension du bus CC. ........................................................... 73
Figure III.22 : Evolution de a) la puissance mécanique, b) la vitesse de rotation de la TE dans le premier cas de
simulation. ............................................................................................................................................................................................ 75
Figure III.23 : Evolution du : a) Couple de la TE b) Module du flux dans le premier cas de simulation. .................... 76
Figure III.24 : Evolution de : a) Composante d du courant réseau, b) Composante q du courant réseau, c)
Tension du bus CC, d) Puissances active et réactive dans le premier cas de simulation. ................................................ 76
Figure III.25 : Evolution de : a) Couple Te*, Te et Tt , b) Vitesse de rotation de la TE dans le deuxième cas de
simulation. ............................................................................................................................................................................................ 77
Figure III.26 : Evolution de : a) Composantes d et q du courant réseau , b) Tension du bus CC dans le deuxième
cas de simulation. ............................................................................................................................................................................... 77
Figure III.27 : Structure du système de GD basé sur une PAC-OS. ...................................................................................... 78

vii
Figure III.28 : Schéma de contrôle du convertisseur boost. .................................................................................................... 79
Figure III.29 : FAs des entrées et de la sortie du CLF de la tension du bus CC. ................................................................... 79
Figure III.30 : Commande en mode PQ de l’onduleur 3L-NPC. ............................................................................................. 80
Figure III.31. FAs des entrées et de la sortie du CLF de puissance P et Q. ............................................................................ 81
Figure III.32 : Evolution de la tension et du courant de sortie de la PAC-OS durant le premier cas de simulation 82
Figure III.33 : Evolution de la tension du bus CC durant le premier cas de simulation. ................................................. 82
Figure III.34 : Variation des puissances active et réactive de l’onduleur, du réseau et de la charge CA durant le
premier cas de simulation. ............................................................................................................................................................... 83
Figure III.35 : Evolution de a) Puissances active et réactive d’onduleur, b) Tension du bus-CC durant le
deuxième cas de simulation............................................................................................................................................................. 83
Figure IV.1. Bloc diagramme du MR (CA/CC) hybride. ............................................................................................................ 90
Figure IV.2: Contrôleur SN-RBFN du GPV implémenté dans l’environnement Matlab/Simulink. ............................... 92
Figure IV.3 : Schéma de commande prédictive du SGEE. ......................................................................................................... 93
Figure IV.4 : Prédiction de la consigne future du couple Te* ................................................................................................. 95
Figure IV.5 : Schéma de commande du convertisseur de la PAC-OS dans Matlab/Simulink......................................... 96
Figure IV.6 : Schéma de commande du convertisseur interfaçant le SSEB dans Matlab/Simulink. .............................. 97
Figure IV.7 : Orientation du FV du réseau. .................................................................................................................................. 98
Figure IV.8 : Bloc diagramme du schéma VFDPC-SVM proposé pour l’onduleur. .......................................................... 99
Figure IV.9 : Structure du réseau ENN adopté. ........................................................................................................................... 101
Figure IV.10 : Exemple d’ajustement en-ligne des poids du FFNN par AI dans Matlab/Simulink . .............................. 103
Figure IV.11 : FAs des variables a) Pnet , b) SOC, c) Pb* , d) Pfc*.................................................................................................. 105
Figure IV.12: Variation de : a) Irradiation solaire, b) Courant PV, c) Tension PV, d) Tension de référence en
sortie du SN-RBFN, e) Puissance PV de sortie. ............................................................................................................................ 106
Figure IV.13 : Evolution de : a) Vitesse de rotation, b) Couple électromagnétique et courant statorique direct, c)
module du flux statorique d) Tension du bus-CC. ................................................................................................................... 107
Figure IV.14 : Variation de : a) Demande des charges CA et CC, b) Puissances actives de l’onduleur et du réseau,
c) Puissances de sortie de PAC-OS et du SSEB, d) Puissances réactives de l’onduleur, de charge CA et du réseau
principal................................................................................................................................................................................................ 109
Figure IV.15 : Comparaison entre le SGE classique et le SGE flou. ........................................................................................ 109
Figure IV.16 : Evolution de la : a) Tension du bus CC, b) Puissances de charge total, du MR et du réseau
principal................................................................................................................................................................................................ 110
Figure IV.17 : Variation de : a) Puissances de charge CA, de l’onduleur et du réseau, b) Puissances de la PAC-OS
et du SSEB c) Tension du bus CC, d) Courant de sortie d’onduleur en présence de creux de tension, e)
Composantes αβ négatives du courant d’onduleur. ................................................................................................................ 111
Figure IV.18 : Evolution de : a) Tension PV, b) Profil du vent, c) Vitesse de rotation du GE, d) Erreur statique de
vitesse, e) Couple de la GSAP, f) Puissances active et réactive de l’onduleur...................................................................... 113
Figure V.1 : Structure adoptée du SEH connecté au réseau..................................................................................................... 115
Figure V.2 : Organigramme de l’algorithme de P&O ................................................................................................................ 116
Figure V.3 : Schéma bloc de commande à base d’ENN du convertisseur interfaçant le GPV ......................................... 117
Figure V.4 : Implémentation dans Matlab/Simulink de : a) Contrôleur ENN, b) la règle d’adaptation des poids de
la CS. ...................................................................................................................................................................................................... 119
Figure V.5: Schéma bloc de la commande du convertisseur boost de la PAC-OS. ............................................................ 120
Figure V.6: FAs assignées aux (a) Variables d’entrée (efc et Δefc), (b) Variables de sortie (KP,KI) du RGF du
contrôleur de PAC-OS....................................................................................................................................................................... 121
Figure V.7: Schéma bloc de commande du convertisseur réversible. ................................................................................... 122

viii
Figure V.8 : Schéma de VFOC adopté pour la commande de l’onduleur. ............................................................................ 124
Figure V.9 : Schéma bloc du CFMG implémenté dans Matlab/Simulink. ............................................................................ 125
Figure V.10 : FAs des entrées du CFMG : a) Surface de glissement S, b) Sa variation dS. ................................................ 125
Figure V.11 : FAs des entrées des régulateurs des gains KP et KI de contrôleur de courant direct. .............................. 127
Figure V.12: SGE adopté: a) Organigramme de sa stratégie de supervision, b) Son implémentation dans
Matlab/Simulink. ................................................................................................................................................................................ 130
Figure V.13 : Variation de : a) Tension PV, b) Courant PV, c) Tension de référence imposée par le ENN, d)
Puissance PV de sortie. ...................................................................................................................................................................... 131
Figure V.14 : Variation de : a) Puissance active d’onduleur, de charge et du réseau, b) Puissances de PAC-OS et
du SSEB, c) Puissance réactive d’onduleur, de charge et du réseau. ..................................................................................... 132
Figure V.15 : Variation de : a) Courant en quadrature d’onduleur, b) Gains du contrôleur PI du courant en
quadrature, c) Tension du bus CC. ................................................................................................................................................ 132
Figure V.16 : Variation de a) Irradiation solaire, b) Tension PV, c) Tension de référence imposée par le ENN, d)
Courant PV, e) Puissance PV de sortie. .......................................................................................................................................... 134
Figure V.17 : Evolution de : a) Courant de PAC-OS, b) Courant du SSEB, c) Puissance active d’onduleur, de
charge et du réseau. ........................................................................................................................................................................... 135
Figure V.18 : Variation de la : a) Température, b) Puissance de sortie du GPV. ................................................................. 136
Figure V.19 : Variation de : a) Puissance active d’onduleur, de charge et du réseau, b) Puissance réactive
d’onduleur, de charge et du réseau. .............................................................................................................................................. 137
Figure V.20 : Variation de : a) Courant direct d’onduleur, b) Courant en quadrature d’onduleur, c) Gains du
contrôleur PI de courant................................................................................................................................................................... 137
Figure V.21 : Evolution de a) Tension du bus CC, b) Puissance de PAC-OS et du SSEB, c) Courant d’onduleur et
tension du réseau (phase a). ............................................................................................................................................................ 138
Figure V.22 : Etapes de développement et d’implémentation d’un contrôleur sur une carte FPGA à l’aide de XSG .140
Figure V.23 : Structure du système PV-éolien étudié. ............................................................................................................... 140
Figure V.24: Bloc diagramme de la commande du convertisseur boost .............................................................................. 141
Figure V.25: Développement à base de XSG de a) Contrôleur P&O, b) L’ensemble contrôleur PI-générateur du
signal MLI. ............................................................................................................................................................................................ 142
Figure V.26: Bloc diagramme de la méthode de CCO adoptée............................................................................................... 142
Figure V.27 : Schéma de FOC appliqué au redresseur triphasé ............................................................................................. 144
Figure V.28: Blocs XSG du a) Schéma de FOC de la GSAP, b) Contrôleur PI du courant isd c) Générateur des
signaux MLI. ........................................................................................................................................................................................ 145
Figure V.29 : Schéma de VFOC à base de Backstepping. .......................................................................................................... 146
Figure V.30: Blocs XSG de a) Transformation des coordonnées (abc/αβ)et (αβ/dq), b) Transformation des
coordonnées (dq/αβ) et (αβ/abc), c) Estimateur du FV du réseau, d) Contrôleur ADALINE ,e) Schéma global de
VFOC par Backstepping. ................................................................................................................................................................... 149
Figure V.31: Performances de poursuite du PPM du GPV dans le premier cas de simulation....................................... 150
Figure V.32: Performances de poursuite du PPM du GE dans le premier cas de simulation. ........................................ 151
Figure V.33: Evolution de : a) Composantes q du courant statorique, b) Composantes d du courant statorique de
la GSAP, c) Tension du bus CC durant le premier test. ............................................................................................................. 151
Figure V.34: Evolution de : a) Puissances active b) Puissance réactive d’onduleur, c) Composantes αβ du FV du
réseau durant le premier test. ......................................................................................................................................................... 151
Figure V.35: Performances de poursuite du PPM du GPV dans le deuxième cas de simulation. .................................. 152
Figure V.36: Performances du schéma VFOC dans le deuxième cas de simulation.......................................................... 153

ix
 Liste des Tableaux

Tableau I.1 : Comparaison des caractéristiques de différents types de PAC.. ..................................................................... 13

Tableau I.2 : Aperçu sur les SEHs proposés dans la littérature.. ............................................................................................. 17
Tableau I.3 : Limites de distorsion harmonique pour les systèmes de génération distribuée.. ....................................... 21
Tableau II.1 : Etats de commutation de chaque phase (y=a,b,c) d’onduleur 3L-NPC....................................................... 41
Tableau II.2 : Matrice des règles d’un CLF .................................................................................................................................. 44
Tableau II.3 : Opérateurs des méthodes d’inférence floue ..................................................................................................... 45
Tableau II.4 : Quelques exemples de fonction d’activation d’un neurone formel ........................................................... 47
Tableau III.1 : Paramètres d’algorithme de PSO. ........................................................................................................................ 64
Tableau III.2 : Paramètres d’algorithme de PSO adopté pour le SGEE. ................................................................................. 75
Tableau III.3 : Base des règles du CLF de la tension du bus CC. ............................................................................................. 79
Tableau III.4 : Base des règles du CLF des puissances active et réactive. ............................................................................. 81
Tableau IV.1 : Aperçu sur les RNAs utilisés pour la MPPT des sources PV et éolienne. ................................................... 89
Tableau IV.2 : Tableau des règles floues pour la gestion de la PAC-OS. .............................................................................. 105
Tableau IV.3 : Tableau des règles floues pour la gestion du SSEB. ........................................................................................ 105
Tableau V.1 : Bases de règles floues pour la régulation du gain KP du contrôleur du courant de PAC. ..................... 121
Tableau V.2 : Bases de règles floues pour la régulation du gain KI du contrôleur du courant de PAC. ...................... 121
Tableau V.3 : Base des règles floues du CFMG............................................................................................................................ 126

x
 Liste des acronymes

3L-NPC Three-Level Neutral-Point-Clamped

ADALINE ADAptive LInear NEuron
AFC Alkaline Electrolyte Fuel Cell
AI Adaptive Interaction
ANFIS Adaptive Neuro-Fuzzy Inference System
CA Courant Alternatif
CC Courant Continu
CC-CA Conversion Courant Continu- Courant Alternatif
CC-CC Conversion Courant Continu- Courant Continu
CCO Contrôle du Couple Optimal
CE Couche d’Entrée
CFMG Contrôleur Flou par Mode de Glissement
CH Couche CacHée
CLF Contrôleur par Logique Floue
CPL Constant Power Load
CS Couche de Sortie
CX Couche de ConteXte
DPC Direct power control
DPCM Deadbeat Predictive Control Method
DTC Direct Torque Control
ENN Elman Neural Network
FA Fonction d’Appartenance
FFNN FeedForward Neural Network
FOC Field Oriented Control
FPB Filtre Passe Bas
FPGA Field Programmable Gate Array
FV Flux Virtuel
GD Génération Décentralisée
GE Générateur Eolien
GPV Générateur Photovoltaïque
GRNN Generalized Regression Neural Network
GSAP Génératrice Synchrone à Aimants Permanents
HDL Hardware Description Language
HF Haute Fréquence
IncCond Incrémentation de la Conductance
ISE Integral Square Error
ITAE Integral Time Absolute Error
ITSE Integral Time Square Error
LF Logique Floue
LMS Least Mean Square
MCFC Molten Carbonate Fuel Cell

xi
MLI Modulation de Largeur d’Impulsion
MPPT Maximal Power Point Tracking
MR Micro-Réseau
MSAP Machine Synchrone à Aimants Permanents
P&O Perturbation et Observation
PAC Pile A Combustible
PAC-OS Pile A Combustible A Oxyde Solide
PAFC Phosphoric Acid Fuel Cell
PCC Point of Common Coupling
PEMFC Proton Exchange Membrane Fuel Cell
PI Proportionnel Intégral
PLL Phase Locked Loop
PPM Point de Puissance Maximale
PSO Particule Swarm Optimisation
PV PhotoVoltaïque
RBFN Radial Basis Function Network
RGF Régulateur de Gains Flou
RGNF Régulateurs de Gain Neuro-Flou
RNA Réseau de Neurones Artificiel
RP Rétro-Propagation
SEH Système d’Energie Hybride
SER Source d’Energie Renouvelable
SGE Système de Gestion d’Energie
SGEE Système de Génération d’Energie Eolien
SIF Système d’Inférence Floue
SN-RBFN Single Neuron Radial Basis Function Network
SOC State Of Charge
SOFC Solid Oxide Fuel Cell
SPVCR Système PV Connecté au Réseau
SPWM Sinusoidal Pulse Width Modulation
SSEB Système de Stockage d’Energie à base de Batteries
SVM Space Vector Modulation
TIA Technique de l’Intelligence Artificielle
TE Turbine Eolienne
THD Total Harmonic Distortion
TSK Takagi-Sugeno-Kang
TSR Tip Speed Ratio
VF-DPC Virtual Flux Direct Power Control
VFDPC-SVM Virtual Flux Direct Power Control based SVM
VFOC Virtual Flux Oriented Control
VOC Voltage Oriented Control
XSG Xilink System Generator

xii
 Introduction générale

Les systèmes de production décentralisée intégrés aux réseaux de distribution et

basés sur des ressources renouvelables ont reçu un intérêt majeur ces dernières
années. A l’opposite des générateurs électriques à base d’énergie fossile, les sources
PhotoVoltaïque (PV) et éolienne sont propres, inépuisables et non polluantes.
Néanmoins, ce type de ressources énergétiques soufre du problème d’intermittence
de production qui est causé par la variation aléatoire et fluctuante des conditions
climatiques. Ce problème a un impact négatif sur la stabilité et la fiabilité du réseau,
ce qui a mené à une réduction du taux d’intégration de ce type de Sources d’Energie
Renouvelable (SERs) dans le réseau électrique. De nombreux projets de recherche ont
été orientés vers l’exploration de nouvelles solutions technologiques pour améliorer
la productivité des systèmes de génération d’électricité d’origine renouvelable, d’où
l’alternative de systèmes multi-sources qui s’avère très intéressante.
Un Système d’Energie Hybride (SEH) est un système multi-sources qui combine
différents types de sources d’énergie distribuées (PV, éolienne, piles à combustibles,
générateur diesel, etc.) et/ou des dispositifs de stockage d’énergie. Ce type de
système peut opérer en mode connecté au réseau ou en mode autonome selon le type
d’application. Les systèmes de production hybrides permettent alors de s’affranchir
de la limitation du caractère aléatoire des SERs tout en améliorant l’efficacité
énergétique [1-3]. Dans cette thèse, l’accent est mis sur l’étude des systèmes
énergétiques hybrides intégrant des sources photovoltaïques.
Un panneau photovoltaïque, fabriqué à base de matériau semi-conducteur,
convertit l’énergie des photons d’irradiation solaire en une énergie électrique à l’aide
de l’effet photovoltaïque. Ce type de sources d’énergie est largement utilisé dans de
nombreuses applications comme l’alimentation des habitats résidentiels, des sites
isolés, des satellites de communication, etc. Néanmoins, la caractéristique électrique
puissance-tension P(V) de la source PV est non linéaire et dépend fortement des
conditions climatiques (la température et l’ensoleillement). En conséquence, le point
de puissance maximale change sa position de façon continue, ce qui mène à une
production irrégulière de l’énergie électrique. Donc, il a été incontournable
 Introduction générale

d’associer, à chaque Générateur PV (GPV), un organe de commande qui se charge de

la poursuite du point de puissance maximale (Maximum Power Point Tracking :
MPPT), afin de le forcer de fonctionner constamment au point de puissance optimal
pour différentes situations météorologiques [4]. De nombreux travaux de recherche
[4,5] se sont focalisés sur la thématique de MPPT dont l’objectif capital est
l’optimisation du rendement énergétique des GPVs. Malgré cela, le problème de la
forte dépendance de l’énergie PV produite de l’éclairement et de la température
persiste.
D’ailleurs, la problématique de génération intermittente d’énergie PV est résolue
techniquement en combinant la source PV avec d’autres unités de production comme
les générateurs éoliens, les Piles à Combustibles (PACs), les générateurs diesels, les
micro-turbines à gaz, etc. En outre, un système de stockage d’énergie, composé de
batteries, de super-condensateurs ou de volants d’inertie, peut être incorporé afin de
compenser les fluctuations de l’énergie PV produite, en stockant le surplus de la
génération ou en restituant le déficit [1,2]. Une agrégation de ressources distribuées
et des charges de consommation au sein d’un même système, isolé ou interconnecté
au réseau de distribution, est souvent désignée par le terme «Micro-Réseau» [6]. Pour
ce type de système, une stratégie de supervision énergétique adéquate doit être
implémentée afin de garantir une fourniture continue d’une énergie de haute qualité
aux utilisateurs finaux. Alors, le rôle primordial d’un système de gestion d’énergie
centralisé est de contrôler le transite du flux énergétique et d’assurer une
coordination optimale entre les différents composants du MR. De plus, un contrôleur
local, pour chaque unité de production du MR hybride, doit être conçu afin de
réguler convenablement leurs dynamiques variantes dans le temps [7,8].
En effet, les systèmes de génération multi-sources sont dotés de systèmes de
conditionnement de puissance qui sont indispensables pour l’interfaçage avec les
charges et le réseau. Typiquement, le convertisseur d’électronique de puissance de
type CC-CA est la technologie clé qui permet la conversion et le transfert de la
puissance continue disponible sur le côté CC d’un SEH à une puissance alternative
sur le côté CA du convertisseur. Le schéma de commande associé à l’onduleur côté
réseau est donc responsable de [9, 10] :

 La supervision du flux des puissances active et réactive.

 La stabilisation de la tension du bus à Courant Continu (CC) à l’entrée de
l’onduleur, en dépit de la variation des conditions de fonctionnement.
 L’amélioration de la qualité d’énergie fournie au réseau publique et/ou aux
charges locales.
 Le rejet des perturbations du réseau de distribution à savoir le creux de
tension du réseau, les harmoniques de fréquences basses, etc.
Les SERs (PV et éolienne) d’un SEH sont toujours munies d’organes de
commande MPPT dans le but de garantir l’extraction du maximum de puissance.
Quelles que soient les conditions climatiques, les algorithmes de MPPT doivent être
capables d’assurer des réponses transitoires rapides et des oscillations de puissance

2
 Introduction générale

minimales en régime permanent. D’autre part, les schémas de commande classiques

dédiés au pilotage/contrôle des convertisseurs de puissance CC-CC et CC-CA d’un
SEH sont établis à base de modèles mathématiques et élaborés au moyen des
contrôleurs linéaires de type Proportionnel Intégral (PI). Ces derniers offrent de
bonnes performances dans certaines situations. Néanmoins, en présence des défauts
du réseau électrique, des changements imprévisibles des conditions climatiques et
des fluctuations non-linéaires de la demande en énergie, le degré de complexité du
SEH multi-sources augmente. Dans ce cas, les structures de commande classiques
deviennent imparfaites et souffrent d’une dégradation des performances de contrôle
statiques et dynamiques. Une modélisation mathématique plus précise voire plus
compliquée est alors nécessaire afin de prendre en considération tout type de
perturbation [11-13]. Récemment, différentes techniques de commande non-linéaires
sont proposées dans la littérature pour le contrôle des SEHs dynamiques, en vue de
leurs permettre de réagir d’une manière intelligente. C’est dans ce contexte que les
Techniques de l’Intelligence Artificielle (TIAs) apparaissent comme une solution bien
adaptée vu les avantages qu’elles offrent [12]: l’auto-adaptation, la capacité de
traitement des non-linéarités et des incertitudes et la non-exigence de modèles précis
du système commandé.
Dans la présente thèse, nous proposons d’améliorer la gestion des flux
énergétiques et d’optimiser les performances des schémas de commande des SEHs
en utilisant les TIAs à savoir la logique floue et les réseaux de neurones artificiels.
Ces techniques ont fait leurs preuves dans d’autres applications et nous voulons à
travers notre travail montrer la possibilité d’optimiser le fonctionnement des SEHs
pour différents scénarios.
Dans le premier chapitre de cette thèse, des généralités sur les systèmes
photovoltaïques hybrides sont introduites. Les principes de fonctionnement des
sources d’énergie électrique à savoir la cellule PV, le générateur éolien et la Pile à
Combustible à Oxyde Solide (PAC-OS) sont exposés. En outre, les différentes
topologies des systèmes de production hybrides et les problèmes relatifs à leur
raccordement au réseau électrique sont recensés.
Le chapitre II est constitué de deux parties : la première partie est consacrée à la
modélisation mathématique des sources d’électricité (PV, éolienne et PAC) ainsi que
des convertisseurs statiques (CC-CC et CC-CA) qui servent comme des étages
d’adaptation de puissance. Alors que, la deuxième partie du chapitre est réservée à
l’introduction des notions de base sur les TIAs à savoir la Logique Floue (LF), les
Réseaux de Neurones Artificiels (RNAs) et les réseaux adaptatifs à inférence floue
(ANFISs).
Dans le chapitre III, l’étude et la simulation de trois types de systèmes de
production, basés sur les sources d’énergie (PV, éolienne et PAC), sont accomplies.
Les techniques intelligentes de la LF, de PSO et des RNAs sont appliquées aux
schémas de commande étudiés afin d’améliorer les méthodes de régulation
classiques des correcteurs PI ainsi que pour remplacer les contrôleurs classiques. Les

3
 Introduction générale

résultats de simulation obtenus dans l’environnement Matlab/Simulink sont

présentés afin de vérifier l’efficacité des schémas de contrôle et d’évaluer leurs
performances.
Dans le chapitre IV, le comportement d’un Micro-Réseau (MR) hybride connecté
au réseau électrique est étudié. Où, une combinaison des sources énergétiques (PV,
éolienne, PAC-OS) avec un Système de Stockage d’Energie à base de Batteries (SSEB)
est considérée. L’étude dans ce chapitre porte sur la conception et la validation, pour
un MR hybride, d’un système de commande/contrôle basé sur des RNAs qui
s’entraînent en-ligne. Des contrôleurs neuronaux adaptatifs sont alors utilisés pour la
poursuite des PPMs des générateurs renouvelables ainsi que pour le pilotage de
l’échange d’énergie entre l’onduleur et les charges de consommation. Un
gestionnaire central d’énergie basé sur la logique floue est également proposé. Le
fonctionnement du MR hybride est examiné dans Matlab/Simulink pour différentes
conditions opérationnelles.
Le chapitre V est scindé en deux parties. Dans la première partie, une stratégie de
commande intelligente d’un système de production hybride (PV/PAC-OS/SSEB) est
présentée et évaluée dans l’environnement Matlab/Simulink. Des contrôleurs locaux
intelligents sont développés pour les convertisseurs CC-CC et CC-CA. En outre, un
superviseur de puissance centralisé est conçu afin de gérer efficacement la partition
de la demande d’énergie entre les différentes sources du SEH. Une étude des
performances du schéma de commande adopté sous des conditions variables de
fonctionnement est également fournie. L’objectif visé dans la deuxième partie du
chapitre est de concevoir un circuit de commande numérique d’un système hybride
PV-éolien pour une future implémentation sur une carte FPGA. Ce circuit numérique
est développé à l’aide de l’outil de conception dit « Xilinx System Generator » qui est
destiné au prototypage rapide des circuits de commande à base de FPGA. Les
résultats de simulation sont fournis afin de vérifier la précision du circuit de
commande développé à base du XSG.
Une conclusion générale clôt cette thèse avec de nombreuses perspectives.

4
 Chapitre I

Etat de l’art sur les systèmes photovoltaïques hybrides

 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

I.1. Introduction
Vu l’accroissement de la demande énergétique d’une part et la limitation des
ressources à base d’énergie fossile d’autre part, les sources d’énergie renouvelable (PV,
éolienne, hydraulique, biomasse, etc.) ont bénéficié d’un regain d’intérêt ces dernières
décennies. Les sources PV et éolienne présentent des alternatives de production
d’électricité très prometteuses pour des applications autonomes ou connectées au
réseau.
A partir du rayonnement solaire incident, les panneaux PV génèrent de l’électricité
par le biais de l’effet photovoltaïque. Ils sont employés actuellement dans diverses
applications à savoir les relais de communication, les sites isolés, les centrales PV
connectés au réseau, etc. Les éoliennes sont des sources d’électricité qui récupèrent des
quantités de l’énergie cinétique du vent et les convertissent en énergie électrique à
l’aide de génératrices électriques. Les critères du coût, de rendement et de la gamme
de puissance influent sur le choix de type de la génératrice électrique et de la
configuration adéquate de la chaine de conversion éolienne.
L’hybridation de ces sources d’énergie avec ou sans système de stockage d’énergie
permet d’augmenter la fiabilité et d’obtenir un meilleur rendement. Dans ce chapitre,
nous dressons un état de l’art sur les systèmes PV hybrides. D’abord, des généralités
sur les cellules PV, les éoliennes et les PACs ainsi que leurs principes de
fonctionnement sont introduits. Ensuite, nous définissons le concept de « système
d’énergie hybride » et nous classifions les différents SEHs. Les exigences de contrôle
du flux énergétique et de la qualité d’énergie électrique dans les SEHs sont également
discutées.
I.2. Générateur photovoltaïque
I.2.1. Principe de fonctionnement
Les cellules photovoltaïques, souvent désignées par « photopiles », sont composées
de semi-conducteurs, notamment le silicium, qui possèdent la propriété d’absorption
de la lumière. C’est un dispositif de conversion de l’énergie de la radiation solaire à
une énergie électrique qui met en jeu l’effet photovoltaïque. Ce phénomène physique a
été découvert pour la première fois en 1839 par le physicien français Antoine Edmond
Becquerel [14, 15]. En 1954, les laboratoires Bell ont produit la première cellule PV à
base de silicium. Elle a trouvé sa première application dans les programmes spatiaux
de l’USA pour l’alimentation des satellites [15].
Typiquement, une cellule PV est constituée de deux couches semi-conductrices
dopées différemment (un dopage de type N et un dopage de type P) et qui forment
une jonction PN. Une différence de potentiel apparait donc aux bornes de la jonction
dans laquelle un champ électrique règne. Quand la photopile est illuminée, l’énergie
des photons du rayonnement solaire absorbé est transmise aux électrons des atomes
ce qui mène à la création des paires électron-trou. La collecte des charges libérées à
l’aide de deux électrodes (positive et négative) engendre alors un courant électrique
continu en sortie de la cellule PV [14-16]. La figure (I.1) représente une coupe
transversale d’une cellule PV expliquant son principe de fonctionnement.

5
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

Figure I.1 : Coupe transversale d’une cellule PV typique [17].

La figure (I.2) illustre des cellules PV avec différentes technologies de fabrication.

(a) (b) (c)

Figure I.2 : Exemples de trois types de cellules PV à base de Silicium : a) Monocristallin, b)
Amorphe en films minces, b) Multicristallin [18].

I.2.2. Création d’un champ PV

La tension mesurable aux bornes d’une cellule PV est inférieure à 1V et la puissance
maximale produite est d’environ 1W ce qui est insuffisant pour la plupart des
applications [15]. L’assemblement d’un certain nombre de cellules PV en série et en
parallèle constitue un module PV [15]. La tension de sortie de l’ensemble de cellules
mises en série est égale à la tension de sortie d’une photopile multipliée par le nombre
de cellules. Alors que, l’association de plusieurs cellules PV en parallèle permet
d’augmenter le courant délivré et qui est égale à la somme des courants de sortie des
cellules élémentaires.
La combinaison de plusieurs modules en série/parallèle forme un champ ou un
générateur PV (voir la figure (I.3)) [15]. Ceci permet d’accroitre la quantité de la
puissance générée selon le domaine d’application. Notons que des diodes d’anti-
retour et des diodes by-pass sont employées durant le montage des panneaux PV, afin
d’éviter le passage des courants inverses et la destruction de cellules en cas de
mismatch ou d’ombrage partiel [1,18].

Cellule Module Champ PV

Figure I.3 : Cellule, module et champ PV [15].

6
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

I.2.3. Caractéristiques électriques du GPV

Comme déjà mentionné, l’éclairage d’une cellule PV provoque la libération de
porteurs de charge ce qui permet la génération d’un courant continu sous une certaine
différence de potentiel. Si l’intensité d’éclairement incident augmente, la densité du
photo-courant généré par la cellule éclairée s’accroît en conséquence. La figure (I.4.a)
montre la caractéristique du courant en fonction de la tension de sortie (IPV(VPV)) d’un
module BPMSX120 à une température (T) de 25°C et un éclairement (G) de 1000W/m2.
En outre, la figure (I.4.b) illustre la courbe de puissance versus tension (PPV(VPV)) pour
le même module PV. Il est clair de ces figures que les caractéristiques IPV(VPV) et
PPV(VPV) d’un GPV sont fortement non-linéaires. La puissance PV maximale (PPPM) est
produite à un seul point de fonctionnement qui correspond à des valeurs optimales
du courant (IPPM) et de la tension (VPPM). Une exploitation optimale d’un GPV consiste
alors à le faire opérer en permanence au Point de Puissance Maximale (PPM) et à
transférer cette dernière efficacement au récepteur final (charge à CC ou à CA).
Les conditions climatiques (la température et l’ensoleillement) et
environnementales (la position et l’inclinaison du GPV, l’ombrage partiel, etc.)
influent considérablement sur la position du PPM d’un GPV [19]. Donc, le couplage
d’une source PV avec une charge électrique est généralement réalisé à l’aide d’un
convertisseur de puissance qui joue le rôle d’un adaptateur d’impédance. Il permet de
contrôler le point d’opération du GPV (tâche de MPPT) afin d’assurer l’extraction du
maximum de puissance PV disponible pour différentes conditions de fonctionnement.
4
120
3.5 Courant de court-circuit
Icc PPM 100
3
PPM
Courant PV (A)

Puissance PV (W)

2.5 80

2
60

1.5
40
1

0.5 20
Tension de circuit ouvert Vppm
0
Vco
0
0 5 10 15 20 25 30 35 40 45 0 5 10 15 20 25 30 35 40 45
Tension PV (V) Tension PV (V)
(a) (b)
Figure I.4 : Caractéristiques électriques du module BPMSX120 : a) IPV(VPV), b) PPV(VPV) pour
T=25°C et G=1000W/m2.

I.2.4. Structures des systèmes PV

Une des premières applications autonomes des sources PV consiste à alimenter
directement, sans étage d’adaptation, des charges à courant continu (CC) comme dans
la figure (I.5). Ce couplage direct entre le GPV et la charge CC constitue la structure
la plus simple et la moins coûteuse. Néanmoins, dans ce cas, le point de
fonctionnement du GPV est fortement dépendant de la charge CC : c’est le point
d’intersection de la courbe I(V) de la charge CC avec la caractéristique IPV(VPV) du GPV
[19]. Ceci mène fréquemment à une exploitation non-optimale de la source PV. Pour

7
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

résoudre ce problème, un convertisseur statique de type CC-CC est utilisé pour

l’interfaçage du GPV avec une charge CC en assurant le fonctionnement au PPM (voir
figure (I.6.a)). D’autre part, pour l’interconnexion de la source PV à une charge CA ou
au réseau public triphasé, deux types de configuration sont couramment utilisés
comme le montre les figures (I.6.b) et (I.6.c) : Un couplage via un onduleur uniquement
ou le couplage avec deux étages de conversion CC-CC et CC-CA. L’onduleur a pour
rôle de convertir la puissance continue fournie par le GPV à une puissance alternative
adaptée aux caractéristiques de la charge CA ou du réseau public. La tâche de MPPT
est affectée soit au convertisseur CC-CC, soit au convertisseur CC-CA [4,19].
Diode anti-retour
Panneau
Charge CC
PV

Figure I.5 : Couplage directe GPV-charge [19].

CC-CC CC-CA CC-CC CC-CA

Charge CA Charge CA
GPV Charge CC GPV GPV
/réseau /réseau

MPPT MPPT MPPT

(a) (b) (c)

Figure I.6 : Configurations des systèmes PV avec : a) Un seule étage d’adaptation CC-CC [19],
b) Un seule étage de conversion CC-CA [20], c) Deux étages de conversion CC-CC et CC-CA [20].

La qualité d’énergie générée par le GPV en termes de continuité et de fiabilité

dépend fortement des conditions climatiques voire de la disponibilité de la source
primaire d’énergie (le soleil). Afin de surmonter ce problème, des alternatives
techniques consistent à rajouter des sources d’énergie propre (éoliennes, PACs, etc)
et/ou des générateurs d’appoint conventionnels (générateur diesel, micro-turbine à
gaz, etc.). Dans ce qui suit, le fonctionnement d’un générateur éolien et d’une PAC est
décrit brièvement.
I.3. Générateur éolien
Dans les années 1980, les systèmes de génération éolienne ont commencé avec des
capacités de quelques dizaines de kilowatts de puissance. Actuellement, des éoliennes
générant des puissances de l’ordre de mégawatts sont largement installées et intégrées
aux réseaux de distribution [21]. Un générateur éolien, désigné par « aérogénérateur »,
est une source d’énergie propre et inexhaustible qui permet de capter une partie de
l’énergie du vent et la convertir en énergie électrique. En effet, cette conversion est
faite en deux étapes : la première étape consiste à transformer l’énergie cinétique du
vent en une énergie mécanique à l’aide des pales de la turbine éolienne. Ensuite, la
génératrice à CA de l’éolienne s’occupe de la production de l’énergie électrique à partir
de l’énergie mécanique qui entraîne le rotor de la turbine [19]. La figure (I.7) montre
les différents composants d’une éolienne à axe horizontal. Les aérogénérateurs
peuvent être utilisés individuellement ou en un groupe, nommé parc éolien, dans
diverses applications autonomes ou raccordées au réseau.

8
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

Multiplicateur
Système de régulation
Frein de vitesse
électrique
Nacelle
Moyeu
Génératrice électrique
Pale Système d’orientation
Mat

Armoire du couplage
Fondation au réseau

Figure I.7 : Schéma descriptif d’un aérogénérateur [22].

I.3.1. Classification des aérogénérateurs

Selon la direction de l’axe de rotation de la turbine éolienne, les aérogénérateurs
peuvent être classés comme suit :
I.3.1.1. Turbines éoliennes à axe vertical
Dans ce type d’éolienne, l’axe de rotation vertical est perpendiculaire à la direction
du vent. La plupart des éoliennes à axe vertical sont à deux pales comme les turbines
de type Darrieus et Savonius qui sont représentées par la figure (I.8) [1]. Elles sont
placées près du sol ce qui facilite la tâche de maintenance. Néanmoins, ces éoliennes
offrent des couples aérodynamiques oscillants et requièrent un entraînement au
démarrage via le générateur électrique. L’efficacité de ces éoliennes (Savonius 16% et
Darrieus 40%) reste faible par rapport à celle des éoliennes tripales à axe horizontal
(environ 50%) [23].
I.3.1.2. Turbines éoliennes à axe horizontal
C’est le type des turbines le plus utilisé où les pales rassemblés dans le moyeu
tournent autour d’un axe horizontal. Les éoliennes de cette catégorie peuvent être
discriminées selon le nombre de pales : on distingue des rotors mono-pale, bipale,
tripale ou même multi-pales. Actuellement, les éoliennes tripales sont les plus
répandues. L’avantage principal des éoliennes à axe horizontal réside dans leur haute
efficacité énergétique ainsi que leur faible rapport coût/puissance. Toutefois, la
maintenance de ce type d’aérogénérateur, notamment de forte puissance, est souvent
difficile [23]. La figure (I.8) montre différents types de turbines éoliennes.

(a) (b) (c) (d) (e) (f)

Turbines à axe vertical Turbines à axe horizontal
Figure I.8: Types de turbines éoliennes a) Savonius, b) Darrieus, c) Evans, d) Tripale, e) Bipale, f)
Mono-pale [1,24].

9
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

I.3.2. Technologies des aérogénérateurs

Trois catégories de machines électriques, fonctionnant en mode générateur, sont
largement utilisées au sein des systèmes de production éolienne [19]. Il s’agit
des machines asynchrones à cage, des machines asynchrones à double alimentation et
des machines synchrones à aimants permanents. Chaque machine présente des
avantages et des inconvénients relatifs au rendement, au coût et à la gamme de
puissance des applications (petite, moyenne ou grande). Dans cette thèse, nous nous
intéressons seulement aux Génératrices Synchrones à Aimants Permanents (GSAPs)
qui sont très adéquates pour les éoliennes de faible puissance.
Actuellement, deux technologies d’aérogénérateur sont adoptées dans diverses
installations éoliennes :
 Les éoliennes à vitesse fixe : c’est la technologie la plus simple où, l’éolienne
fonctionne avec une variation très légère de la vitesse de rotation de la turbine
(imposée par la fréquence du réseau) et utilise souvent des machines
asynchrones à cage d’écureuil couplées directement au réseau. Dans ce cas, les
systèmes de régulation par décrochage aérodynamique « stall control » ou par
variation d’angle de calage des pales « pitch control » servent à réguler la
puissance produite par l’éolienne à des vents violents [18].
 Les éoliennes à vitesse variable : elles sont développées pour fonctionner sur une
large gamme de vitesses du rotor. Le contrôle de la vitesse rotationnelle et de
la puissance produite permet d’extraire du vent une énergie plus importante
que celle de l’éolienne à vitesse fixe. Les générateurs synchrones et asynchrones
pilotés par des interfaces d’électronique de puissance peuvent être utilisés dans
ce type d’éoliennes [18].
I.3.3. Contrôle mécanique de la puissance d’une éolienne
En générale, les turbines éoliennes sont contrôlées pour fonctionner seulement dans
une gamme de vitesses de vent limitée par une vitesse de démarrage (Vd) et une vitesse
maximale (Vm). Hors cet intervalle, la turbine doit être arrêtée pour assurer la sécurité
de l’aérogénérateur. La figure (I.9) montre qu’il existe quatre zones de fonctionnement
de l’éolienne [25, 26]:
La zone I et IV: Ce sont les zones des vitesses de vent très faibles et très élevées,
respectivement. Pour ces vitesses, la turbine éolienne doit être arrêtée et déconnectée
du réseau pour éviter d’être entraînée par le générateur.
La zone II : Il s’agit de la gamme des vitesses de vent moyennes qui est bornée par
la vitesse de démarrage et la vitesse nominale (Vn) pour laquelle l’éolienne génère sa
puissance nominale (Pn). Dans cette zone, le contrôleur de la turbine agit pour extraire
le maximum d’énergie disponible du vent par l’intermédiaire d’un algorithme de
MPPT.
La zone III : C’est la zone des vitesses de vent élevées (entre Vn et Vm) dans laquelle
il est nécessaire de limiter la génération de la puissance mécanique à la valeur
nominale (Pn) pour éviter la destruction de la turbine.

10
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

A l’inverse des éoliennes à vitesse fixe, les éoliennes à vitesse variable requièrent
des convertisseurs de puissance en vue d’accomplir les tâches de contrôle du flux de
puissance, de régulation MPPT et de production d’une énergie de haute qualité [25].
Puissance
mécanique (W)
I II III IV
Pn
Contrôle MPPT

Vitesse de vent (m/s)

0 Vd Vn Vm
Figure I.9 : Diagramme de la puissance mécanique en fonction de la vitesse du vent [25,26].
Comme l’illustre la figure (I.10), deux configurations d’une chaine de conversion
éolienne, basée sur une GSAP (fonctionnant à vitesse variable), sont couramment
utilisées :
 Configuration à deux convertisseurs tête-bêche (back to back).
 Configuration avec trois convertisseurs de puissance (un redresseur à pont de
diode, un convertisseur boost et un onduleur triphasé).
CA-CC CC-CA

CDC
Charge CA
GSAP /réseau

(a)
CA-CC CC-CC CC-CA

Charge CA
GSAP
/réseau

(b)
Figure I.10 : Chaines de conversion d’une éolienne à vitesse variable : a) À deux convertisseurs, b)
À trois convertisseurs de puissance [27].

I.4. Pile à combustible

En 1839, William Grove a découvert le principe de fonctionnement de la pile à
combustible en inversant l’électrolyse de l’eau pour produire l’électricité à partir de
l’hydrogène et de l’oxygène [28]. Néanmoins, la première réalisation pratique de la
PAC revient au scientifique britannique Francis Bacon. Une PAC est un dispositif qui
permet la conversion de l’énergie chimique de combustible en énergie électrique grâce
à un processus électrochimique [29].
Au cours de ces dernières décennies, les chercheurs ont accordé beaucoup d’intérêt
à l’étude de différents types de pile à combustible, notamment les PAC-OSs, comme
des moyens de production décentralisée d’énergie électrique [30]. Ceci est en raison
de divers avantages qu’elles présentent à savoir le haut rendement (entre 35 et 60%),
le fonctionnement sans bruit, les émissions polluantes réduites voire nulles et le haut
niveau de fiabilité grâce à l’absence des parties en mouvement [31].

11
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

I.4.1. Constitution d’une PAC

Comme le montre la figure (I.11), la pile à combustible est constituée d’un
assemblage de plusieurs cellules élémentaires, tel que la tension aux bornes de chaque
élément est inférieure à 1V. La mise en série d’un certain nombre de cellules
élémentaires permet donc d’obtenir le niveau désiré de tension en sortie de la PAC.
Chaque élément de la pile est composé de deux électrodes (pour l’anode et la cathode)
séparés par un électrolyte [30]. Le rôle principal de ce dernier est d’éviter le contact
direct de carburant avec le comburant lorsque l’anode et la cathode sont liées
électriquement. En outre, l’électrolyte doit assurer la conduction des ions des réactifs
d’un côté à l’autre pour qu’ils puissent participer à la réaction électrochimique [32].
A l’inverse des piles électrochimiques traditionnelles, les réactifs sont fournis à
partir de réservoirs externes à la PAC [30]. Les combustibles sont fournis en
permanence à l’anode alors que la cathode est alimentée continuellement en oxydant
(souvent l’air) [32].

Figure I.11 : Composition d'un stack de PAC [33].

I.4.2. Types de PAC

Les PACs peuvent être classées selon différents critères tels que la température de
fonctionnement (basse ou haute), la nature de combustible (hydrogène, méthanol,
etc.), l’état d’électrolyte (solide ou liquide), etc. [30]. On cite par exemple [30]:
 Les piles à combustibles à électrolyte alcalin (Alkaline electrolyte Fuel Cell:
AFC ).
 Les piles à combustibles à carbonate fondu (Molten Carbonate Fuel Cell:
MCFC ).
 Les piles à combustibles à acide phosphorique (Phosphoric Acid Fuel Cell :
PAFC ).
 Les piles à combustibles à membrane échangeuse de protons (Proton
Exchange Membrane Fuel Cell : PEMFC ).
 Les piles à combustibles à oxyde solide (Solid Oxide Fuel Cell : SOFC ).
La comparaison de quelques caractéristiques de PACs est réalisée dans le tableau
(I.1).

12
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

Type de PAC AFC PAFC PEMFC MCFC SOFC

Efficacité
~50 ~40 40-50 45-55 50-60
électrique (%)
Céramique :
Acide Carbonate
Hydroxyde Polymère zirconium
Electrolyte phosphorique fondu
de potassium solide stabilisé à
liquide liquide
l’yttrium
Température de
fonctionnement 80-260 ~200 50-80 600-700 600-1000
(°C)
Gamme de
puissance des 1-100 50-1000 10-3-1000 100-105 5-105
applications (kW)

Tableau I.1 : Comparaison des caractéristiques de différents types de PACs [29].

Les technologies de PEMFC à basse température et de PAC-OS à haute température

sont les plus utilisées pour des applications portables et stationnaires, notamment,
celles de génération décentralisée [29]. Dans cette thèse, on s’intéresse uniquement aux
PAC-OSs.
I.4.3. Principe de fonctionnement de la PAC-OS
Les PAC-OSs fonctionnent à une température élevée entre 600-1000°C. Elles
utilisent un électrolyte solide souvent l’oxyde de zirconium (ZrO2) dopé à l’yttrium
(Y2O3) (noté YSZ). Ce matériau est un excellant conducteur ionique qui permet la
conduction des ions à charge négative (O-2) [29]. Donc, l’utilisation de catalyseurs à
base de métaux nobles n’est pas nécessaire grâce à la haute température de
fonctionnement de la PAC-OS [30].
La figure (I.12) illustre le principe d’une PAC-OS alimentée en hydrogène et en
oxygène. En fournissant en permanence les réactifs aux entrées (l’anode et la cathode)
de la PAC-OS, une réaction d’oxydoréduction se produit à l’intérieur de la pile [30].
Elle permet de produire l’électricité, l’eau et la chaleur selon le bilan suivant [30, 32] :
1
𝐻2 + 𝑂2 ⟶ 𝐻2 𝑂 + 𝑐ℎ𝑎𝑙𝑒𝑢𝑟 + é𝑙𝑒𝑐𝑡𝑟𝑖𝑐𝑖𝑡é
2
Cette réaction globale résulte de deux demi-réactions suivantes :
L’oxydation d’hydrogène à l’anode : 𝐻2 + 𝑂 −2 → 𝐻2 𝑂 + 2𝑒 −
1
La réduction d’oxygène à la cathode : 2
𝑂2 + 2𝑒 − → 𝑂−2
Au niveau de l’anode de la PAC-OS, le gaz d’hydrogène réagit avec les ions
d’oxygène (o-2) pour former l’eau et libérer les électrons. Au niveau de la cathode,
l’oxygène gazeux est réduit en des ions o-2 qui migrent à travers l’électrolyte vers
l’anode. Alors que, les électrons produits à l’anode passent à travers le circuit
électrique extérieur vers la cathode [32].
Avec la possibilité de récupérer la chaleur produite, la PAC-OS peut être utilisée
dans des installations de cogénération où le rendement peut atteindre 75-80%[29].

13
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

Figure I.12 : Principe de fonctionnement d’une PAC-OS [32].

I.4.4. Système de production à base de PAC

Dans un système de génération d’énergie à CA autonome ou connecté au réseau,
l’énergie à CC fournie par la PAC est convertie en une énergie à CA via une interface
d’électronique de puissance. La figure (I.13) montre deux structures possibles d’un
système de production à PAC : avec un seule étage de conversion de type CC-CA ou
avec deux étages de conversion (un hacheur CC-CC et un convertisseur CC-CA) [29].
CC-CA CC-CC CC-CA

Charge CA Charge CA
PAC PAC /réseau
/réseau

(a) (b)
Figure I.13 : Structure d’un système de production à PAC : a) Avec un onduleur seulement, b) Avec
un hacheur et un onduleur [29, 34].

I.5. Système de stockage d’énergie

Le système de stockage d’énergie est un élément important dans un SEH,
particulièrement autonome, qui a pour rôle de générer l’énergie électrique en cas de
dégradation ou de fluctuation de la production d’origine renouvelable [35].
Différentes alternatives pour le stockage d’énergie dans les SEHs sont proposées dans
la littérature à savoir les batteries, les super-condensateurs, les volants d’inertie, etc.
La batterie composée d’un ensemble d’accumulateurs est l’organe de stockage le plus
ancien et le plus répandu.
Un accumulateur est un générateur d’énergie électrique rechargeable qui se base
sur une réaction électrochimique. Il sert donc à stocker l’énergie électrique et à la
restituer en inversant le sens de la conversion chimique. Comme pour les PACs, un
accumulateur est constitué d’un compartiment rempli d’électrolyte et de deux
électrodes positif et négatif. La recharge d’accumulateur par l’intermédiaire d’une
source extérieure de tension continue est nécessaire lorsque la quantité des réactants
atteint une certaine valeur de seuil. Une batterie est alors constituée d’un ensemble
d’accumulateurs branchés en série ou en parallèle pour obtenir les caractéristiques
électriques (du courant et de tension) désirées [30]. Parmi les technologies des

14
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

accumulateurs les plus répandues on trouve : l’accumulateur au plomb,

l’accumulateur aux ions lithium, l’accumulateur nickel-cadmium, l’accumulateur
nickel-hydrure métallique, etc [30]. Plus de détails sur ces types de batteries se
trouvent dans la référence [30].
I.6. Production décentralisée
La production décentralisée ou distribuée consiste à utiliser des unités de
production d’énergie électrique, de petite puissance, interconnectées au réseau de
distribution de basse tension. En revanche, la génération centralisée est basée sur des
grands producteurs traditionnels qui sont connectés au réseau de transport de haute
tension [20]. Les sources énergétiques distribuées peuvent être renouvelables, non-
renouvelables ou même des systèmes de stockage d’énergie. La tendance actuelle est
d’utiliser les générateurs d’énergie renouvelable comme des moyens de production
décentralisée en participant à la satisfaction de la demande énergétique des
utilisateurs finaux. Ils ont évolué très rapidement en couvrant une large gamme de
puissance : de systèmes de plusieurs centaines de kilowatts jusqu’à des installations
de quelques megawatts [36].
I.7. Systèmes d’énergie hybrides
I.7.1. Définition d’un SEH
Un système d’énergie hybride est un système multi-sources qui utilise au moins
deux sources d’énergie renouvelables et/ou conventionnelles pour produire
l’électricité. De manière générale, un système hybride est constitué de sources
énergétiques inépuisables (PV, éolienne, hydraulique, etc), des générateurs électriques
conventionnels (générateur diesel, micro-turbine à gaz, groupe électrogène, etc) et/ou
des dispositifs de stockage d’énergie (batteries, super-condensateurs, volants d’inertie
et électrolyseurs avec réservoirs d'hydrogène) [1,2, 37]. En outre, des convertisseurs de
puissance, des filtres, différents types de charges électriques (à CC ou à CA) et un
système de gestion/contrôle sont également incorporés dans le SEH [2,38]. Ce type de
système de production hybride est souvent désigné par le terme « Microréseau » [7].
À l’opposé du système de production à base d’une seule SER, le SEH permet
d’augmenter la fiabilité du système de génération et de garantir une alimentation
continue des charges de consommation [39,40]. Où, les systèmes de stockage d’énergie
ont pour rôle de stocker le surplus de génération et de compenser le manque d’énergie
dans le SEH [3].
I.7.2. Avantages et inconvénients des SEHs
Les avantages des SEHs peuvent être résumés comme suit [41, 35]:
 Réduction du besoin au stockage d’énergie en exploitant plusieurs sources
d’énergie.
 Une meilleure fiabilité de la fourniture d’énergie.
 Une meilleure qualité d’énergie.
 Réduction du coût de génération d’énergie.
Néanmoins, les SEHs présentent les limitations suivantes [41]:

15
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

 Un degré de complexité plus élevé du système de production.

 Difficulté d’optimisation du système.
 Un coût élevé d’investissement.
I.7.3. Classification des SEHs
D’après les références [38,42], les SEHs peuvent être classifiés selon différents
critères :
 La configuration du SEH.
 Le mode de fonctionnement.
 La gamme de puissance du champ d’application.
 La composition du SEH.
L’organigramme de la figure (I.14) classifie les SEHs selon ces critères.

Système hybride

Gamme de puissance Composants du système Configuration du système

Faible puissance Sans stockage Interconnexion au bus CC

Moyenne puissance Avec stockage Interconnexion au bus CA

A base de sources propres Interconnexion au bus CC et CA

Grande puissance

Avec générateurs conventionnels

Mode de fonctionnement

Autonome

Connecté au réseau

Figure I.14 : Classification des systèmes de production hybrides.

I.7.3.1. Composition d’un SEH

Le caractère aléatoire de la source PV peut être compensé en la combinant avec
d’autre source d’énergie renouvelable ou conventionnelle sans ou avec des dispositifs
de stockage. Puisque les sources d’énergie PV et éolienne sont complémentaires, leur
combinaison au sein du même système de génération s’avère très adéquate [43]. Cette
alternative permet de s’affranchir de la dépendance d’une seule source renouvelable
et d’améliorer d’une manière significative le rendement énergétique [35]. Cependant,
l’intermittence des conditions météorologiques (le soleil et le vent) mène à l’instabilité
de la production d’origine renouvelable. Donc, il est nécessaire d’utiliser un système
de stockage d’énergie ou d’autres sources énergétiques stables à savoir les PACs et les
générateurs diesel afin d’assurer la continuité de production [40,44,45]. Actuellement,
les PACs sont utilisées dans les SEHs en tant que des sources d’énergie
complémentaires en fournissant l’énergie en cas d’absence ou de dégradation

16
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

d’énergie générée par les SERs [46]. Le tableau (I.2) donne un aperçu sur les différentes
combinaisons de SEHs (comportant des sources PV) proposées dans la littérature.

Classification du SEH Référence Composants du SEH Mode de

fonctionnement
[43] Connecté au
PV-éolienne
réseau
A base de sources d’énergie [47] Connecté au
propre et sans stockage PV-PAC
réseau
d’énergie [44] Connecté au
PV-éolienne - PAC
réseau
[45] Connecté au
PV-éolienne - batteries
réseau
[48] Connecté au
PV-PAC-batteries
réseau
[49]. PV-PAC-supercondensateur Autonome
[50] Connecté au
PV-éolienne -volant d’inertie
réseau
[39] PV- PAC - batteries - Connecté au
supercondensateurs réseau
A base de sources d’énergie [51] PV-éolienne-PAC - batteries Autonome
propre et avec stockage [3] PV– éolienne - PAC -
d’énergie Connecté au
électrolyseur-réservoir
réseau
d’hydrogène - batteries
[52] PV-PAC-électrolyseur-réservoir
d’hydrogène -batteries Autonome
[53] PV-PAC-électrolyseur–réservoir
d’hydrogène- batteries- Autonome
supercondensateurs

[54] PV– éolienne- générateur diesel Connecté au

réseau
Avec sources d’énergie [55] PV– éolienne- générateur diesel -
conventionnelles et avec Autonome
batteries
stockage d’énergie
[56] PV-éolienne-micro-turbine-
Autonome
batteries

Tableau I.2 : Aperçu sur les SEHs proposés dans la littérature.

La remarque qui peut être faite à partir du tableau (I.2) est que les SEHs peuvent
être groupés selon leur combinaison de ressources, comme suit [42]:
 Des SEHs sans stockage d’énergie.
 Des SEHs avec stockage d’énergie.
 Des SEHs basés sur des sources d’énergie propre seulement.
 Des SEHs comportant des sources d’énergie conventionnelles.
Le choix adéquat de la combinaison des ressources d’un SEH est fait en fonction
du potentiel énergétique (solaire, éolien, etc) de l’endroit de l’installation, des besoins
énergétiques des consommateurs (charges à CC et à CA) [42], du champ d’application

17
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

envisagée (isolé ou connecté réseau, la gamme de puissance) et du coût

d’investissement.
I.7.3.2. Configuration des SEHs
Les SEHs se diffèrent entre eux selon leur configuration, i.e. la façon de couplage
de leurs sources énergétiques qui peuvent être connectées au bus à courant continu
(CC), au bus à courant alternatif (CA) ou aux deux bus CC et CA. Chaque
configuration offre certains avantages et présente quelques inconvénients [38,40,7]. A
titre d’exemple, on présente ici, les trois configurations possibles pour un système
hybride PV-éolien avec batteries de stockage [40]. Notons que la source PV et
l’accumulateur produisent une énergie à courant continu. Tandis que, le générateur
éolien débite un courant alternatif.
 Topologie à bus CC commun : Comme le montre la figure (I.15.a), les sources PV
et éolienne ainsi que la batterie de stockage sont interconnectées au bus CC
commun via des convertisseurs de puissance. Le courant alternatif produit par
l’éolienne est transformé à un courant continu à l’aide d’un redresseur. Le seul
onduleur du SEH s’occupe de la conversion de la puissance continue
disponible à son entrée en puissance alternative. Le bus CA fournie la
puissance convertie aux charges CA et permet l’interconnexion au réseau
électrique [40].
 Topologie mixte avec couplage aux bus CC et CA : Les panneaux PV, le banc de
batteries et les charges CC sont interconnectés au bus CC (figure (I.15.b)). Alors
que, le Générateur Eolien (GE) basé sur une machine à double alimentation et
les charges CA sont reliés directement au bus CA. Les topologies des figures
(I.15.a) et (I.15.b) présentent l’avantage de simplicité de l’algorithme de
commande. Néanmoins, la panne de l’onduleur cause l’interruption du
fonctionnement du SEH [40].
 Topologie à bus CA commun : Chacune des ressources énergétiques du SEH (PV,
éolienne et batterie) est couplée au bus CA à l’aide d’un convertisseur CC-CA
comme l’illustre la figure (I.15.c). En cas de défaillance d’un onduleur dans
cette architecture, le SEH continue à fournir l‘énergie aux charges CC et CA à
partir des autres sources d’énergie. Alors, cette configuration est plus
économique et efficace par rapport aux autres configurations. Toutefois, elle
exige un algorithme de commande plus compliqué [40].

(a)

18
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

(b)

(c)
Figure I.15 : Configuration d’un SEH (PV-éolien-stockage) : a) Connexion au bus CC, b) Connexion
au bus CC et CA, c) Connexion au bus CA [40].

I.7.3.3. Mode d’opération d’un SEH

Un SEH peut fonctionner aussi bien en mode autonome qu’en mode connecté au
réseau. En mode de fonctionnement autonome, le SEH a pour but de satisfaire
continuellement les besoins énergétiques des charges de consommation dans des
zones rurales ou des milieux éloignés du réseau principal. En mode connecté au
réseau, le SEH qui joue le rôle d’un système de production décentralisée, injecte la
puissance produite au réseau électrique où les normes d’interconnexion au réseau
doivent être respectées. Néanmoins, en cas de défaillance du réseau, le SEH doit être
capable de se déconnecter du réseau et d’opérer en mode autonome [8, 37].
I.7.3.4. Gamme de puissance des SEHs
Les SEHs connaissent un grand essor ces dernières années et leurs applications
couvrent une large gamme de puissance [38]:
 Les SEHs de faible puissance (<5kW) : Alimentent des systèmes autonomes tels
que les stations de télécommunication, le pompage d’eau, les applications
domestiques, etc.
 Les SEHs de moyenne puissance (10-250kW) : Alimentent des zones rurales,
des villages éloignés, des milieux urbains, etc.
 Les SEHs de grande puissance (>500kW) : utilisés pour l’électrification des
grandes installations en îlot.

19
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

I.7.4. Supervision énergétique d’un SEH

Les interfaces d’électronique de puissance jouent un rôle primordial dans les SEHs
en permettant la conversion et le transfert des flux énergétiques issus des sources
d’énergie vers les charges de consommation et/ou vers le réseau public [40]. En effet,
le comportement dynamique d’un SEH, constitué de différents types de sources
énergétiques (SERs, sources conventionnelles, dispositifs de stockage), doit être
convenablement contrôlé afin d’assurer le fonctionnement correct et efficace du
système (autonome ou connecté au réseau) avec une haute fiabilité pour différentes
conditions opérationnelles. Ceci est accompli via un schéma de gestion/contrôle qui
envoie les ordres de commande appropriés aux convertisseurs de puissance
interfaçant les sources d’énergie [7].
De manière générale, les structures de management/contrôle des SEHs peuvent
être classées suivant trois catégories : le paradigme de contrôle centralisé, le paradigme
de contrôle distribué et le paradigme hybride « centralisé-distribué ». Dans ces trois
cas, chaque source d’énergie dispose de son propre contrôleur local. Ce dernier assure
la régulation du point d’opération de la source d’énergie qui lui est associée en se
basant sur les signaux mesurés. Dans le paradigme populaire de contrôle centralisé
(voir figure (I.16)), les informations reçues à partir des unités de production du SEH
sont envoyées au contrôleur central qui joue le rôle d’un superviseur central d’énergie.
Il détermine les actions de commande convenables pour les contrôleurs locaux en
tenant compte certaines contraintes opérationnelles [7]. Les références [2,7,8] peuvent
être consultées pour de plus amples détails sur le principe de ces trois paradigmes de
contrôle ainsi que leurs avantages et inconvénients.

Contrôleur centralisé

Contrôleur local Contrôleur local Contrôleur local

Source d’énergie Source d’énergie Source d’énergie

Figure I.16 : Paradigme de contrôle centralisé d’un SEH [7].

I.8. Qualité d’énergie

La qualité d’énergie est un ensemble de propriétés électriques qui affecte le
fonctionnement correct des systèmes électriques. Ces propriétés sont utilisées pour
décrire l’énergie électrique qui alimente une charge de consommation [20]. Les SEHs
sont confrontés à certains problèmes relatifs à la qualité d’énergie électrique comme la
fluctuation de la production, la variation de fréquence et de tension, la distorsion
harmonique, etc. Les SEHs doivent être capables de surmonter ces problèmes en
utilisant une stratégie de commande adéquate [40,57].
En effet, plusieurs facteurs sont susceptibles de perturber la qualité d’énergie
distribuée dans le réseau électrique [58] :
 La pollution harmonique du courant et de tension.

20
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

 Les creux de tension du réseau et coupures.

 Les surtensions transitoires et temporaires.
 Les variations rapides de la tension (Flicker).
I.8.1. Distorsion harmonique
Selon les normes d’interconnexion au réseau, le courant électrique injecté au réseau
doit avoir un taux de distorsion harmonique inférieur à 5% [9]. Notons que le terme
d’harmonique décrit la superposition des ondes sinusoïdales de fréquences multiples
de la fréquence fondamentale sur l’onde fondamentale de fréquence de 50Hz (ou
60Hz) [15,58]. Les limites de distorsion, imposées par les normes pour les composantes
harmoniques sont récapitulées dans le tableau (I.3).
Ordre d’harmonique Limite de la distorsion
3ème – 9éme <4.0%
11éme – 15 éme <2.0%
17 éme – 21 éme <1.5%
23 éme – 33 éme <0.6%

Tableau I.3 : Limites de distorsion harmonique pour les systèmes de génération distribuée [9].

Le taux global de distorsion harmonique (THD: Total Harmonic Distortion ) de la

tension du réseau, considéré jusqu’au 50ème rang, est calculé selon les normes
européenne et d’IEEE-1547 (Institut of Electrical and Electronic Engineers) comme
suit [59]:
2 2 2 ⁄𝑉
𝑇𝐻𝐷𝑉 = √𝑉2𝑎𝑐 + 𝑉3𝑎𝑐 + ⋯ + 𝑉𝑛𝑎𝑐 1𝑎𝑐 (I.1)
En outre, le taux de THD du courant de sortie d’un onduleur est calculé par [59]:
2 2 2 ⁄𝐼
𝑇𝐻𝐷𝐼 = √𝐼2𝑎𝑐 + 𝐼3𝑎𝑐 + ⋯ + 𝐼𝑛𝑎𝑐 1𝑎𝑐 (I.2)
Tel que 𝑉2𝑎𝑐 , 𝑉3𝑎𝑐 , 𝑉𝑛𝑎𝑐 et 𝐼2𝑎𝑐 , 𝐼3𝑎𝑐 , 𝐼𝑛𝑎𝑐 sont les composantes harmoniques d’ordre 2, 3
et n de tension et du courant respectivement. 𝑉1𝑎𝑐 et 𝐼1𝑎𝑐 sont les composantes de
tension et du courant à la fréquence fondamentale.
I.8.2. Creux de tension et coupures
Les défauts du réseau électrique peuvent entrainer des creux de tension. Comme le
montre la figure (I.17), un creux de tension est une réduction brutale de l’amplitude
de la tension en dessous de la valeur inférieure de la plage nominale de tension. Sa
durée est souvent entre une demi-période et une minute [58, 60]. La coupure brève est
un cas particulier du creux de tension qui n’excède pas trois minutes et dont la
profondeur est supérieure à 90 % [58].

Figure I.17 : Creux de tension [58].

21
 Chapitre I : Etat de l’art sur les systèmes photovoltaïques hybrides

I.9. Conclusion
Un système PV hybride est généralement constitué d’un champ PV, d’un
générateur éolien, d’une source d’appoint (PAC ou générateur diesel), d’un système
de stockage et d’un ensemble de convertisseurs de puissance. La quantité d’énergie
produite par un SEH à base de SERs (PV et éolienne) dépend des conditions
climatiques à savoir l’irradiation solaire, la température ambiante et la vitesse du vent.
Ce chapitre était consacré à l’introduction de quelques notions de base relatives aux
systèmes de production hybrides. D’abord, nous avons exposé le principe de
fonctionnement de la source PV, du générateur éolien et de la PAC-OS qui sont les
ressources énergétiques étudiées dans cette thèse. Ensuite, nous avons présenté les
différentes configurations des systèmes PV hybrides. Enfin, nous avons recensé les
problématiques liées à la gestion des flux énergétiques dans un SEH et à la qualité
d’énergie électrique fournie aux utilisateurs finaux.
Dans le chapitre suivant, nous nous intéresserons à la modélisation des sources de
production d’énergie et aux TIAs.

22
 Chapitre II

Modélisation des systèmes de conversion d’énergie et aperçu sur les TIAs

 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

II.1. Introduction
En effet, l’élaboration d’une loi de commande classique pour un système exige le
développement de son modèle mathématique. Ce dernier permet d’émuler le
comportement du système commandé d’une manière plus ou moins précise. La
complexité de la modélisation dépend des phénomènes et des dynamiques du système
à considérer et du degré de précision désirée [61]. Le modèle mathématique d’une
source énergétique permet alors d’examiner et d’analyser son comportement pour
différents modes d’opération. En outre, la modélisation des convertisseurs
d’électronique de puissance servit à leur simulation et à la synthèse de leurs
contrôleurs.
Ce chapitre est scindé en deux parties : la première partie est destinée à la
modélisation de différents types de sources d’énergie (PV, éolienne, PAC-OS) ainsi
que des éléments des chaines de conversion énergétique étudiées dans cette thèse.
Tandis que, la deuxième partie de ce chapitre se veut une introduction aux techniques
de l’intelligence artificielle à savoir la logique floue, les réseaux de neurones artificiels
et les réseaux adaptatifs à inférence floue. Cette synthèse a pour ambition de montrer
l’importance de ces TIAs pour la problématique de commande des SEHs dynamiques
et non-linéaires.

II.2. Partie 1 : Modélisation mathématique des éléments des systèmes de

production

II.2.1. Source photovoltaïque

Dans cette section, on présente le modèle mathématique du module PV adopté dans
cette thèse. Puis, on procède à sa validation par simulation dans l’environnement
Matlab/Simulink.
II.2.1.1. Modélisation de la cellule PV
De nombreux modèles mathématiques de la cellule PV ont été proposés dans la
littérature dans le but d‘émuler précisément leur comportement non linéaire. Ces
modèles se diffèrent entre eux selon la précision, le nombre et la méthode d’estimation
des paramètres intervenant dans le calcul du courant de la cellule [38]. On distingue
principalement le modèle à une diode [62] et le modèle à deux diodes [63].
Dans cette thèse, le modèle simplifié à une seule diode [38,64-66] est adopté pour
émuler le comportement des GPVs. Il assure un bon compromis entre la précision et
la simplicité. Ce modèle prend en compte l’effet de la variation de la température sur
le photo-courant et le courant de saturation de la diode. Toutefois, l’influence de la
résistance parallèle est ignorée.
+
RS IPV
IPH IS D VPV

-
Figure II.1 : Circuit équivalant simplifié de la cellule PV.

23
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

Le circuit équivalent de ce modèle est illustré par la figure (II.1). Il comprend une
source du courant, une diode D et une résistance série RS. La caractéristique non
linéaire courant-tension d’une cellule PV peut être décrite par l’équation suivante :
𝑞
𝐼𝑃𝑉 = 𝐼𝑃𝐻 − 𝐼𝑠 [𝑒𝑥𝑝 (𝐾 𝑇 𝑎 (𝑉𝑃𝑉 + 𝐼𝑃𝑉 𝑅𝑠 )) − 1] (II.1)
Tel que
o IPV est le courant de sortie de la cellule PV.
o VPV est la tension aux bornes de la cellule PV.
o IPH est le photo-courant proportionnel au rayonnement solaire.
o Is est le courant de saturation de la diode.
o q est la charge de l’électron (q=1.6 × 10-19 C).
o K est la constante de Boltzmann (K=1.3806503 × 10-23 J/K).
o T est la température de la cellule.
o a est le facteur d’idéalité de la jonction PN.
o Rs est la résistance série.
Le photo-courant qui dépend de la température peut être exprimé comme suit :
𝐼𝑃𝐻 = 𝐼𝑃𝐻 (𝑇1 )(1 + 𝐾0 (𝑇 − 𝑇1 )) (II.2)
T1 est la température ambiante nominale qui est égale à 25°C. K0 est le coefficient de
température du courant de court-circuit. La relation linéaire entre le photo-courant et
l’irradiation solaire (G) peut être décrite par l’équation suivante :
𝐺
𝐼𝑃𝐻 (𝑇1 ) = 𝐼𝐶𝐶 (𝑇1,𝑛𝑜𝑚 ) 𝐺 (II.3)
𝑛𝑜𝑚
Où Gnom=1000W/m2 est l’irradiation nominale. ICC est le courant de court-circuit de
la cellule PV. Le coefficient K0 est déterminé par :
𝐼𝐶𝐶 (𝑇2 )−𝐼𝐶𝐶 (𝑇1 )
𝐾0 = (II.4)
𝑇2 −𝑇1
T2 =75°C. Le courant de saturation qui varie en fonction de la température de la
cellule peut être calculé comme suit :
3
𝑇 𝑎 −𝑞𝐸𝑔 1 1
𝐼𝑠 = 𝐼𝑠 (𝑇1 ) × (𝑇 ) exp ( 𝑎𝐾
( − ))
T T
(II.5)
1 1

Avec Eg est l’énergie de gap du matériau semi-conducteur. La valeur du courant de

saturation (Is), à la température nominale, est calculée en fonction de la tension de
circuit ouvert (VCO) et du courant de court-circuit comme suit :
𝐼𝐶𝐶 (𝑇1 )
𝐼𝑠 (𝑇1 ) = 𝑞𝑉𝐶𝑂 (𝑇1 ) (II.6)
(𝑒 𝑎𝐾𝑇1 −1)

La résistance série de la cellule PV influe considérablement sur la pente de la courbe

caractéristique I(V) au point correspondant à la tension de circuit ouvert (VPV=VCO).
En conséquence, la résistance série RS peut être calculée suivant l’expression suivante:
𝑑𝑉 1
𝑅𝑆 = − 𝑑𝐼 𝑃𝑉 | −𝑋 (II.7)
𝑃𝑉 𝑉𝐶𝑂 𝑉
𝑞𝑉𝐶𝑂 (𝑇1 )
𝑞
Avec : 𝑋𝑉 = 𝐼𝑠 (𝑇1 ) 𝑎𝐾𝑇 𝑒 𝑎𝐾𝑇1 (II.8)
1
Notons que la valeur du facteur d’idéalité a est prise entre 1 et 2. Le courant de sortie
d’un panneau PV constitué de NS cellules en série et NP cellules en parallèle est donné
comme suit [66]:

24
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

𝑞 𝑉
𝐼𝑃𝑉 = 𝑁𝑃 𝐼𝑃𝐻 − 𝑁𝑃 𝐼𝑆 [𝑒𝑥𝑝 (𝐾𝑇𝐴 ( 𝑁𝑃𝑉 + 𝐼𝑃𝑉 𝑅𝑆 )) − 1] (II.9)
𝑆

Les équations de (II.1) à (II.9) sont donc utilisées pour construire le modèle du
panneau PV dans l’environnement Matlab/Simulink.
II.2.1.2. Simulation du module PV
Dans cette thèse, le module BP MSX120 constitué de 72 cellules en série est choisi
pour l’étude et la simulation. Leur caractéristiques électriques sont données dans
l’annexe A. Le schéma du modèle de GPV implémenté dans l’environnement
Matlab/Simulink est illustré par la figure (II.2). Ce modèle nous permet d’étudier
l’effet de la variation de l’éclairement et de la température sur les caractéristiques
IPV(VPV) et PPV (VPV) de la source PV.
1
T Ipv
Iph
i
2 W +
- 1
G Iph Current
+
Add R +
3 ID 1
1 VC
T
s

-
-
Vpv
T Id
2
IC

calcul Id

Figure II.2 : Bloc Simulink du GPV.

5 G=1000W/m2
G=800W/m2 120
G=1000W/m2
4.5 G=600W/m2
G=800W/m2
G=400W/m2
G=600W/m2
4 G=200W/m2 100 G=400W/m2
G=200W/m2
3.5
Puissance PV (W)
Courant PV (A)

80
3

2.5 60
2
40
1.5

1
20
0.5

0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 45
Tension PV (V) Tension PV (V)

(a) (b)
Figure II.3 : Caractéristiques IPV(VPV) et PPV(VPV) du module BP MSX120 pour différents niveaux
d’éclairement et à une température constante (T= 250C).
140
4
120
T=70°C
3.5 T=50°C
T=30°C
100
3 T=10°C
Puissance PV (W)

T=0°C
Courant PV (A)

2.5 80
T=70°C
T=50°C
2 T=30°C
60
T=10°C
1.5 T=0°C

40
1
20
0.5

0 0
0 5 10 15 20 25 30 35 40 45 0 10 20 30 40 50
Tension PV (V) Tension PV (V)

(a) (b)
Figure II.4 : Caractéristiques IPV(VPV) et PPV(VPV) du module BP MSX120 pour différentes valeurs
de température et à G=1000W/m2.

25
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

La figure (II.3) illustre les caractéristiques IPV(VPV) et PPV(VPV) du module BP

MSX120 obtenues à la température ambiante sous différents niveaux d’irradiation.
Nous pouvons constater que le courant généré par le module PV est directement
proportionnel à l’éclairement. Alors que, la tension de circuit ouvert varie très peu en
fonction de l’ensoleillement. Donc, la puissance produite par le module PV augmente
d’une manière significative avec l’accroissement de l’irradiation solaire et vice versa.
D’autre part, le module BP MSX120 est simulé sous diverses valeurs de température
à un éclairement constant G=1000W/m2 (voir figure (II.4)). Nous pouvons observer que
la variation de la température entraîne un changement considérable de la tension aux
bornes du module PV. Tandis que, l’effet de la température sur l’intensité du photo-
courant est négligeable. La puissance générée par le module PV est donc inversement
proportionnelle à la température.
II.2.2. Modélisation des éléments d’une éolienne
Cette partie porte sur la modélisation mathématique des différents éléments
constituant un aérogénérateur.
II.2.2.1. Turbine éolienne
Comme déjà évoqué, la Turbine Eolienne (TE) permet de récupérer une partie de
l’énergie cinétique du vent et la transférer ensuite à une génératrice électrique. Cette
dernière assure la conversion de l’énergie mécanique en une énergie électrique.
En général, la puissance mécanique extraite par la TE (Pt) est exprimée en fonction
du coefficient de puissance (CP) comme suit [67, 68] :
1 3
𝑃𝑡 = 𝐶𝑃 𝑃𝑊 , où 𝑃𝑊 = 2 𝜌𝑆𝑉𝑊 (II.10)
Avec ρ, S, VW sont, respectivement, la densité de l’air, la surface balayée par la
turbine et la vitesse du vent. PW est la puissance du vent qui traverse la surface S. Le
coefficient de puissance 𝐶𝑃 est une fonction non-linéaire qui dépend du rapport de
vitesse 𝜆 . Les expressions des coefficients de puissance des deux TEs, adoptées dans
cette thèse, sont données dans l’annexe A.
Par ailleurs, le ratio de vitesse (𝜆) est défini comme le rapport entre la vitesse de
rotation de la turbine (𝜔𝑡 ) et la vitesse du vent [68]:
𝑅𝜔𝑡
𝜆= 𝑉𝑊
(II.11)
Avec R est le rayon de la turbine.
Tenant compte l’équation (II.10), le couple aérodynamique de la TE (𝑇𝑡 ) peut être
calculé comme suit [69]:
𝑃 1 3
𝑇𝑡 = 𝜔𝑡 = 2 𝜌𝑆𝐶𝑃 𝑉𝑊 ⁄𝜔𝑡 (II.12)
𝑡

La figure (II.5) illustre le modèle d’une TE à axe horizontal (de 10kW) implémenté
dans Matlab/Simulink. La caractéristique puissance-vitesse de rotation de la TE, sous
la vitesse nominale du vent (14 m/s), est illustrée par la figure (II.6.a). La courbe de son
coefficient de puissance versus le rapport de vitesse est représentée dans la figure
(II.6.b). Nous pouvons constater que le PPM de la TE est obtenu à la vitesse de rotation
optimale 𝜔𝑡−𝑜𝑝𝑡 =56.7rad/s (où, l’angle de calage β=0°). Cette valeur correspond ainsi

26
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

à la valeur maximale du coefficient de puissance 𝐶𝑃𝑚𝑎𝑥 ≈ 0.48 et au rapport optimal

de vitesse 𝜆𝑜𝑝𝑡 =8.1.

3 BETA
BET A Cp
Lamda

2 Di vi de1 Subsystem1 2
R 1.225 Pt
0.5
Product3
RO
Product2 1/2
pi (2)^2
1
pi R1 Avoi d di vi si on
2 u(1)^3 Tt
Di vi de
by zero
Wi nd speed Vwi nd
(m/s) beta^3
1
Generator speed (omega)

Figure II.5 : Modèle de la TE implémenté dans Matlab/Simulink .

12000

10000
Puissance Pt(W)

8000

6000

4000

2000

0
0 10 20 30 40 50 60 70 80 90 100
Vitesse de rotation (rad/s)
(a)
0.5

0.4

0.3
Cp

0.2

0.1

0
0 2 4 6 8 10 12 14
Rapport de vitesse
(b)

Figure II.6 : Courbe de a) Puissance versus vitesse de rotation de la TE, b) Coefficient de puissance.

II.2.2.2. Multiplicateur de vitesse

Le couplage mécanique entre le rotor de la TE et la génératrice électrique peut être
réalisé directement ou via un multiplicateur de vitesse. Ce dernier est souvent utilisé
pour adapter la vitesse lente du rotor de la turbine à la vitesse rapide de la génératrice
[23,69]. Le multiplicateur de vitesse est modélisé par un simple gain, tel que [70]:
𝜔𝑚 𝑇
𝜔𝑡 = 𝐺𝑚
et 𝑇𝑚 = 𝐺 𝑡 (II.13)
𝑚
ωm est la vitesse de rotation mécanique, Tm est le couple sur l’arbre de la génératrice
Gm est le gain du multiplicateur de vitesse. Dans cette thèse, on utilise seulement des
éoliennes à couplage direct sans multiplicateur de vitesse (i,e 𝑇𝑚 = 𝑇𝑡 , 𝜔𝑡 = 𝜔𝑚 ).
II.2.2.3. Arbre mécanique
Le modèle à une masse [67,68] et le modèle à deux masses [23] sont les modèles
mathématiques les plus utilisés pour décrire les dynamiques du dispositif
d’entraînement d’un générateur éolien. En raison de sa simplicité, le modèle à masse
unique est adopté dans cette thèse.
Ce modèle consiste à traiter le système mécanique comme une seule masse
correspondante à l’inertie de la turbine et l’inertie du rotor de la génératrice électrique
[70]. Le modèle de la dynamique de l’ensemble «turbine –arbre- génératrice » est donc
donné par l’équation suivante [67, 68]:
𝑑𝜔𝑚
𝐽 𝑑𝑡
= 𝑇𝑚 − 𝑇𝑒 − 𝐹𝜔𝑚 (II.14)

27
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

J est l’inertie totale exprimée en fonction de l’inertie de la turbine (Jt) et l’inertie de la

génératrice (Jg) comme suit [23]:
2
𝐽 = 𝐽𝑔 𝐺𝑚 + 𝐽𝑡 (II.15)
2
F est le coefficient de frottement visqueux calculé par [23] : 𝐹 = 𝐹𝑔 𝐺𝑚 + 𝐹𝑡 . Avec :
Ft et Fg représentent les coefficients de frottement de la turbine et de la génératrice. Te
est le couple électromagnétique de la génératrice électrique. Avec un rapport de
multiplication unitaire (Gm=1), l’équation (II.14) peut être réécrite comme suit :
𝑑𝜔𝑡
𝐽 𝑑𝑡
= 𝑇𝑡 − 𝑇𝑒 − 𝐹𝜔𝑡 (II.16)

II.2.2.4. Génératrice synchrone à aimants permanents

Une machine synchrone est une machine à courant alternatif dont la vitesse de
rotation du champ tournant statorique est égale à la vitesse de rotation du rotor [71].
La Machine Synchrone à Aimants Permanents (MSAP) possède des caractéristiques
très intéressantes à savoir le bon rendement, le fort couple massique, le poids faible et
les bonnes performances dynamiques [23,71, 72]. En général, une MSAP est composée
d’un bobinage statorique triphasé et d’un rotor de fer auquel les aimants permanents
sont attachés. L’excitation est produite par les aimants permanents enterrés ou montés
sur la surface du rotor [71, 72].
Le modèle dynamique de la MSAP est établi en considérant les hypothèses
simplificatrices suivantes [61, 67, 73]:
- La distribution du champ magnétique est sinusoïdale.
- Le circuit magnétique de la machine n’est pas saturé.
- L’enroulement statorique triphasé est symétrique.
- Les pertes par hystérésis et par courants de Foucault sont négligées.
- L’effet d’amortissement n’est pas considéré.
- L’entrefer de la machine est supposé régulier.
- Les résistances des enroulements sont constantes.

a. Modèle dans le repère naturel

Les dynamiques du stator de la MSAP peuvent être décrites par les équations
différentielles suivantes [72,74] :
𝑑ϕ𝑠𝑎
𝑣𝑠𝑎 = 𝑅𝑠 𝑖𝑠𝑎 + 𝑑𝑡
𝑑ϕ𝑠𝑏
𝑣𝑠𝑏 = 𝑅𝑠 𝑖𝑠𝑏 + 𝑑𝑡
(II.17)
𝑑ϕ𝑠𝑐
{ 𝑣𝑠𝑐 = 𝑅𝑠 𝑖𝑠𝑐 + 𝑑𝑡
Avec (𝑣𝑠𝑎 , 𝑣𝑠𝑏 , 𝑣𝑠𝑐 ) sont les tensions des phases statoriques, (𝑖𝑠𝑎 , 𝑖𝑠𝑏 , 𝑖𝑠𝑐 ) sont les
courants des phases statoriques et (ϕ𝑠𝑎 , ϕ𝑠𝑏 , ϕ𝑠𝑐 ) sont les flux totaux à travers les
enroulements statoriques. RS est la résistance statorique. Sous forme matricielle,
l’équation (II.17) peut être réécrite comme suit [61, 73]:
𝑑𝛟𝒔
𝒗𝑠 = 𝑅𝑠 𝒊𝑠 + 𝑑𝑡
(II.18)
Le vecteur du flux statorique total est calculé comme suit [61, 73]:
𝛟𝒔 = 𝐿𝑠𝑠 𝒊𝑠 + 𝛟𝒓 (II.19)

28
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

Tel que 𝛟𝒓 est le vecteur du flux induit par les aimants permanents. LSS est la
matrice des inductances du stator. En remplaçant par l’équation (II.19) dans (II.18) , on
obtient le modèle de la MSAP dans le repère fixe (abc) :
𝑑𝒊𝑠 𝑑𝛟𝒓
𝒗𝑠 = 𝑅𝑠 𝒊𝑠 + 𝐿𝑠𝑠 𝑑𝑡
+ 𝑑𝑡
(II.20)

b 𝒅𝛉
d ωe= 𝒅𝒕𝒆
q

𝜃𝑒 a

Figure II.7 : Représentation des repères fixe et tournant [61].

Afin d’obtenir un modèle plus simple pour l’élaboration de la commande de la

GSAP, on a recours au changement de repère de coordonnées en appliquant la
transformation de Park. Cette dernière permet le passage du repère triphasé fixe (abc)
au repère tournant diphasé nommé référentiel dq (voir figure (II.7)). Les composantes
des grandeurs biphasées dans ce référentiel sont appelées directe (d) et en quadrature (q)
[74]. Les matrices des transformées de Park directe et inverse sont données par :
𝑥
𝑥𝑑 2 𝑐𝑜𝑠 𝜃𝑒 𝑐𝑜𝑠(𝜃𝑒 − 2 𝜋⁄3) 𝑐𝑜𝑠(𝜃𝑒 + 2 𝜋⁄3) 𝑥𝑎
[𝑥 ] = [ ] [ 𝑏] (II.21)
𝑞 3 − 𝑠𝑖𝑛 𝜃𝑒 −𝑠𝑖𝑛(𝜃𝑒 − 2 𝜋⁄3) −𝑠𝑖𝑛(𝜃𝑒 + 2 𝜋⁄3) 𝑥
𝑐
𝑥𝑎 𝑐𝑜𝑠 𝜃𝑒 − 𝑠𝑖𝑛 𝜃𝑒
𝑥𝑑
[𝑥𝑏 ] = [𝑐𝑜𝑠(𝜃𝑒 − 2 𝜋⁄3) −𝑠𝑖𝑛(𝜃𝑒 − 2 𝜋⁄3)] [𝑥 ] (II.22)
𝑞
𝑥𝑐 𝑐𝑜𝑠(𝜃𝑒 + 2 𝜋⁄3) −𝑠𝑖𝑛(𝜃𝑒 + 2 𝜋⁄3)

b. Modèle dans le repère tournant

L’application de la transformée de Park à l’équation (II.18), permet d’obtenir le
système d’équation suivant [68]:
𝑑ϕ𝑠𝑑
𝑣𝑠𝑑 = 𝑅𝑠 𝑖𝑠𝑑 + 𝑑𝑡
− 𝜔𝑒 ϕ𝑠𝑞
{ 𝑑ϕ𝑠𝑞 (II.23)
𝑣𝑠𝑞 = 𝑅𝑠 𝑖𝑠𝑞 + 𝑑𝑡
+ 𝜔𝑒 ϕ𝑠𝑑
Où vsd, vsq, isd et isq sont les composantes directe (d) et en quadrature (q) des tensions
et des courants statoriques, (𝜔𝑒 = 𝑝𝜔𝑡 ); Lsd et Lsq sont les inductances statoriques selon
les axes d et q. Les flux statoriques selon les axes d et q sont donnés comme suit [68] :
ϕ𝑠𝑑 = 𝐿𝑠𝑑 𝑖𝑠𝑑 + 𝜙𝑟
{
ϕ𝑠𝑞 = 𝐿𝑠𝑞 𝑖𝑠𝑞 (II.24)
𝜙𝑟 est l’amplitude du flux induit par les aimants. On aboutit finalement au modèle
dynamique suivant de la MSAP dans le repère de Park [72]:
𝑑𝑖𝑠𝑑
𝑣𝑠𝑑 = 𝑅𝑠 𝑖𝑠𝑑 + 𝐿𝑠𝑑 − 𝐿𝑠𝑞 𝜔𝑒 𝑖𝑠𝑞
𝑑𝑡
{ 𝑑𝑖𝑠𝑞 (II.25)
𝑣𝑠𝑞 = 𝑅𝑠 𝑖𝑠𝑞 + 𝐿𝑠𝑞 + 𝐿𝑠𝑑 𝜔𝑒 𝑖𝑠𝑑 + 𝜔𝑒 𝜙𝑟
𝑑𝑡
En mode de fonctionnement générateur, le modèle dq de la GSAP est donné comme

29
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

suit [69, 67]:

𝑑𝑖
𝑣𝑠𝑑 = −𝑅𝑠 𝑖𝑠𝑑 − 𝐿𝑠𝑑 𝑑𝑡𝑠𝑑 + 𝐿𝑠𝑞 𝜔𝑒 𝑖𝑠𝑞
{ 𝑑𝑖𝑠𝑞 (II.26)
𝑣𝑠𝑞 = −𝑅𝑠 𝑖𝑠𝑞 − 𝐿𝑠𝑞 𝑑𝑡 − 𝐿𝑠𝑑 𝜔𝑒 𝑖𝑠𝑑 + 𝜔𝑒 𝜙𝑟
Ce modèle de Park est souvent adopté pour l’élaboration des schémas de
commande de la GSAP. D’autre part, le couple électromagnétique produit par la
machine est calculé comme suit [69]:
3 3
𝑇𝑒 = 2 𝑝(ϕ𝑠𝑑 𝑖𝑠𝑞 − ϕ𝑠𝑞 𝑖𝑠𝑑 ) = 2 𝑝 ((𝐿𝑠𝑞 − 𝐿𝑠𝑑 )𝑖𝑠𝑑 𝑖𝑠𝑞 + 𝜙𝑟 𝑖𝑠𝑞 ) (II.27)
p est le nombre de pair des pôles de la machine. Pour une MSAP à pôles lisses, on a
𝐿𝑠𝑑 = 𝐿𝑠𝑞 . En conséquence, la formule du couple de la MSAP se simplifie comme suit :
3
𝑇𝑒 = 2 𝑝ϕ𝑟 𝑖𝑠𝑞 (II.28)

II.2.3. Pile à combustible à oxyde solide

On procède dans cette section à la modélisation puis à la simulation du
comportement dynamique du cœur de PAC-OS.
II.2.3.1. Modélisation dynamique du stack de PAC-OS
Dans cette thèse, on adopte le modèle dynamique de la PAC-OS proposé par J.
Padulles dans [75]. Ce modèle est établi en considérant les hypothèses suivantes [75]:

 Les gaz sont idéaux.

 La PAC-OS est alimentée seulement en hydrogène et en air. En
conséquence, le reformeur qui convertit le gaz naturel en hydrogène n’est
pas inclut.
 Les canaux qui transportent les gaz le long des électrodes ont un volume
fixe et une longueur petite. Donc, on peut définir une seule valeur de
pression à l’intérieur de chaque canal.
 La sortie de chaque canal est faite à l’aide d’un seul orifice. Le rapport des
pressions entre l’intérieur et l’extérieur d’un canal est suffisamment grand
afin de considérer que l’orifice est étouffé.
 Comme les conditions de fonctionnement de la PAC ne sont pas proches
des extrêmes supérieure et inférieure, les pertes ohmiques seulement sont
prises en considération.
 La température de la PAC-OS est stable tout le temps.
 L’équation de Nernst peut être appliquée.
La relation entre la tension de sortie de la PAC-OS (Vfc) et les pressions partielles
des réactifs est formulée à l’aide de l’équation de Nernst et la loi d’ohm comme suit :
0.5
𝑅𝑇 𝑃𝐻2 𝑃𝑂
𝑉𝑓𝑐 = 𝑁0 (𝐸0 + 2𝐹 (ln ( 𝑃𝐻2𝑂
2
))) − 𝑟𝐼𝑓𝑐 (II.29)

Avec N0 est le nombre de cellules élémentaires mises en série dans la pile, E0 est le
potentiel aux conditions standards (température=25°C et pression =1atm) et R est la
constante universelle des gaz. T est la température absolue, F est la constante de
Faraday, Ifc est le courant de sortie de la PAC, r est la résistance interne représentant

30
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

les pertes ohmiques dans le stack. PH2, PO2, PH2O sont, respectivement, les pressions
partielles d’hydrogène, d’oxygène et d’eau.
a. Caractérisation des sorties des canaux
Quand on alimente un orifice considéré étouffé par une mixture de gaz de masse
molaire moyenne M, à une température constante, il va présenter la caractéristique
suivante :
𝑊
𝑃𝑢
= 𝐾√𝑀 (II.30)
Avec W est le débit de masse, K est la constante de la valve qui dépend de la surface
de l’orifice et Pu est la pression à l’intérieur du canal (voir figure (II.8)).
Canal
Valve

M, T, Pu W

Figure II.8 : Exemple d’un canal de gaz à un seul orifice [33].

Au niveau de l’anode, on peut considérer que le débit molaire de chaque gaz

(l’hydrogène ou la vapeur d’eau) à travers la valve est proportionnel à la pression
partielle à l’intérieur du canal, comme le décrit les expressions suivantes :
𝑜𝑢𝑡
𝑞𝐻 𝐾𝑎𝑛
2
𝑃𝐻2
= = 𝐾𝐻2
√𝑀𝐻2
𝑜𝑢𝑡 (II.31)
𝑞𝐻 2𝑜 𝐾𝑎𝑛
= = 𝐾𝐻2 𝑜
{𝑃𝐻2𝑜 √𝑀𝐻2𝑜
Où 𝑞𝐻𝑜𝑢𝑡
2
, 𝑞𝐻𝑜𝑢𝑡
2𝑜
sont, respectivement, les débits molaires de l’hydrogène et de l’eau
sortant de l’anode. Kan est la constante de la valve de l’anode, MH2 , MH2O sont les
masses moléculaires de l’hydrogène et de l’eau. KH2 et KH2O sont les constantes molaires
de la valve de l’anode pour, respectivement, l’hydrogène et l’eau. De la même manière,
on définit le rapport entre le débit molaire d’oxygène sortant de la cathode (𝑞𝑂𝑜𝑢𝑡
2
) et la
pression partielle à l’intérieur du canal (𝑃𝑂2 ) comme suit :
𝑜𝑢𝑡
𝑞𝑂 𝐾𝑐𝑎𝑡ℎ
2
𝑃 𝑂2
= = 𝐾𝑂2 (II.32)
√𝑀𝑂2
Kcath est la constante de valve de la cathode, MO2 est la masse moléculaire d’oxygène.
KO2 est la constante molaire de la valve de la cathode.
b. Calcul des pressions partielles
On applique l’équation des gaz parfaits à chaque gaz séparément afin de pouvoir
calculer sa pression partielle. On obtient alors pour l’hydrogène l’équation suivante :
𝑃𝐻2 𝑉𝑎𝑛 = 𝑛𝐻2 𝑅𝑇 (II.33)
Tel que : Van est le volume de l’anode, nH2 est le nombre des moles d’hydrogène
dans le canal d’anode. La dérivée de la pression partielle de l’hydrogène est donc
donnée comme suit :
𝑑𝑃𝐻2 𝑅𝑇
𝑃̇𝐻2 = = 𝑉 𝑞𝐻 (II.34)
𝑑𝑡 𝑎𝑛 2

Notons que 𝑞𝐻2 est le débit molaire d’hydrogène qui est égal à la dérivée de nH2.

31
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

Trois principales contributions au débit molaire d’hydrogène existent : le débit

d’hydrogène entrant à l’anode de la pile 𝑞𝐻𝑖𝑛2 , le débit de combustible participant à la
réaction 𝑞𝐻𝑟 2 et le débit de carburant sortant de la PAC 𝑞𝐻𝑜𝑢𝑡
2
. Donc, on aura :
𝑅𝑇
𝑃̇𝐻2 = (𝑞𝑖𝑛
𝐻2
− 𝑞𝑟𝐻 − 𝑞𝑜𝑢𝑡
𝐻
) (II.35)
𝑉𝑎𝑛 2 2

Selon les relations basiques d’électrochimie, le débit 𝑞𝐻𝑟 2 peut être calculé par :
𝑁0 𝐼𝑓𝑐
𝑞𝐻𝑟 2 = = 2𝐾𝑟 𝐼𝑓𝑐 (II.36)
2𝐹
Kr est une constante définie comme le rapport (N0/4F). En substituant les équations
(II.31) et (II.36) dans l’équation (II.35), on obtient :
𝑅𝑇𝐾𝐻2 1
𝑃̇𝐻2 = 𝑉𝑎𝑛
(
𝐾𝐻2
(𝑞𝐻𝑖𝑛2 − 2𝐾𝑟 𝐼𝑓𝑐 ) − 𝑃𝐻2 ) (II.37)
On arrive finalement à l’expression suivante de pression partielle d’hydrogène :
1 1
𝑃̇𝐻2 = − 𝜏 (𝑃𝐻2 − 𝐾 (𝑞𝐻𝑖𝑛2 − 2𝐾𝑟 𝐼𝑓𝑐 )) (II.38)
𝐻2 𝐻2

Tel que (𝜏𝐻2 = 𝑉𝑎𝑛 ⁄𝑅𝑇𝐾𝐻2 ). On procède de la même manière pour calculer les
pressions partielles PO2 et PH2O. Les équations suivantes sont donc obtenues :
1 2
𝑃𝐻̇ 2 𝑂 = − 𝜏 (𝑃𝐻2𝑜 − 𝐾𝑟 𝐼𝑓𝑐 )
𝐻2 𝑂 𝐾 𝐻2 𝑂
(II.39)
1 1
𝑃𝑂̇ 2 = − 𝜏 (𝑃𝑂2 − (𝑞𝑂𝑖𝑛2 − 𝐾𝑟 𝐼𝑓𝑐 ))
{ 𝑂2 𝐾𝑂2

Tel que 𝑞𝑂𝑖𝑛2 est le débit molaire d’oxygène entrant au stack. Les constantes 𝜏𝑜2 et 𝜏𝐻2 𝑂
sont définies par 𝜏𝑜2 = 𝑉𝑐𝑎𝑡ℎ /𝑅𝑇𝐾𝑂2 et 𝜏𝐻2𝑂 = 𝑉𝑎𝑛 /𝑅𝑇𝐾𝐻2 𝑂 .
𝑰𝒇𝒄

𝟐𝑲𝒓

- 𝑲𝒓 𝒓

𝒒𝒊𝒏
𝑯𝟐 + -

𝒒𝒊𝒏
𝑶𝟐 +
𝟏⁄𝑲𝑯𝟐 𝟏⁄𝑲𝑯𝟐𝒐
𝟏⁄𝑲𝒐𝟐
𝟏 + 𝝉𝑯𝟐 𝒔 𝟏 + 𝝉𝑯𝟐𝒐 𝒔 𝟏 + 𝝉𝒐𝟐 𝒔
𝑷𝑯𝟐 𝑷𝑯𝟐 𝑶 𝑷𝑶𝟐
-
𝑹𝑻 𝑷𝑯 𝑷𝟎.𝟓
𝑶
𝑵𝟎 [𝑬𝟎 + 𝐥𝐧 ( 𝟐 𝟐 )]
𝟐𝑭 𝑷𝑯𝟐𝑶 + 𝑽𝒇𝒄

Figure II.9 : Modèle dynamique du stack de la PAC-OS [75].

L’application de la transformée de Laplace aux équations (II.38) et (II.39) permet

d’obtenir les expressions des pressions partielles suivantes :
1⁄
𝐾 𝐻2
𝑃𝐻2 = 1+𝜏 (𝑞𝐻𝑖𝑛2 − 2𝐾𝑟 𝐼𝑓𝑐 )
𝐻2 𝑠
1⁄
𝐾𝑂2
𝑃𝑂2 = (𝑞𝑂𝑖𝑛2 − 𝐾𝑟 𝐼𝑓𝑐 ) (II.40)
1+𝜏𝑂2 𝑠
1⁄
𝐾𝐻2 𝑂
𝑃𝐻2 𝑂 = (2𝐾𝑟 𝐼𝑓𝑐 )
{ 1+ 𝜏𝐻2 𝑂 𝑠

32
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

La figure (II.9) illustre le modèle dynamique de la PAC-OS établi à base des

équations (II.29) et (II.40).
II.2.3.2. Contraintes sur le fonctionnement de la PAC-OS
Le modèle dynamique de J. Padulles peut être amélioré an tenant compte la réponse
dynamique de la partie puissance du stack et certaines contraintes sur le
fonctionnement correct de la PAC-OS :
 La réponse chimique du processeur de combustible est lente et elle correspond
au temps de variation des paramètres de la réaction chimique après un
changement dans les débits des réactants. Cette réponse est souvent modélisée
comme une fonction de transfert de premier ordre avec une constante de temps
de 5s [76] :
𝑞𝑖𝑛
𝐻2 1 1
𝑟𝑒𝑓 =
1+𝑇𝑓 𝑠
=
1+5𝑠
(II.41)
𝑞𝐻
2

 La réponse électrique rapide dans la PAC-OS est également modélisée par une
fonction de transfert de premier ordre ayant une constante de temps d’environ
𝑇𝑒 =0.8s [76].
 Un indice de performance important a été défini dans [76] comme le facteur
d’utilisation de carburant. Il est égal au rapport entre le débit de carburant qui
entre en réaction et le débit d’hydrogène entrant dans la pile :
𝑖𝑛 𝑜𝑢𝑡 𝑟
𝑞𝐻 −𝑞𝐻 𝑞𝐻
𝑈𝑓 = 2
𝑖𝑛
𝑞𝐻
2
= 𝑖𝑛
𝑞𝐻
2
(II.42)
2 2

Donc, le débit d’hydrogène entrant au stack peut être contrôlé afin d’obtenir la
valeur optimale (85%) du facteur 𝑈𝑓 [76] :
𝑟𝑒𝑓 2𝐾𝑟 2𝐾
𝑞𝐻2 = 𝑈 𝐼𝑓𝑐 = 0.85𝑟 𝐼𝑓𝑐 (II.43)
𝑓,𝑜𝑝𝑡
𝑟𝑒𝑓
𝑞𝐻2 est la valeur de référence du débit d’hydrogène fourni à l’entrée du
processeur de combustible. En régime transitoire, le facteur 𝑈𝑓 doit avoir une
valeur dans la marge [0.8, 0.9]. Par la suite, le courant d’entrée de la PAC-OS doit
être maintenu dans l’intervalle défini comme suit [76]:
𝑖𝑛 𝑖𝑛
0.8 𝑞𝐻 𝑖𝑛 0.9 𝑞𝐻
𝐼𝑓𝑐_𝑚𝑖𝑛 = 2
≤ 𝐼𝑓𝑐 ≤ 𝐼𝑓𝑐_𝑚𝑎𝑥 = 2
(V.44)
2𝐾𝑟 2𝐾𝑟
 Afin que la différence des pressions d’hydrogène et d’oxygène ne dépasse pas la
valeur de 4kPa , le rapport entre les débits d’hydrogène et d’oxygène (rH-O) doit
avoir la valeur optimale de 1.145 [76] :
𝑖𝑛
𝑞𝐻
𝑟𝐻_𝑂 = 𝑖𝑛
2
= 1.145 (II.45)
𝑞𝑂 2

Les conditions et les contraintes mentionnées ci-dessus permettent de contrôler le

fonctionnement de la PAC-OS en régimes permanent et transitoire (voir figure (II.10)).

33
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

𝒒𝒊𝒏
𝑯𝟐
𝟎. 𝟗
𝟐𝑲𝒓

𝑰𝒊𝒏 Ifc
𝒇𝒄 Limites 𝟏
𝟎. 𝟖
𝟏 + 𝑻𝒆 𝒔
𝒒𝒊𝒏
𝑯𝟐 𝟐𝑲𝒓

𝟏 𝒒𝒊𝒏
𝑯𝟐
Ifc 𝟐𝑲𝒓
𝑼𝒇,𝒐𝒑𝒕 𝒒𝒓𝒆𝒇 𝟏 + 𝑻𝒇 𝒔 𝟏
𝑯𝟐
𝒓𝑯_𝑶 𝒒𝒊𝒏
𝑶𝟐

Figure II.10 : Contrôle de la PAC-OS.

La figure (II.11) illustre le modèle de PAC-OS implémenté dans l’environnement

Matlab/Simulink. Afin de tester ce modèle, on a effectué une simulation d’un système
simple composé d’un stack de PAC-OS et une charge Ohmique. Les paramètres de la
PAC-OS simulée sont donnés dans l‘annexe A. Les figures (II.12) et (II.13) illustrent
l’évolution des pressions partielles, du facteur d’utilisation de carburant, de la tension
et du courant de sortie de la PAC- OS. Nous pouvons constater que la PAC-OS opère
correctement à son point de puissance nominale (100kW) avec un facteur optimal
d’utilisation de carburant (Uf=0.85).
5
qH2
Out1 Ifcref
1 Ifc_r
1 If c 1/Te
s
Ifc_ref
limit Subtract6 Gain9 Integrator4

qref H2
2*Kr 1/Uf
1
Gain1 1/Tf 4
Gain4 Tf
s
qin H2
Subtract5 Gain3 Integrator3
qin-H2 1 Vfc+
1/KH2 1
1/tH2 1
s
Subtract Gain6 PH2
+

Subtract1 Gain10 Integrator

v1
E0
1
s
-

1/KH2O 1/tH2O 2 RT/2F

s cst
PH2O
Integrator1 ln -K- N0
Gain7 Subtract2 Gain11
2 Vfc-
f(u) Add
Kr Subtract7 Gain16
Divide1 2 r 6
sqrt
Gain14 1 If0 Vfc
1/tO2 3 Gain15
1/KO2 s
1/rHO PO2
Subtract3 Integrator2
Subtract4 Gain12
Gain2 Gain8

Figure II.11 : Modèle de PAC-OS établi dans l’environnement Matlab/Simulink.

Pressions partielles (atm)

2.5

1.5
Ph2
1
Po2
0.5 Ph2o
0
0 50 100 150 200 250 300 350 400 450 500
t(s)
(a)
0.86

0.855
Facteur Uf

0.85

0.845

0.84

0.835
0 50 100 150 200 250 300 350 400 450 500
t(s)
(b)

Figure II.12 : Evolution de : a) Pressions partielles (PH2,PO2,PH2O) dans la PAC-OS, b) Facteur

d’utilisation de carburant.

34
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

335.3 310

335.2
305
Vfc(V)
335.1
300
Ifcmin

Courant de PAC-OS (A)

335
295 Ifcmax
334.9 Ifc
0 500 1000 1500
290
t(s)
(a)
285
286.7

286.6 280
Ifc(A)

286.5 275

286.4 270

286.3 265
0 500 1000 1500 0 50 100 150 200 250 300 350 400
t(s) t(s)
(b) (c)

Figure II.13 : Variation de : a) Tension de sortie, b) Courant de PAC-OS, c) Limites du courant.

II.2.4. Modèle de simulation de batterie

Dans cette thèse, le modèle dynamique de batterie de stockage proposé dans [77]
est adopté. Le circuit équivalent de ce modèle est représenté par la figure (II.14). Il est
composé d’une source de tension contrôlée en série avec une résistance constante. La
tension de sortie de batterie se calcule selon ce modèle comme suit :
𝑄
𝑉𝑏 = 𝐸0 − 𝑅𝑏 𝐼𝑏 − 𝐾 𝑄−∫ 𝐼 + 𝐴𝑒 (−𝐵 ∫ 𝐼𝑏 𝑑𝑡) (II.46)
𝑏 𝑑𝑡

En outre, l’état de charge (SOC : State Of Charge) de batterie est défini comme le
rapport entre la quantité de charge stockée dans la batterie, à l’instant t, et la capacité
nominale :
𝑡
∫0 𝐼𝑏𝑑𝑡
𝑆𝑂𝐶(𝑡) = 100(1 − 𝑄
) (II.47)
Tel que Vb est la tension de sortie de batterie, E0 est la tension constante de batterie,
Rb est la résistance interne, Ib est le courant de sortie, K est la tension de polarisation, Q
est la capacité de batterie (Ah), ∫ 𝐼𝑏 𝑑𝑡 est la charge actuelle de la batterie, A est l’
amplitude de la zone exponentielle, B est la constante inverse de la zone exponentielle
de temps. La batterie est dit complètement déchargée ou chargée, si la valeur de SOC
est, respectivement, 0 ou 100%. En conséquence, les processus de charge/décharge
d’une batterie doivent être soigneusement contrôlé afin d’éviter la surcharge et la
décharge profonde.
Rb Ib
+

E + Source de
- tension Vb

-
𝒕
𝑸 it
𝑬 = 𝑬𝟎 − 𝑲 + 𝑨𝒆𝒙𝒑(−𝑩. 𝒊𝒕) ⬚
𝑸 − 𝒊𝒕
𝟎

Figure II.14 : Modèle dynamique de batterie [77].

II.2.5. Modélisation des convertisseurs de puissance

L’interface d’électronique de puissance joue un rôle essentiel dans un SEH. Elle
assure la conversion et l’adaptation de la puissance produite par les sources

35
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

énergétiques. Selon le type de conversion réalisée, on distingue deux catégories de

convertisseurs de puissance :
 Convertisseurs de type CC-CA : Réalisent la conversion du courant continu en
courant alternatif.
 Convertisseurs de type CC-CC : Accomplissent la conversion continu-continu.
II.2.5.1. Convertisseur élévateur
Un convertisseur élévateur, appelé ainsi hacheur survolteur, est un convertisseur
de puissance de type continu- continu qui permet de changer le niveau de la tension
de sortie d’une source CC à un niveau supérieur [20]. Le circuit électrique d’un
convertisseur survolteur est représenté par la figure (II.15). 𝑖1 et 𝑣1 représentent le
courant et la tension d’entrée, alors que 𝑖2 et 𝑣2 indiquent le courant et la tension de
sortie du hacheur. Les composants à base de matériaux semi-conducteurs (la diode D
et le transistor Q1) sont supposés idéaux [78]. On distingue alors deux modes de
fonctionnement du convertisseur élévateur correspondant à l’état passant et bloqué
du transistor Q1[20]. Les circuits équivalents associés à ces deux situations sont
illustrés par la figure (II.16).
i1 iL L D i2

V1 C1 Q1 C2 V2

Figure II.15 : Circuit électrique d’un convertisseur élévateur [79].

i1 iL L i2 i1 iL L i2

V1 C1 C2 V2 V1 C1 C2 V2

(a) (b)
Figure II.16 : Circuit équivalent du convertisseur boost avec : a) Q1 passant, b) Q1 bloquant [79].

Alors, le modèle mathématique du hacheur élévateur peut être établi en utilisant

les équations différentielles qui décrivent son comportement durant ces deux modes
d’opération. Le signal de commande du transistor Q1 est de type MLI (Modulation de
Largeur d’Impulsion) dont la période TS détermine le temps de commutation du
hacheur. Le rapport cyclique D (D 𝜖 [0,1]) associé au temps de fermeture de
l’interrupteur Q1 (ton) est défini comme le rapport ton/TS [80]. La figure (II.17) illustre
le signal MLI de commande de l’interrupteur de puissance.
Tension
(V)
DTs (1-D)TS

Temps(s)

Fermé ton Ouvert TS

Figure (II.17) : Rapport cyclique d’un signal MLI [79].

36
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

 Durant l’intervalle de temps 0<t≤DTS, l’interrupteur Q1 est fermé et la diode D

est inversement polarisée. En conséquence, le courant de l’inductance (𝑖𝐿 ) croît
linéairement pour emmagasiner l’énergie issue de la source CC et le condensateur C2
se décharge pour alimenter la charge [20] [79]. En appliquant les lois de Kirchhoff au
circuit de la figure (II.16.a), on obtient le système d’équations suivant [78]:
𝑑𝑣1
𝑖1 = 𝑖𝐿 + 𝐶1 𝑑𝑡
𝑑𝑣2
𝑖2 = −𝐶2 𝑑𝑡
(II.48)
𝑑𝑖𝐿
{ 𝑣1 = 𝐿 𝑑𝑡
 Durant la période DTS <t≤ (1 – D)TS, l’interrupteur Q1 est ouvert et la diode est
polarisée en direct. Le courant de l’inductance décroît linéairement pour fournir
l’énergie à la charge [20,78]. En se référant au circuit de la figure (II.16.b), on déduit
les équations suivantes [78]:
𝑑𝑣1
𝑖1 = 𝑖𝐿 + 𝐶1
𝑑𝑡
𝑑𝑣2
𝑖2 = 𝑖𝐿 − 𝐶2 𝑑𝑡
(II.49)
𝑑𝑖𝐿
{ 𝑣1 = 𝑣2 + 𝐿 𝑑𝑡
Prenant en compte les systèmes d’équations (II.48) et (II.49), les dynamiques du
convertisseur élévateur (durant toute la période TS) peuvent être décrites par le
système d’équations suivant [78]:
𝑑𝑣1
𝑖𝐿 = 𝑖1 − 𝐶1 𝑑𝑡
𝑑𝑣2
𝑖2 = (1 − 𝐷)𝑖𝐿 − 𝐶2 (II.50)
𝑑𝑡
𝑑𝑖𝐿
( )
{𝑣1 = 1 − 𝐷 𝑣2 + 𝐿 𝑑𝑡
Le rapport de conversion R du convertisseur élévateur est défini comme le rapport
entre la tension de sortie V2 et la tension d’entrée V1 du convertisseur [79,80] :
𝑉 𝑇𝑆 1
𝑅 = 𝑉2 = 𝑇 = 1−𝐷 (II.51)
1 𝑆 −𝑡𝑜𝑛
Il est clair de cet équation que la tension d’entrée ou de sortie du convertisseur
survolteur peut être contrôlée en agissant sur la valeur du rapport cyclique D du signal
de commande MLI.
II.2.5.2. Convertisseur réversible en courant
Les convertisseurs CC-CC classiques tels que les hacheurs abaisseur et élévateur
sont non-réversibles et assurent le transfert du flux d’énergie dans une direction
seulement. Cette limitation est due à la présence des diodes dans leurs structures qui
ont pour rôle de bloquer les courants inverses [81]. La figure (II.18) illustre le circuit
électrique d’un convertisseur bidirectionnel abaisseur-élévateur. Ce type de
convertisseur CC-CC est largement utilisé pour interfacer les dispositifs de stockage
d’énergie à savoir les batteries et les super-condensateurs. Il permet le transite
bidirectionnel du flux d’énergie grâce aux interrupteurs Q1 et Q2 qui sont commandés
d’une manière complémentaire.

37
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

i2
+
Q1

L
i1 C2 V2

V1
Q2 -
Figure II.18 : Circuit de puissance d’un convertisseur réversible abaisseur-élévateur [60].

Lorsque le dispositif de stockage se décharge, le convertisseur fonctionne en mode

élévateur afin de faire passer le courant de la source vers la charge (ib>0). Toutefois, le
hacheur agit comme abaisseur durant le chargement du système de stockage tel que,
le courant se déplace dans le sens inverse (ib<0). Alors, selon le mode d’opération du
convertisseur réversible, nous pouvons définir une variable binaire g comme suit [82]:
1 𝑠𝑖 𝑖𝑏 > 0 𝑚𝑜𝑑𝑒 é𝑙é𝑣𝑎𝑡𝑒𝑢𝑟
𝑔={ (II.52)
0 𝑠𝑖 𝑖𝑏 < 0 𝑚𝑜𝑑𝑒 𝑎𝑏𝑎𝑖𝑠𝑠𝑒𝑢𝑟
Le modèle dynamique du convertisseur bidirectionnel peut être obtenu en
combinant les deux modèles moyens du hacheur buck et du hacheur boost (de
l’équation (II.50)) [82]. Le modèle du convertisseur abaisseur est donné dans l’annexe
A. Tenant en compte la variable g, le modèle global du convertisseur bidirectionnel
abaisseur-élévateur est donné comme suit [82]:
𝑑𝑣2
𝑖2 = [(1 − 𝐷1 )𝑔 + 𝐷2 (1 − 𝑔)]𝑖1 − 𝐶2
𝑑𝑡
{ 𝑑𝑖1
(II.53)
𝑣1 = [(1 − 𝐷1 )𝑔 + 𝐷2 (1 − 𝑔)] 𝑣2 + 𝐿 𝑑𝑡
D1 et D2 représentent les rapports cycliques de Q1 et Q2, respectivement.
II.2.5.3. Convertisseur triphasé à deux niveaux
Les convertisseurs de puissance triphasés sont souvent utilisés pour l’interfaçage
des sources énergétiques avec le réseau électrique. Ce type de convertisseur peut
fonctionner en mode redresseur ou en mode onduleur selon la direction du flux
d’énergie. En mode onduleur, il permet de convertir le courant continu issu des sources
d’énergie à un courant alternatif de fréquence fixe et vice versa. Toutefois, le même
modèle mathématique est utilisé pour l’onduleur et le redresseur.

S1 S2 S3

𝑖𝑔𝑎
a vga
VDC CDC b vgb
n
vao c
vbo 𝑅 𝐿 vga

S4 S5 S6
vco
o
Figure II.19 : Circuit de puissance de l’onduleur à deux niveaux couplé au réseau [72].

38
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

La figure (II.19) montre la topologie du circuit de puissance d’un onduleur triphasé

à deux niveaux. Il est composé de six cellules de commutation, supposées idéales, qui
doivent être commandées proprement afin de générer le vecteur de tension désirée en
sortie. Chaque bras d’onduleur est donc constitué de deux cellules de commutation
où, chacune d’eux est constituée d’un transistor de puissance, de type IGBT ou
MOSFET, monté en antiparallèle avec une diode de récupération [83,84].
Afin d’éviter le court-circuit de la source d’entrée, les interrupteurs de chaque bras
d’onduleur doivent être commandés d’une manière complémentaire [72]. Les états de
commutation des interrupteurs Sx (avec x=1,…,6) peuvent être représentés par les
ordres de commande (𝑆𝑎 , 𝑆𝑏 , 𝑆𝑐 ) définis comme suit [72]:
1 → 𝑠𝑖 𝑆𝑗 𝑓𝑒𝑟𝑚é 𝑒𝑡 𝑆𝑗+3 𝑜𝑢𝑣𝑒𝑟𝑡
𝑆𝑦 = { 𝑗 = 1,2,3 , 𝑦 = 𝑎, 𝑏, 𝑐 (II.54)
0 → 𝑠𝑖 𝑆𝑗 𝑜𝑢𝑣𝑒𝑟𝑡 𝑒𝑡 𝑆𝑗+3 𝑓𝑒𝑟𝑚é
Donc, la fonction de commutation Sy (y=a,b,c), prend la valeur de 1 quand
l’interrupteur supérieur du bras y est fermé . Elle est égale à 0 lorsque l’interrupteur
inférieur de la phase y est fermé.
La tension de sortie de chaque phase de l’onduleur, référencée par rapport au point
« o » (𝑣𝑦𝑜 ), peut être calculée comme suit [72,84]:
𝑣𝑦𝑜 = 𝑉𝐷𝐶 𝑆𝑦 , 𝑦 = 𝑎, 𝑏, 𝑐 (II.55)
VDC est la tension aux bornes du bus continu. Donc, ce convertisseur fournit à
chaque phase deux niveaux possibles de tension (+VDC et 0). D’autre part, la tension
de sortie de la phase y d’onduleur, référencée par rapport au point neutre « n » (voir
figure (II.19)), est donnée par [84]:
𝑣𝑦𝑛 = 𝑣𝑦𝑜 − 𝑣𝑛𝑜 , 𝑦 = 𝑎, 𝑏, 𝑐 (II.56)
Supposons que les tensions des phases du réseau sont équilibrées, on aura [84] :
𝑣𝑎𝑛 + 𝑣𝑏𝑛 + 𝑣𝑐𝑛 = 0 (II.57)
La tension entre les points neutres (n) et (o) de l’onduleur est exprimée comme
suit [84]:
1
𝑣𝑛𝑜 = 3 (𝑣𝑎𝑜 + 𝑣𝑏𝑜 + 𝑣𝑐𝑜 ) (II.58)
En substituant les équations (II.55) et (II.58) dans (II.56), on obtient les expressions
suivantes des tensions de sortie de l’onduleur [84]:
𝑉𝐷𝐶
𝑣𝑎𝑛 = (2𝑆𝑎 − 𝑆𝑏 − 𝑆𝑐 )
3
𝑉𝐷𝐶
𝑣𝑏𝑛 = (2𝑆𝑏 − 𝑆𝑎 − 𝑆𝑐 ) (II.59)
3
𝑉𝐷𝐶
( )
{ 𝑣𝑐𝑛 = 3 2𝑆𝑐 − 𝑆𝑎 − 𝑆𝑏
En appliquant la transformée de Clarke (voir annexe A), les composantes αβ du
vecteur de tension de sortie de l’onduleur sont données par :
𝑉
𝑣𝛼 = 𝐷𝐶 (2𝑆𝑎 − 𝑆𝑏 − 𝑆𝑐 )
3
{ 𝑉 (II.60)
𝑣𝛽 = 𝐷𝐶 (𝑆𝑏 − 𝑆𝑐 )
√3
Il existe donc huit combinaisons possibles des signaux de commande (𝑆𝑎 , 𝑆𝑏 , 𝑆𝑐 ) qui
permettent de générer huit vecteurs possibles de tension en sortie de l’onduleur
triphasé à deux niveaux.

39
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

 Modèle de l’onduleur côté réseau

Comme le montre la figure (II.19), chaque bras d’onduleur de tension est relié au
réseau électrique à l’aide d’un filtre inductif de premier ordre afin d’éliminer les
harmoniques du courant de sortie. En appliquant les lois de Kirchhoff, le modèle de
l’onduleur côté réseau, dans le référentiel naturel (abc), est donné comme suit :
𝑑𝑖𝑔𝑎
𝑣𝑎𝑛 = 𝑅𝑖𝑔𝑎 + 𝐿 𝑑𝑡
+ 𝑣𝑔𝑎
𝑑𝑖𝑔𝑏
𝑣𝑏𝑛 = 𝑅𝑖𝑔𝑏 + 𝐿 + 𝑣𝑔𝑏 (II.61)
𝑑𝑡
𝑑𝑖𝑔𝑐
{ 𝑣𝑐𝑛 = 𝑅𝑖𝑔𝑐 + 𝐿 𝑑𝑡 + 𝑣𝑔𝑐
Où (iga, igb, igc) et (vga, vgb, vgc) sont, respectivement, les courants et les tensions des
phases du réseau. R et L représentent la résistance et l’inductance du filtre,
respectivement. Dans le repère tournant de Park, le système d’équation (II.61) peut
être simplifié comme suit :
𝑑𝑖𝑔𝑑
𝑣𝑑 = 𝑅𝑖𝑔𝑑 + 𝐿 𝑑𝑡 + 𝐿𝜔𝑖𝑔𝑞 + 𝑣𝑔𝑑
{ 𝑑𝑖𝑔𝑞 (II.62)
𝑣𝑞 = 𝑅𝑖𝑔𝑞 + 𝐿 𝑑𝑡 − 𝐿𝜔𝑖𝑔𝑑 + 𝑣𝑔𝑞
Avec vd, vq, igd, igq sont les composantes selon les axes d et q des vecteurs de tension
et du courant de sortie d’onduleur. vgd, vgq sont les composantes d et q du vecteur de
tension du réseau.
D’autre part, le condensateur du bus continu (CDC) d’onduleur permet de maintenir
la tension à ses bornes (VDC) constante en emmagasinant l’énergie électrique [84]. Le
courant traversant ce condensateur (IC) peut être exprimé comme suit :
𝑑𝑉
𝐼𝐶 = 𝐶𝐷𝐶 𝑑𝑡𝐷𝐶 = 𝐼𝑖𝑛 − 𝐼𝐷𝐶
{ (II.63)
𝐼𝐷𝐶 = 𝑆𝑎 𝑖𝑔𝑎 + 𝑆𝑏 𝑖𝑔𝑏 + 𝑆𝑐 𝑖𝑔𝑐
Où Iin et IDC représentent, respectivement, le courant issu de la source CC d’entrée
et le courant d’entrée de l’onduleur triphasé.
II.2.5.4. Convertisseur triphasé à trois niveaux
Aujourd’hui, les convertisseurs multi-niveaux sont largement utilisés dans des
applications de moyenne et de forte puissance. Le circuit électrique d’un onduleur à
trois niveaux clampé par le neutre (3L-NPC : three-Level Neutral-Point-Clamped) est
illustré par la figure (II.20). Chaque bras de l’onduleur est donc constitué de deux
diodes de clampage et de quatre interrupteurs de puissance (paires transistor/diode)
[85]. Le bus continu du convertisseur est composé de deux condensateurs identiques
C1 et C2 reliés à son point milieu «N» [84,85]. La tension de blocage de chaque dispositif
de commutation de l’onduleur 3L-NPC est égale à la moitié de la tension du bus CC ce
qui permet d’accroître le montant de la puissance convertie. Ce type de convertisseur
offre ainsi l’avantage d’un contenu harmonique de tension plus réduit que celui de
l’onduleur à deux niveaux [70].
Par ailleurs, les signaux de commande des deux paires d’interrupteurs de chaque
phase y sont complémentaires afin d’éviter les états de commutation non-permises ; i.e :
′
𝑆𝑦𝑙 = 𝑆𝑦𝑙 (𝑙 = 1,2 et 𝑦 = 𝑎, 𝑏, 𝑐) [84]. Cette configuration permet donc de générer en sortie
de chaque phase y trois niveaux de tension référencée au point milieu N (voir tableau

40
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

(II.1)). On définit alors la fonction de commutation Sy (𝑦 = 𝑎, 𝑏, 𝑐) qui prend trois valeurs

possibles (notées +, 0 , et – ) correspondantes aux valeurs de tension de sortie (VDC/2, 0
et -VDC/2) de chaque bras d’onduleur [72,85].
Sy 𝑺𝒚𝟏 𝑺𝒚𝟐 𝑺′𝒚𝟏 𝑺′𝒚𝟐 VyN
+ 1 1 0 0 VDC/2
0 0 1 1 0 0
- 0 0 1 1 -VDC/2

Tableau II.1 : Etats de commutation de chaque phase (y=a,b,c) d’onduleur 3L-NPC [72].

La tension de sortie de chaque bras d’onduleur, 𝑣𝑦𝑁 (y = a, b, c), peut être calculée
en fonction de l’état de commutation Sy d’onduleur comme suit [85]:
𝑉𝐷𝐶 𝑉𝐷𝐶 𝑉𝐷𝐶
𝑣𝑎𝑁 = 2
𝑆𝑎 , 𝑣𝑏𝑁 = 2
𝑆𝑏 , 𝑣𝑐𝑁 = 2
𝑆𝑐 (II.64)
Donc, les composantes αβ du vecteur de tension de sortie de l’onduleur 3L-NPC
sont exprimées comme suit :
𝑉𝐷𝐶
𝑣𝛼 = (2𝑆𝑎 − 𝑆𝑏 − 𝑆𝑐 )
6
{ 𝑉𝐷𝐶 (II.65)
𝑣𝛽 = (𝑆𝑏 − 𝑆𝑐 )
2√3

Sa1 Sb1 Sc1

C1 Sa2 Sb2 Sc2

Da Db Dc
a ica
VDC N b c
icb icc
Sa1’ Sb1’ Sc1’

C2 Da ’ Db’ Dc’
Sa2’ Sb2’ Sc2’

Figure II.20 : Circuit de puissance d’un onduleur 3L-NPC [72].

Si le convertisseur 3L-NPC est connecté au réseau électrique, le modèle

mathématique de son côté alternatif est donc semblable à celui de l’onduleur à deux
niveaux.

41
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

II.3. Partie 2 : Aperçu sur les techniques d’intelligence artificielle

En effet, la commande d’un système a pour but de lui rendre capable de répondre
dynamiquement à une commande. Une tâche de commande d’un système peut être
de régulation ou de poursuite de la trajectoire d’une consigne imposée. Pour achever
la régulation d’un système, on doit lui forcer de rester dans une situation bien précise
même en présence des perturbations. Tandis que, la tâche de poursuite consiste à
contraindre le système de suivre fidèlement la trajectoire d’une référence donnée quel
que soit le type de perturbation [86].
D’ailleurs, la commande d’un SEH dynamique n’est pas une tâche triviale. Les
schémas de commande classiques peuvent mener à des mauvaises performances de
régulation et de poursuite en présence des non-linéarités, des incertitudes et des
variations paramétriques. C’est dans ce contexte que les TIAs ont été reconnues
comme des outils très adéquats pour la commande des SEHs. Dans ce qui suit, on
donne un bref aperçu sur les TIAs qu’on va les appliquer dans cette thèse.
II.3.1. Logique floue
Les systèmes d’inférence floue permettent d’imiter le raisonnement chez l’être
humain qui est capable de prendre des bonnes décisions même en présence de
l’incertitude. Les définitions et les concepts de base de la LF introduits dans cette
section sont compilés des références [87-94].
II.3.1.1. Ensemble flou
En 1965, le Professeur Lotfi A. Zadeh [87] a introduit pour la première fois le
concept d’ensemble flou qui présente une extension de la notion d’ensemble classique.
Dans la théorie d’ensemble flou, un ensemble flou A, dans l’univers de discours B, est
caractérisé par une fonction dite Fonction d’Appartenance (FA) qui assigne à chaque
élément b Є B une valeur dans l’intervalle [0,1] et non pas dans l’ensemble de deux
éléments {0,1} (voir figure (II.21)). L’ensemble A défini à l’aide d’une FA est alors
appelé ensemble flou.
A B
B
b3 b1
b4 b2

Figure II.21 : Différence entre la notion d’ensemble classique et d’ensemble flou.

Définition : La fonction d’appartenance μA d’un ensemble flou A est une fonction

définie comme suit :
μA : B → [0,1]
Donc, la FA associe à chaque élément b Є B un degré d’appartenance μA (b)Є[0,1]. En
conséquence, l’ensemble flou A est complétement déterminé par l’ensemble :
A={( b, μA (b))/ b Є B }.
II.3.1.2. Fonction d’appartenance
La fonction d’appartenance détermine alors la relation entre un élément de
l’univers de discours et l’ensemble flou qui lui est associé. La nature de cette relation

42
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

dépend de la forme et du type de la fonction d’appartenance utilisée. Le choix

approprié des formes de FAs est très important dans la phase de construction d’un
système de LF puisqu’elles influent directement sur sa précision et ses performances.
Une bonne interprétation de la base des règles floues est basée principalement sur les
FAs utilisées. La figure (II.22) montre différents types de FAs, communément utilisées
dans la littérature et qui sont définies par des expressions paramétriques.

(a) (b)

(c) (d)

Figure II.22 : Exemples de types de FA : (a) Fonction-L; (b) Fonction-Λ (triangulaire); (c) Fonction
Gaussienne; (d) Fonction-Π (trapézoïdale) .

II.3.1.3. Variable linguistique

Les perceptions humaines sont exprimées par des variables linguistiques qui
prennent en valeur des mots. Une variable linguistique S est décrite par un ensemble
de termes couvrant son univers de discours. Par exemple, la vitesse de rotation d’un
moteur est représentée par la variable linguistique vitesse définie dans l’intervalle [10
rad/s,60 rad/s]. Comme le montre la figure (II.23), les valeurs prises par cette variable
sont : L (lente), M (moyenne) et R (rapide).

L M R
Degré d’appartenance

1
0.8
0.6
0.4
0.2
0
10 20 30 40 50
Vitesse de rotation (rad/s)

Figure II.23 : FAs de la variable linguistique « Vitesse ».

II.3.1.4. Contrôleur par logique floue

La figure (II.24) représente la structure de base d’un Contrôleur par Logique Floue
(CLF) utilisé souvent pour la commande des systèmes. Il est constitué principalement
des éléments suivants :
 Un module de fuzzification.
 Une base des règles floues.
 Un moteur d’inférence.
 Un module de défuzzification.

43
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

Ensembles flous Ensembles flous

Paramètres Module d’entrée de sortie Module
Sortie
d’entrées Fuzzification Défuzzification

Moteur
d’inférence

Base
des règles

Figure II.24 : Structure d’un contrôleur par logique floue.

Un CLF est un système qui permet de faire un passage non-linéaire des grandeurs
de contrôle en entrée vers les variables de sortie en se basant sur les expériences et les
perceptions humaines.
 Module de Fuzzification : Cette unité permet de convertir à l’aide des FAs les
valeurs numériques, appartenant aux univers de discours des entrées du CLF,
à des valeurs floues compatibles avec les règles d’inférence floue. Le degré
d’appartenance à chaque ensemble flou associé à chacune des entrées est
déterminé dans cette étape.

 Base des règles : Cette base détermine la stratégie de commande adoptée par
un CLF permettant de relier les entrées aux sorties. Les règles floues ayant la
forme d’implication « Si-Alors » sont établies en se basant sur les connaissances
des experts sur le système commandé. Ces règles « Si-Alors » sont interprétées
à l’aide d’un opérateur d’implication flou tel que, l’implication de Mamdani.
A titre d’exemple, le tableau (II.2) donne la base des règles d’un régulateur
PI flou proposée par MacVicar-Whelan en 1976. Ce CLF prend en entrée l’erreur
(e) et la variation d’erreur (Δe) et renvoie en sortie l’action de commande (Δu).
Les termes linguistiques M+(Moyen positif), S+(Petit positif), M-(Moyen
négatif), S-(Petit négatif) et O (Zéro) sont utilisés pour qualifier les ensembles
floues des variables (e, Δe et Δu). Pour chacune des valeurs floues des entrées e
et Δe, l’incrément de commande en sortie (Δu) trouve sa valeur dans la base
des règles du tableau (II.2). Par exemple, la première règle floue est donnée
comme suit :
R1 : Si e est M+ et Δe est M- , Alors Δu est O
Partie prémisse ou antécédent Partie conséquent ou conclusion

Δe
M- S- O S+ M+
e
M+ O S- M- M- L-
S+ S+ O S- S- M-
O M+ S+ O S- M-
S- M+ S+ S+ O S-
M- L+ M+ M+ S+ O

Tableau II.2 : Matrice des règles d’un CLF [90].

44
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

Selon la nature de conclusion de la règle floue, on distingue les modèles

flous suivants :
 Modèle flou de Mamdani : Une règle floue dans le modèle linguistique de
Mamdani avec deux entrées x et y et une seule sortie z a la forme suivante :
Règle : Si x est A1 et y est B1, Alors z est C1.
A1, B1 et C1 dénotent les ensembles flous des entrées et de la sortie. La
conséquence (C1) de la règle de Mamdani est une valeur linguistique.
 Modèle flou de Sugeno : ou modèle TSK (proposé par Takagi, Sugeno et Kang
en 1985). Dans un système d’inférence de TSK, la variable de sortie d’une
règle floue est numérique. Elle peut être une constante ou une fonction
dépendante des variables d’entrée. Donc, la forme générale d’une règle de
TSK est comme suit :
Règle : Si g(y1 est B1 , y2 est B2 ,.., yk est Bk) , Alors z = f(y1, y2,.., yk).
B1, B2 ,…, Bk sont les ensembles flous associés aux entrées y1, y2 ,…, yk du
système d’inférence flou. z est la variable de sortie et g est une fonction
logique qui relie les propositions de la partie antécédent. f est une fonction
mathématique qui permet de calculer la valeur de sortie. Une règle basée
sur le modèle de TSK d’ordre zéro s’écrit dans le format suivant :
Règle : Si (y1 est B1 et y2 est B2) , Alors z = f(y1, y2)=r
r est une constante.
 Moteur d’Inférence : Il permet d’associer aux entrées d’un système d’inférence
floue un seul ensemble flou de sortie. Les opérations suivantes sont accomplies
durant le processus d’inférence :
a) Calcul du degré d’activation pour chaque règle en utilisant les degrés
d’appartenance des variables floues de la partie prémisse. L’activation
d’une règle est achevée si un antécédent prend une valeur de vérité non
nulle.
b) Trouver la FA de la conséquence de chaque règle activée.
c) Agrégation des conclusions inférées.
Le tableau (II.3) récapitule les méthodes d’inférence les plus utilisées dans la
littérature et leurs opérateurs correspondants. On note que la méthode
d’inférence de Mamdani dite de Max-Min est la plus populaire.

Méthode d’inférence Conjonction Implication Disjonction

Max-Min Min Min Max
Max-Produit Produit Produit Max
Somme- Produit Produit Produit Somme

Tableau II.3 : Opérateurs des méthodes d’inférence floue.

 Module de Défuzzification : Le processus de défuzzification permet de

convertir les valeurs floues des variables de sortie à des valeurs numériques
pour qu’on puisse les appliquer directement aux systèmes commandés.
Plusieurs méthodes de défuzzification sont proposées dans la littérature. On
cite par exemple :

45
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

 La méthode du centre de gravité de surface.

 Le bissecteur de surface.
 La moyenne des maximas.
La méthode du centre de gravité de surface est la plus utilisée. Elle consiste à
calculer l'abscisse du centre de la FA de sortie obtenue après l’agrégation.
II.3.2. Réseaux de neurones artificiels
En effet, les réseaux de neurones artificiels ont été proposés dans le but de
reproduire quelques fonctions intelligentes du cerveau humain : la classification, la
reconnaissance des formes, l’apprentissage, etc.
II.3.2.1. Neurone formel
Le neurone biologique, élément de base des systèmes nerveux, est constitué de
plusieurs entrées dites dendrites, d’un corps cellulaire et d’une sortie appelée axone
comme l’indique la figure (II.25). Le corps cellulaire diffuse des signaux vers d’autres
cellules à travers l’axone. La transmission de ces signaux est faîte par le biais des
contacts dits synapses de connexion. L’information émise à l’entrée de chaque neurone
est donc modifiée selon la force de la connexion synaptique qu’on dénomme poids
synaptique [95,96].
En s’inspirant du fonctionnement des cellules nerveuses du cerveau humain, Mac
Culloch et Pitts ont proposé le modèle d’un neurone formel en 1943. L’objectif était
d’imiter le comportement des réseaux de neurones biologiques et de reproduire
certains de leurs caractéristiques intéressantes à savoir : la mémorisation des
informations, le parallélisme inhérent, l’apprentissage, le traitement des informations
imprécises, etc. [96].

𝑧0 = 1 𝑤0
𝑧1 𝑤1
𝑦
𝑧2
𝑤2 ∑ 𝑓
⋮ 𝑤𝑁
𝑧𝑁

Neurone biologique Neurone formel

Figure II.25 : Neurone biologique et sa contrepartie artificielle [96].

Un neurone formel est donc le composant de base de traitement d’information dans

un réseau de neurones artificiel. Comme le montre la figure (II.25), un neurone formel
permet de réaliser une sommation pondérée de ses entrées selon la formule
suivante [90]:
𝑛𝑒𝑡 = (∑𝑁 𝑇
𝑖=1 𝑤𝑖 𝑧𝑖 ) + 𝑤0 = 𝒘 𝒛 + 𝑤0 (II.66)
Tel que 𝒛 = [𝑧1 , 𝑧2 , … 𝑧𝑁 ]𝑇 et 𝒘𝑇 = [𝑤1 , 𝑤2 , … 𝑤𝑁 ] désignent, respectivement, le
vecteur des entrées et le vecteur des facteurs de pondération dits poids synaptiques. zi
présente la ième entrée du neurone formel, wi désigne le poids de connexion entre la ième
entrée et le neurone. N représente le nombre des entrées du neurone. 𝑤0 est la valeur
de seuil d’activation du neurone, appelée biais, qui est associé à une entrée unitaire (z0
=1). Le neurone artificiel applique ensuite une fonction de transfert f, désignée par

46
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

fonction d’activation, au résultat de la somme pondérée. La sortie du neurone 𝑦 est alors

calculée comme suit [90]:
𝑦 = 𝑓 (𝑛𝑒𝑡) = 𝑓 ((∑𝑁
𝑖=1 𝑤𝑖 𝑧𝑖 ) + 𝑤0 ) (II.67)
La fonction d’activation (f) du neurone présenté par Mac Cullochs et Pitts était de type
tout ou rien à seuil ; i.e elle retourne en sortie la valeur de 0 ou 1 [96]. Néanmoins,
différents types de fonctions d’activation des neurones peuvent être utilisés comme
ceux présentés dans le tableau (II.4).

Linéaire Sigmoïde Tangente Fonction radiale de

hyperbolique base (de type gaussien)
Type de
Fonction
d’activation

𝑓(𝑛𝑒𝑡) 𝑓(𝑛𝑒𝑡) 𝑓(𝑛𝑒𝑡)

Définition 𝑓(𝑛𝑒𝑡) = 𝑛𝑒𝑡 1 2 ‖𝒛 − 𝒄‖2
= = −1 = 𝑒𝑥𝑝 (− )
de 𝒇(𝒏𝒆𝒕) 1 + 𝑒 −𝛽.𝑛𝑒𝑡 1 + 𝑒 −𝛽.𝑛𝑒𝑡 2𝑏 2

Tableau II.4 : Quelques exemples de fonction d’activation d’un neurone formel [95, 97].

II.3.2.2. Structures des RNAs

A l’instar de sa contrepartie biologique, un réseau de neurones artificiel est un
ensemble de neurones formels interconnectés entre eux et organisés en groupes
appelés couches de telle sorte que, le même type de fonction d’activation est utilisé pour
les neurones de même couche [98]. La façon de connexion des neurones d’un RNA
(série, parallèle, retour en arrière) détermine sa structure où, on distingue deux
catégories principales [86]: Les RNAs statiques non bouclés et les RNAs dynamiques
bouclés.
II.[Link]. Réseaux de neurones non bouclés
Dans ce type de RNA, dit statique, les informations traitées se propagent de l’entrée
vers la sortie sans faire retour en arrière. Le neurone qui calcule le signal de sortie du
RNA est dit neurone de sortie. Alors que, les neurones effectuant les calculs
intermédiaires sont dits neurones cachés [86]. Les couches constituées des neurones de
sortie et des neurones d’entrée sont désignées, respectivement, par couche de sortie
et couche d’entrée . De plus, les couches situées entre la couche d’entrée et la couche de
sortie sont dites couches cachées. Pour des applications de commande et d’identification,
les architectures des RNAs non bouclés les plus utilisées sont [96,99]: Les réseaux
monocouches, les réseaux multicouches et les réseaux à fonctions radiales de base.
II.[Link].1. Réseaux multicouches
Un réseau multicouche à propagation vers l’avant (FFNN: FeedForward Neural
Network) est constitué d’au moins trois couches en cascade : une couche d’entrée, une
ou plusieurs couches cachées et une couche de sortie [96]. La figure (II.26) illustre la
structure d’un Perceptron non bouclé à trois couches. Typiquement, les neurones de la

47
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

même couche d’un perceptron ne sont pas interconnectés entre eux. En outre, le
neurone de chaque couche possède des entrées provenant de la couche en amont et
une sortie renvoyée à la couche en aval. Si chaque neurone est interconnecté à chaque
neurone de la couche adjacente, il est dit totalement connecté, sinon il est dénommé
partiellement connecté [92, 100].
La sortie d’un neurone j dans la couche L d’un perceptron multicouche se calcule
comme suit [96]:
(𝐿) (𝐿) (𝐿) (𝐿) 𝑝 (𝐿) (𝐿−1) (𝐿)
𝑦𝑗 = 𝑓𝑗 (𝑛𝑒𝑡𝑗 ) = 𝑓𝑗 ((∑𝑖=1
𝐿−1
𝑤𝑖𝑗 𝑦𝑖 ) + 𝑤0𝑗 ) 𝐿 = 1, … , 𝑀 (II.68)
Sous forme matricielle :
(𝐿)
𝒚(𝐿) = 𝑓 (𝐿) (𝑛𝑒𝑡 (𝐿) ) = 𝑓 (𝐿) (𝑊 (𝐿) 𝒚(𝐿−1) + 𝑊𝑜 ) (II.69)
Notons que : 𝑊𝑜(𝐿) = {𝑤0𝑗
(𝐿)
}, 𝑊 (𝐿) = {𝑤𝑖𝑗(𝐿) }, 𝑖 = 1, … , 𝑝𝐿−1 , 𝑗 = 1, … , 𝑝𝐿 , 𝑓 (𝐿) (𝑛𝑒𝑡 (𝐿) ) =
𝑇
[𝑓1(𝐿) (𝑛𝑒𝑡1(𝐿) ), 𝑓2(𝐿) (𝑛𝑒𝑡2(𝐿) ), … , 𝑓𝑗(𝐿) (𝑛𝑒𝑡𝑝(𝐿)
𝐿
)]
(𝐿) (𝐿) (𝐿)
Tel que𝑓𝑗 , 𝑛𝑒𝑡𝑗 et 𝑤0𝑗 désignent, respectivement, la fonction d’activation, le
(𝐿)
niveau d’activation et le biais du neurone j de la Lème couche. 𝑤𝑖𝑗 représente le poids
de connexion entre le neurone i de la couche (L-1) et le neurone j de la couche (L). 𝑝𝐿
est le nombre des neurones dans la Léme couche. M est le nombre des couches du RNA.
(2)
𝑤01
(2) (3) (3)
𝑤11 ∑𝒇 𝑤11 𝑤01
𝑧1 𝑦1
∑𝒇

⋮ ⋮
𝑧𝑝1 ∑𝒇 𝑦𝑝𝑀

⋮
Couche d’entrée (3)
𝑤0𝑝
∑𝒇
Couche de sortie
(2)
𝑤0𝒑𝟐
Couche cachée

Figure II.26 : Perceptron à trois couches [95].

II.[Link].2. Réseaux à fonctions radiales de base

Comme le montre la figure (II.27), un réseau à fonction radiale de base (RBFN :
Radial Basis Function Network) est un réseau non bouclé qui se compose de trois
couches : Une Couche d’Entrée (CE), une Couche CacHée (CH) et une Couche de
Sortie (CS). Chaque neurone j de la CH est activé par une fonction radiale gaussienne
ℎ𝑗 (𝑘) dont la sortie se calcule comme suit [100,101]:
2
‖𝒛(𝑘)−𝒄𝑗 (𝑘)‖
ℎ𝑗 (𝑘) = 𝑒𝑥𝑝 (− 2𝑏𝑗2
) , j=1,…,m (II.70)

𝑏𝑗 et 𝒄𝑗 désignent, respectivement, la largeur et le vecteur centre de la fonction

gaussienne de chaque neurone j de la CH. ‖𝒛(𝑘) − 𝒄𝑗 (𝑘)‖ désigne la distance
Euclidienne entre le vecteur d’entrée (z) et le vecteur centre du réseau qui est définie
comme suit [101]:
2 2 2 2
‖𝒛(𝑘) − 𝒄𝑗 (𝑘)‖ = (𝑧1 − 𝑐1𝑗 ) + (𝑧2 − 𝑐2𝑗 ) + ⋯ + (𝑧𝑁 − 𝑐𝑁𝑗 ) (II.71)

48
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

m et N représentent le nombre des neurones cachés et des entrées du RBFN. Les

neurones de la CS utilisent des fonctions d’activation linéaires. Chacune d’eux effectue
alors une somme pondérée de leur signaux d’entrée provenant des neurones cachés
[101].
Couche cachée
Couche d’entrée 𝒉𝟏(𝒌) Couche de sortie
𝑧1 𝑦1
𝒉𝟐(𝒌)

⋮ ⋮
𝑧𝑁 𝒉𝟑(𝒌) 𝑦𝑝

𝒉𝒎 (𝒌)

Figure II.27 : Structure d’un réseau RBFN [101].

II.[Link]. Réseaux de neurones bouclés

Un RNA bouclé dit récurrent ou dynamique possède une structure modifiée du
FFNN statique tel que, les informations en sortie de certains neurones sont retournées
à leurs entrées ou aux entrées d’autres neurones [95,102]. Les boucles de rétroaction
mènent alors à un comportement dynamique non linéaire du RNA récurrent.
Généralement, une connexion récurrente dans un réseau bouclé est réalisée à l’aide
d’un élément de retard temporel non nul, noté Z-1 , tel que yi(k-1)=Z-1yi(k), où k est
l’itération du temps [84, 99].
On distingue selon la topologie des connexions deux types de réseaux récurrents :
les réseaux partiellement bouclés et ceux totalement bouclés [96].
L’architecture d’un réseau récurrent de type Elman (ENN : Elman Neural Network)
est illustrée par la figure (II.28). C’est un réseau partiellement bouclé puisque
seulement les informations en sortie de la couche cachée qui sont ramenées en arrière
vers les entrées de la couche de contexte. Cette dernière est utilisée comme une
mémoire qui enregistre les activations précédentes des neurones cachés et les fournir,
après un retard d’une unité de temps, aux entrées des neurones cachés [103]. Les RNAs
récurrents sont très adéquats pour différents domaines d’applications, notamment,
ceux d’identification et de commande des systèmes non linéaires et dynamiques.

Couche d’entrée 𝑤𝑖𝑗 Couche cachée

𝑧1 (k)
𝑧𝑁 (k)
⋮
y
Z-1 ∑
⋮
Z-1 Couche de sortie
Z-1 𝑊𝑜𝑗
Couche de contexte

Figure II.28 : Structure d’un réseau d’Elman [103].

49
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

II.3.2.3. Apprentissage des RNAs

La propriété la plus importante du RNA est sa capacité d’apprendre de son
environnement et d’améliorer son comportement via un processus d’apprentissage
[97]. S. Haykin dans son livre [97] définit l’apprentissage comme :
« La procédure permettant d’ajuster les paramètres libres d’un réseau de neurones et ça par
interaction avec son environnement. Le type d’apprentissage est déterminé par la manière avec
laquelle les paramètres sont mis à jour ».
D’après les références [95,96,102,104], il existe deux principaux types
d’apprentissage :
 Apprentissage supervisé : La figure (II.29.a) illustre le principe de
l’apprentissage supervisé. Dans ce cas, l’entraînement du RNA vise à
reproduire le comportement d’un superviseur à l’aide d’un ensemble
d’exemples d’apprentissage « entrée-sortie ». En présentant un stimulus
d’entrée au RNA, à chaque instant du temps, le superviseur lui impose la réponse
désirée en sortie. L’erreur entre la cible et la sortie actuelle est ensuite utilisée
par l’algorithme d’apprentissage pour modifier les paramètres du RNA de sorte
que l’erreur soit réduite à une valeur minimale.
 Apprentissage non supervisé : Comme le montre la figure (II.29.b), la réponse
désirée du RNA est inconnue dans le schéma d’apprentissage non supervisé.
En absence du maitre, le RNA s’auto-organise et adapte ses poids synaptiques
en se basant seulement sur les stimuli disponibles de l’environnement.

(a)

(b)
Figure II.29 : Types d’apprentissage : a) Supervisé, b) Non-supervisé [105].

Par ailleurs, deux modes d’apprentissage peuvent être distingués : l’apprentissage

hors-ligne et l’apprentissage en-ligne. En mode hors-ligne, l’entraînement du RNA est
réalisé avant son utilisation en temps réel. Ceci signifie que les paramètres du RNA
sont maintenus fixes lors du fonctionnement du système commandé ou identifié.
Tandis que, en mode d’apprentissage en ligne, l’adaptation des poids synaptiques est
accomplie simultanément avec la tâche affectée au RNA [105].

50
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

II.3.2.4. Règles d’apprentissage supervisé

II.[Link]. Algorithme de rétropropagation du gradient
Comme nous l’avons vu précédemment, le principe de l’apprentissage supervisé
consiste à présenter des exemples « entrées-sortie » d’apprentissage au RNA et à
modifier les poids et les biais du réseau à chaque étape selon la règle suivante [96, 104]:
(𝐿) (𝐿) (𝐿)
𝑤𝑖𝑗 (𝑘 + 1) = 𝑤𝑖𝑗 (𝑘) + ∆𝑤𝑖𝑗 (𝑘)
{ (𝐿) (𝐿) (𝐿)
(II.72)
𝑤0𝑗 (𝑘 + 1) = 𝑤0𝑗 (𝑘) + ∆𝑤0𝑗 (𝑘)
L’algorithme de Rétro-Propagation (RP) du gradient d’erreur (en anglais :
Backpropagation) est l’algorithme d’apprentissage supervisé le plus utilisé pour
l’ajustement des paramètres libres des RNAs [98].
On s’intéresse ici au processus d’entraînement d’un perceptron multicouche à
l’aide de l’algorithme de RP [98, 104,106]. On adopte alors le modèle du perceptron
multicouche de l’équation (II.68) en conservant les mêmes notations. On définit ainsi
𝑶𝑑 (𝑘) = [𝑂𝑑1 , … , 𝑂𝑑𝑝𝑀 ]𝑇 comme le vecteur des sorties désirées du RNA correspondant
𝑇
au vecteur des exemples d’entrées 𝒛(𝑘) = [𝑧1 , … , 𝑧𝑝1 ] à l’instant k.
Donc, l’apprentissage supervisé du perceptron vise à minimiser, pour chaque
exemple « stimulus-cible », le critère de performance exprimé comme suit :
1 2
(𝑀)
𝐸(𝑘) = ∑𝑝𝑗=1
𝑀
(𝑂𝑑𝑗 (𝑘) − 𝑦𝑗 (𝑘)) (II.73)
2
(𝑀)
Avec 𝑦𝑗 est la sortie obtenue par le neurone j de la CS . 𝑝𝑀 est le nombre des neurones
de sortie. La règle de la descente du gradient est donc utilisée pour la mise à jour des
poids des connexions selon :
(𝐿) (𝐿) (𝐿) 𝜕𝐸(𝑘)
∆𝑤𝑖𝑗 (𝑘) = 𝑤𝑖𝑗 (𝑘 + 1) − 𝑤𝑖𝑗 (𝑘) = −𝜇 (𝐿)
𝜕𝑤𝑖𝑗 (𝑘)
{ (𝐿) (𝐿) (𝐿) 𝜕𝐸(𝑘)
(II.74)
∆𝑤0𝑗 (𝑘) = 𝑤0𝑗 (𝑘 + 1) − 𝑤0𝑗 (𝑘) = −𝜇 (𝐿)
𝜕𝑤0𝑗 (𝑘)

𝜇 est le taux d’apprentissage qui prend sa valeur entre 0 et 1. En effet, ce coefficient

affecte d’une manière significative la vitesse de convergence d’algorithme
d’entraînement. Un grand pas d’apprentissage mène à une vitesse de convergence
rapide mais, le système devient plus sensible aux perturbations, et vice versa [107].
Donc, la valeur de 𝜇 doit être soigneusement choisie afin d’assurer des bonnes
performances.
Par ailleurs, afin de pouvoir calculer les dérivées partielles de la fonction coût (E)
par rapport aux poids et aux biais du perceptron, on les décompose comme suit :
(𝐿)
𝜕𝐸(𝑘) 𝜕𝐸(𝑘) 𝜕𝑛𝑒𝑡𝑗 (𝑘) (𝐿−1) 𝜕𝐸(𝑘)
(𝐿) = (𝐿) (𝐿) = 𝑦𝑖 . (𝐿)
𝜕𝑤𝑖𝑗 (𝑘) 𝜕𝑛𝑒𝑡𝑗 (𝑘) 𝜕𝑤𝑖𝑗 (𝑘) 𝜕𝑛𝑒𝑡𝑗 (𝑘)
(𝐿) (II.75)
𝜕𝐸(𝑘) 𝜕𝐸(𝑘) 𝜕𝑛𝑒𝑡𝑗 (𝑘) 𝜕𝐸(𝑘)
(𝐿) = (𝐿) (𝐿) = 1. (𝐿)
{ 𝜕𝑤0𝑗 (𝑘) 𝜕𝑛𝑒𝑡𝑗 (𝑘) 𝜕𝑤0𝑗 (𝑘) 𝜕𝑛𝑒𝑡𝑗 (𝑘)
𝜕𝐸(𝑘)
Le terme d’erreur défini comme : 𝛿𝑗𝐿 (𝑘) = (𝐿) peut-être réécrit comme suit :
𝜕𝑛𝑒𝑡𝑗 (𝑘)
(𝐿)
𝜕𝐸(𝑘) 𝜕𝑦𝑗 (𝑘) 𝜕𝐸(𝑘) (𝐿) ′ (𝐿)
𝛿𝑗𝐿 (𝑘) = (𝐿) (𝐿) = (𝐿) 𝑓𝑗 (𝑛𝑒𝑡𝑗 (𝑘)) (II.76)
𝜕𝑦𝑗 (𝑘) 𝜕𝑛𝑒𝑡𝑗 (𝑘) 𝜕𝑦𝑗 (𝑘)

51
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

Pour chaque neurone j du perceptron, le terme d’erreur, dit sensibilité, se calcule

comme suit :
(𝑀)′ (𝑀)
𝛿𝑗𝑀 = − (𝑂𝑑𝑗 (𝑘) − 𝑦𝑗𝑀 (𝑘)) 𝑓𝑗 (𝑛𝑒𝑡𝑗 (𝑘)) , 𝐿 = 𝑀
{
(𝐿) ′ (𝐿) (𝐿+1) 𝐿+1
(II.77)
𝛿𝑗𝐿 = 𝑓𝑗 (𝑛𝑒𝑡𝑗 ) . 𝑤𝑖𝑗 . 𝛿𝑗 , 𝐿<𝑀−1
Il est clair de cette équation que le terme d’erreur d’un neurone j de la couche cachée
L est calculé en fonction de la sensibilité de la couche en aval L+1. Ceci signifie que
l’ajustement des poids du RNA est achevé en faisant rétropropager les termes d’erreur
de la couche de sortie vers la couche d’entrée. Donc, les étapes principales de
l’algorithme de RP peuvent être résumées comme suit :
1. Initialiser les poids des connexions du RNA par des valeurs aléatoires.
2. A chaque itération, présenter le vecteur des stimuli 𝒛(𝑘) à l’entrée du RNA
puis lui faire propager à travers le réseau vers la sortie suivant l’équation
(II.68).
3. Après avoir calculer le vecteur de sortie du RNA associé au vecteur des stimuli,
évaluer les sensibilités pour chaque couche par rétropropagation vers l’arrière
selon l’équation (II.77).
4. Mettre à jour les paramètres du RNA selon l’équation (II.72).
5. Si le critère d’arrêt est vérifié arrêter, sinon recommencer.
II.[Link]. Algorithme des moindres carrés
L’algorithme des moindres carrés (LMS : Least Mean Square), appelé ainsi algorithme
de Widrow-Hoff, est souvent utilisé pour accomplir l’apprentissage supervisé des
réseaux de type ADALINE (ADAptive LInear NEuron).
II.[Link].1. Réseau ADALINE
L’ADALINE est un modèle simple de neurone formel proposé par B. Widrow et ses
collaborateurs dans les années 1960 [108]. L’architecture d’un ADALINE à fonction de
transfert linéaire est illustrée par la figure (II.30). Son neurone unique effectue une
sommation pondérée de ses entrées selon l’équation suivante [108,109]:
𝑦(𝑘) = 𝑛𝑒𝑡 = 𝑤0 + ∑𝑁 𝑇
𝑖=1 𝑤𝑖 𝑧𝑖 = 𝒘 𝒛(𝑘) (II.78)
Tel que 𝒛 et 𝒘𝑻 représentent, respectivement, les vecteurs des entrées et des poids
d’ADALINE. 𝑤0 est le biais du réseau linéaire et k est l’instant du temps discret. On
donne dans ce qui suit le principe de l’algorithme LMS.
𝑧0 = 1 𝑤0 𝑁

𝑦(𝑘) = 𝑤0 + 𝑤𝑖 𝑧𝑖
𝑧1 𝑤1 𝑂𝑑 (𝑘)
∑
𝑖=1

𝑧2
𝑤2 ∑
- +
⋮ 𝑤𝑁
𝑧𝑁
𝑒𝑜 (𝑘)
Mise à jour des
𝒛(𝑘) poids (LMS)

Figure II.30 : Réseau ADALINE entrainé par la règle LMS.

52
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

II.[Link].2. Règle μ-LMS

On adopte ici un ADALINE à temps discret tel que, Od(k) représente la sortie qu’on
désire l’obtenir pour chaque vecteur d’entrée z(k) (voir figure (II.30)). La règle μ-LMS
est développée à base de la méthode de la descente du gradient [109]. Comme son
nom indique, l’algorithme d’apprentissage LMS [104,109,110] vise à minimiser une
fonction coût exprimée comme l’erreur quadratique moyenne.
L’erreur instantanée (eo(k)) entre la cible (Od(k)) et la sortie estimée par l’ADALINE
(y(k)) est calculée comme suit :
𝑒𝑜 (𝑘) = 𝑂𝑑 (𝑘) − 𝑦(𝑘) (II.79)
L’indice de performance E, utilisé pour la mise à jour des poids de l’ADALINE, est
donc défini comme l’erreur quadratique instantanée :
2
𝐸 (𝑘) = 𝑒𝑜2 (𝑘) = (𝑂𝑑 (𝑘) − ∑𝑁
𝑖=0 𝑤𝑖 𝑧𝑖 ) (II.80)
L’adaptation en-ligne du biais et des poids d’ADALINE est achevée selon la règle
de la descente du gradient comme suit :
𝜕𝐸
𝑤𝑖 (𝑘 + 1) = 𝑤𝑖 (𝑘) + ∆𝑤𝑖 (𝑘) = 𝑤𝑖 (𝑘) − 𝜇 𝜕𝑤 (𝑘) , 𝑖 = 0, … , 𝑁 (II.81)
𝑖
𝜇 est le taux d’apprentissage. Les dérivées partielles de la fonction coût par rapport
aux paramètres d’ADALINE sont donc calculées comme suit :
𝜕𝐸
(𝑘) = −2(𝑂𝑑 (𝑘) − 𝑦(𝑘))𝑧𝑖 , 𝑖 = 1, … , 𝑁
𝜕𝑤
{ 𝜕𝐸𝑖 (II.82)
(𝑘) = −2(𝑂𝑑 (𝑘) − 𝑦(𝑘))𝑧0 , 𝑧0 = 1
𝜕𝑤0
En substituant l’équation (II.82) dans (II.81), les lois d’adaptation des poids
d’ADALINE sont données comme suit :
𝑤 (𝑘 + 1) = 𝑤𝑖 (𝑘) + 2𝜇. 𝑒𝑜 (𝑘)𝑧𝑖 , 𝑖 = 1, … , 𝑁
{ 𝑖 (II.83)
𝑤0 (𝑘 + 1) = 𝑤0 (𝑘) + 2𝜇𝑒𝑜 (𝑘)
Cette équation est donc connue comme la règle μ-LMS ou règle delta
d’apprentissage.
II.[Link].3. Règle α-LMS
La règle d’apprentissage α-LMS, qui est une variante de la règle μ-LMS, consiste à
modifier le vecteur des paramètres d’ADALINE selon l’équation suivante [109]:
𝑒𝑜 (𝑘)𝒛(𝑘)
𝒘(𝑘 + 1) = 𝒘(𝑘) + ∆𝒘(𝑘) = 𝒘(𝑘) + 𝛼 𝒛(𝑘) 2
(II.84)
En comparant les équations (II.83) et (II.84), le lecteur pourra remarquer que la règle
α-LMS est la version normalisée de la règle μ-LMS [109]. Un ample détail sur cet
algorithme d’apprentissage se trouve dans la référence [109].

II.3.3. Système d’inférence neuro-flou adaptatif

Dans cette section, on présente une classe de réseaux adaptatifs qui sont
fonctionnellement équivalant aux systèmes d’inférence floue. Ce type de réseaux est
désigné par ANFIS : Adaptive Neuro-Fuzzy Inference System qui est un réseau adaptatif
basé sur un système d’inférence floue [89]. Un ANFIS permet de combiner la capacité
d’apprentissage des RNAs avec la connaissance à priori d’un système d’inférence
floue [105].

53
 Chapitre II : Modélisation des systèmes de conversion d’énergie et
aperçu sur les TIAs

La figure (II.31) illustre l’architecture d’un ANFIS à deux entrées (y1 et y2) et une
seule sortie (f). L’ANFIS est composé de cinq couches, tel que les couches deux, trois
et cinq sont constituées de nœuds fixes qui effectuent des opérations mathématiques.
Alors que, la couche d’entrée et la quatrième couche sont composées de nœuds
adaptatifs qui doivent être ajustés durant la phase d’apprentissage. [89]. Ce système
flou se base sur le modèle d’inférence de TSK d’ordre un. Plus de détails sur
l’architecture de l’ANFIS est donné dans l’annexe C.
y1 y1 y2
μA1
A1
w1 w1
y1 П N
y
μA12 w1 . f1
A2
f
y
∑
B1 μB21
y2 П N w 2 . f2
B2 y w2 w2
μB22 Couche 5
y1 y2
Couche 1 Couche 2 Couche 3
Couche 4
Figure II.31 : Architecture d’un ANFIS [89].

Le rôle fondamental d’un algorithme d’apprentissage d’un ANFIS est d’ajuster les
paramètres non-linéaires de la partie prémisse et les paramètres linéaires de la partie
conclusion. Ceci est achevé en utilisant les informations provenant d’une base de
données d’apprentissage [105,89].
D’après [89], l’apprentissage d’un ANFIS peut être accompli soit à l’aide de
l’algorithme de rétropropagation d’erreur, soit via l’algorithme hybride qui combine
la règle de la descente du gradient et la méthode des moindres carrés. En utilisant
l’algorithme hybride, l’identification des paramètres de l’ANFIS se fait en deux étapes
à chaque itération : D’abords, les paramètres conséquents sont déterminés à l’aide de
la méthode des moindres carrés. Puis, les paramètres non linéaires des prémisses sont
ajustés via la règle de la descente du gradient [89].
II.4. Conclusion
Dans ce chapitre, nous nous sommes intéressés au développement des modèles
dynamiques des sources d’énergie (PV, éolienne et PAC) et de différents types de
convertisseurs de puissance. Ces modèles facilitent la tâche de simulation du
comportement des sources énergétiques et permettent d’étudier leurs structures de
commande d’une manière appropriée. En outre, nous avons dressé un état de l’art sur
les techniques d’intelligence artificielle (LF, RNAs, ANFIS). Les notions de base sur les
TIAs ont été introduites afin de les appliquer aux schémas de commande étudiés dans
cette thèse.
Le chapitre suivant est consacré à l’étude et à la simulation de trois systèmes de
production PV, éolienne et à base de PAC-OS.

54
 Chapitre III

Commande des systèmes de production connectés au réseau

 Chapitre III : Commande des systèmes de production connectés au réseau

III.1. Introduction
Les panneaux photovoltaïques et les piles à combustibles sont des sources de
courant électrique continu tandis qu’un générateur éolien fournit un courant alternatif
de fréquence incompatible avec celle du réseau public. De ce fait, l’intégration de ce
type de sources d’énergie dans le réseau requière la conversion et l’adaptation de leur
puissance produite afin d’avoir une puissance cohérente avec le réseau électrique. En
effet, le système de conditionnement de puissance et sa structure de commande
associée représentent les éléments clés dans la phase de conception des systèmes de
production décentralisée.
Dans ce chapitre, une investigation sur les structures de commande dédiées aux
certains systèmes de production connectés au réseau électrique est achevée. Nous
examinons certaines configurations des chaines de conversion d’énergie à base des
sources PV, éolienne et PAC. Des notions de base sur les stratégies de commande
conventionnelles destinées au pilotage des convertisseurs de puissance sont également
introduites. De plus, des TIAs sont appliquées afin d’optimiser le rendement
énergétique et d’améliorer les réponses des systèmes commandés en régimes
transitoire et permanent. Le comportement dynamique des systèmes de génération
étudiés est examiné par simulation via le logiciel de Matlab/Simulink. Les résultats de
simulation obtenus sont présentés afin de vérifier l’efficacité des schémas de
commande et d’évaluer les performances dynamiques des systèmes étudiés.

III.2. Commande d’un système de production PV connecté au réseau

A partir d’irradiation solaire incidente, le GPV génère de l’électricité dont le point
de fonctionnement optimal est unique sous une certaine condition climatique. Un
algorithme de MPPT est souvent associé au GPV afin d’extraire en permanence le
maximum d’énergie. Aujourd’hui, l’intégration des sources PV au réseau public est en
grand essor. Dans ce type d’application, les panneaux PV sont interfacés avec le réseau
par l’intermédiaire de convertisseurs de puissance, notamment, les onduleurs en vue
d’assurer la conversion et le transfert efficace d’énergie électrique [10]. D’ailleurs,
l’onduleur doit être convenablement contrôlé afin d’accomplir différentes tâches de
commande à savoir : la stabilisation de la tension du bus continu, la supervision du flux
des puissances active et réactive, l’envoi d’un courant sinusoïdale à faible distorsion
harmonique (THD<5%) au réseau électrique, etc. [9,111]. Pour atteindre ces objectifs,
divers schémas de commande dédiés aux convertisseurs CC-CA ont été proposés dans
la littérature [9,10,111]. La technique de contrôle à tension orientée (VOC : Voltage
Oriented Control ) et la méthode de contrôle direct de puissance (DPC : Direct Power
Control ) sont les plus répandues [21].
III.2.1. Configuration du système PV étudié
Dans cette partie, le Système PV Connecté au Réseau (SPVCR) illustré par la figure
(III.1) est étudié. Il est constitué d’un champ PV, d’un convertisseur survolteur et d’un
onduleur triphasé interconnecté au réseau à l’aide d’un filtre de premier ordre de type
RL. Comme le montre la figure (III.1), le convertisseur élévateur assure la poursuite du
PPM du GPV à l’aide de l’algorithme de la conductance incrémentale. En outre, un
schéma de DPC, basé sur des contrôleurs linéaires de type PI et un modulateur MLI,

55
 Chapitre III : Commande des systèmes de production connectés au réseau

est adopté pour la commande de l’onduleur. Les paramètres du régulateur PI de la

tension du bus continu sont choisis d’être régler hors-ligne à l’aide d’algorithme de PSO
[112]. Le SPVCR complet est établi et simulé dans l’environnement Matlab/Simulink.
iga,b,c
+ +

Réseau
GPV Convertisseur Convertisseur Filtre
VPV VDC
CC-CC CC-CA RL
- -
Spv Sa,b,c
MPPT DPC vga,b,c
IncCond
Figure III.1 : Structure du SPVCR étudié.

III.2.2. Structure de commande du SPVCR

III.2.2.1. Commande du convertisseur élévateur
Comme déjà évoqué, la puissance produite par un GPV dépend principalement de
la disponibilité de la source primaire d’énergie (le soleil) et varie de façons nonlinéaire
suite aux fluctuations d’éclairement et de température. L‘utilisation d’un contrôleur
MPPT est donc nécessaire afin de forcer la source PV de fonctionner constamment au
PPM sous des conditions climatiques changeantes.
Typiquement, la tâche de commande MPPT est associée au convertisseur statique
de type CC-CC. Les techniques de Perturbation et Observation (P&O) ainsi
d’Incrémentation de la Conductance (IncCond) présentent les méthodes de MPPT les
plus populaires dans la littérature [113]. On adopte dans cette étude l’algorithme
d’IncCond [113-115]. L’idée de base de cette méthode vient du fait que la pente de la
courbe de puissance versus tension du GPV (dPPV/dVPV) est positive à gauche du PPM,
négative à droite et nulle au PPM (voir figure (III.2)) [115] :
𝑑𝑃𝑃𝑉
𝑑𝑉𝑃𝑉
=0 𝑎𝑢 𝑃𝑃𝑀
𝑑𝑃𝑃𝑉
>0 à 𝑔𝑎𝑢𝑐ℎ𝑒 𝑑𝑢 𝑃𝑃𝑀 (III.1)
𝑑𝑉𝑃𝑉
𝑑𝑃𝑃𝑉
{ 𝑑𝑉𝑃𝑉 < 0 à 𝑑𝑟𝑜𝑖𝑡𝑒 𝑑𝑢 𝑃𝑃𝑀

𝑑𝑃𝑃𝑉 𝑑(𝑉𝑃𝑉 .𝐼𝑃𝑉 ) 𝑑𝐼 𝑑𝐼 ∆𝐼 𝐼

Donc, au PPM : 𝑑𝑉𝑃𝑉
= 𝑑𝑉𝑃𝑉
= 𝑉𝑃𝑉 𝑑𝑉𝑃𝑉 + 𝐼𝑃𝑉 = 0 ⟹ 𝑑𝑉𝑃𝑉 ≅ ∆𝑉𝑃𝑉 = − 𝑉𝑃𝑉 (III.2)
𝑃𝑉 𝑃𝑉 𝑃𝑉 𝑃𝑉

Le principe d’algorithme d’IncCond consiste alors à poursuivre le PPM en ajustant

la tension de référence (Vref) du GPV selon le résultat de comparaison de la
conductance incrémentale (ΔIPV/ΔVPV) avec la conductance instantanée négative (-
IPV/VPV) :
∆𝐼𝑃𝑉 𝐼
∆𝑉𝑃𝑉
= − 𝑉𝑃𝑉 point de fonctionnement 𝑎𝑢 𝑃𝑃𝑀
𝑃𝑉
∆𝐼𝑃𝑉 𝐼𝑃𝑉
>− point de fonctionnement à 𝑔𝑎𝑢𝑐ℎ𝑒 𝑑𝑢 𝑃𝑃𝑀 (III.3)
∆𝑉𝑃𝑉 𝑉𝑃𝑉
∆𝐼𝑃𝑉 𝐼𝑃𝑉
{ ∆𝑉𝑃𝑉 < − 𝑉𝑃𝑉 point de fonctionnement à 𝑑𝑟𝑜𝑖𝑡𝑒 𝑑𝑢 𝑃𝑃𝑀

56
 Chapitre III : Commande des systèmes de production connectés au réseau

𝒅𝑰𝑷𝑽 𝑰𝑷𝑽
=− PPM
𝒅𝑽𝑷𝑽 𝑽𝑷𝑽

𝒅𝑰𝑷𝑽 𝑰𝑷𝑽
<−
𝒅𝑽𝑷𝑽 𝑽𝑷𝑽

PPV (W)
𝒅𝑰𝑷𝑽 𝑰𝑷𝑽
>−
𝒅𝑽𝑷𝑽 𝑽𝑷𝑽

VPV (V)
Figure III.2 : Position du point de fonctionnement sur la courbe PPV(VPV).

L’organigramme de la figure (III.3) résume les étapes d’algorithme d’IncCond. La

comparaison de (ΔIPV /ΔVPV) avec (-IPV/VPV), à chaque itération k, permet de connaitre
la position du point de fonctionnement par rapport au PPM ; et par la suite de décider
la direction de perturbation de la tension de référence, par un pas ΔVref, pour converger
vers le PPM. La tension de sortie du GPV est ensuite régulée à l‘aide d’un contrôleur
PI pour suivre Vref délivrée par le dispositif de MPPT. Le rapport cyclique d en sortie
du régulateur de tension PV est ensuite utilisé pour générer le signal MLI (Spv) de
commande de l’interrupteur du convertisseur boost comme le montre la figure (III.4).

Début

Mesurer VPV(K) , IPV(k)

ΔIPV = IPV(k) –IPV(k-1),

ΔVPV = VPV (k)–VPV (k-1).

Non Oui
ΔVPV=0

ΔIPV/ΔVPV= -IPV/VPV ΔIPV=0

Oui
Non Non Oui

Vref(k)=Vref (k-1) ΔIPV/ΔVPV>-IPV/VPV ΔIPV > 0 Vref (k)=Vref (k-1)

Oui Non Non Oui

Vref (k)=Vref (k-1)+ΔVref Vref (k)=Vref (k-1)-ΔVref Vref (k)=Vref (k-1)-ΔVref Vref (k)=Vref (k-1)+ΔVref

IPV (k-1) = IPV (k),

VPV (k-1) = VPV (k)

Retour

Figure III.3 : Organigramme d’algorithme d’IncCond [114].

VPV
Algorithme Vref + - e(t) Contrôleur d Signal MLI
IPV PI ≥
IncCond

Figure III.4 : Schéma de commande du convertisseur élévateur.

57
 Chapitre III : Commande des systèmes de production connectés au réseau

III.2.2.2. Contrôle direct de puissance de l’onduleur

La technique de contrôle direct de puissance (DPC) a été proposée par Noguchi [116]
dans le but de commander des convertisseurs à MLI. Son principe consiste à contrôler
directement les puissances instantanées active et réactive (P et Q) en choisissant les états
de commutation adéquats des transistors de puissance du convertisseur commandé.
Ceci est accompli à l’aide des comparateurs à hystérésis et un tableau de commutation
prédéfini comme l’illustre la figure (III.5). La tension du bus à CC est donc contrôlée à
l’aide d’un correcteur PI. Alors que, les régulateurs à hystérésis génèrent des signaux
numériques, notés Sp et Sq , en fonction des erreurs entre les consignes des puissances
active et réactive et les valeurs mesurées. Ensuite, suivant la position du vecteur de
tension du réseau et les valeurs des signaux (Sp, Sq), les états de commutation
appropriés du convertisseur sont choisis suivant une table de commutation prédéfinie.
Le choix convenable du vecteur de tension à appliquer à l’onduleur permet de
maintenir les erreurs statiques des puissances active et réactive dans les bandes
d’hystérésis imposées [116-118].
Cette structure de commande est simple et effectue une estimation rapide des
puissances P et Q en assurant des bonnes dynamiques. Toutefois, les inconvénients
majeurs du schéma de DPC classique résident dans la fréquence de commutation
variable et l’exigence de fonctionnement à une fréquence d’échantillonnage élevée [116-
118]. Pour remédier à ces problèmes, des versions améliorées de la stratégie de DPC
sont reportées dans la littérature [119-122]. La structure de DPC proposée dans [118]
qui se base sur la modulation vectorielle permet d’avoir une fréquence de commutation
constante.

Figure III.5 : Schéma de DPC classique [116].

La structure de DPC [118,122], adoptée dans cette étude, est illustrée par la figure
(III.6). Les comparateurs à hystérésis du schéma DPC classique sont remplacés par des
contrôleurs linéaires de type PI. De plus, un bloc de modulation MLI est utilisé au lieu
du tableau de commutation afin d’assurer une fréquence de commutation constante.
L’incorporation d’une boucle à verrouillage de phase (PLL : Phase Locked Loop) dans
cette structure est nécessaire afin d’assurer la synchronisation avec le réseau. Le PLL
calcule l’angle du vecteur de tension du réseau (g) qui est utilisé pour la transformation

58
 Chapitre III : Commande des systèmes de production connectés au réseau

de Park dq/αβ. La boucle externe de régulation de tension du bus à CC agit directement

sur la valeur de référence de la puissance active. Où, le signal de sortie du contrôleur
du bus CC est multiplié par la tension mesurée à ses bornes (VDC) pour générer la
consigne de la puissance active (Pref). D’autre part, la référence de puissance réactive est
imposée nulle (Qref=0) pour assurer le fonctionnement à un facteur de puissance
unitaire. Dans le repère stationnaire abc, les puissances instantanées active (P) et
réactive (Q) sont calculées comme suit [116] :
𝑃 = 𝑣𝑔𝑎 𝑖𝑔𝑎 + 𝑣𝑔𝑏 𝑖𝑔𝑏 + 𝑣𝑔𝑐 𝑖𝑔𝑐
{ 1 (III.4)
𝑄= [(𝑣𝑔𝑏 − 𝑣𝑔𝑐 )𝑖𝑔𝑎 + (𝑣𝑔𝑐 − 𝑣𝑔𝑎 )𝑖𝑔𝑏 + (𝑣𝑔𝑎 − 𝑣𝑔𝑏 )𝑖𝑔𝑐 ]
√3

R L

Réseau
VDC CDC

VDC
VDCref - + sa,b,c iga,b,c vga,b,c
SPWM
Calcul des puissances
algorithme

Coût KP instantanées active et réactive

g
PSO

PI dq/abc g vga,b,c
KI Qref PLL
vd* vq*
+ Q
PI PI
-
Pref P
+ -
Figure III.6. Schéma de DPC adopté pour l’onduleur côté réseau.

III.[Link]. Synthèse des régulateurs des puissances P et Q

On note ici que le contrôleur PI de la puissance active est analogue au régulateur
de la puissance réactive. Dans cette étude, la synthèse du régulateur PI de la puissance
active (P) est réalisée à l’aide de la méthode de compensation des pôles [123]. On réécrit
le modèle de l’onduleur côté réseau de l’équation (II.62) dans le référentiel tournant
(dq):
𝑑𝑖𝑔𝑑
𝑣𝑑 = 𝑅𝑖𝑔𝑑 + 𝐿 𝑑𝑡
+ 𝐿𝜔𝑖𝑔𝑞 + 𝑣𝑔𝑑
{ 𝑑𝑖𝑔𝑞
(III.5)
𝑣𝑞 = 𝑅𝑖𝑔𝑞 + 𝐿 𝑑𝑡
− 𝐿𝜔𝑖𝑔𝑑 + 𝑣𝑔𝑞
Puisque l’axe d du repère tournant (dq) est aligné suivant le vecteur de tension du
réseau (𝑣𝑔𝑞 = 0 et 𝑣𝑔𝑑 = V𝑟𝑚𝑠 ), le modèle de l’équation (III.5) se simplifie comme suit :
𝑑𝑖𝑔𝑑
𝑣𝑑 = 𝑅𝑖𝑔𝑑 + 𝐿 𝑑𝑡
+ 𝐿𝜔𝑖𝑔𝑞 + 𝑉𝑟𝑚𝑠
{ 𝑑𝑖𝑔𝑞
(III.6)
𝑣𝑞 = 𝑅𝑖𝑔𝑞 + 𝐿 𝑑𝑡
− 𝐿𝜔𝑖𝑔𝑑
En appliquant la transformée de Laplace, on trouve :
1
𝑖𝑔𝑑 = (𝑅+𝐿.𝑠) (𝑣𝑑 − 𝐿𝜔𝑖𝑔𝑞 − 𝑉𝑟𝑚𝑠 )
{ 1 (III.7)
𝑖𝑔𝑞 = (𝑅+𝐿.𝑠) (𝑣𝑞 + 𝐿𝜔𝑖𝑔𝑑 )
D’autre part, les puissances active et réactive dans le repère de Park (dq) peuvent
être exprimées comme suit :
3
𝑃 = (𝑣𝑔𝑑 𝑖𝑔𝑑 + 𝑣𝑔𝑞 𝑖𝑔𝑞 )
2
{ 3 (III.8)
𝑄 = 2 (𝑣𝑔𝑞 𝑖𝑔𝑑 − 𝑣𝑔𝑑 𝑖𝑔𝑞 )

59
 Chapitre III : Commande des systèmes de production connectés au réseau

Comme (𝑣𝑔𝑞 = 0 ), les puissances active et réactive varient donc en fonction des
composantes directe (igd) et en quadrature (igq) du courant, respectivement, selon les
équations suivantes :
3
𝑃 = 𝑣𝑔𝑑 𝑖𝑔𝑑
2
{ 3 (III.9)
𝑄 = − 𝑣𝑔𝑑 𝑖𝑔𝑞
2
Le schéma simplifié de la boucle de régulation de la puissance active est illustré par
la figure (III.7).
𝑃𝑟𝑒𝑓 𝑲𝒊 𝟏 𝑖𝑔𝑑 𝟑
+ 𝒗 𝑃
+ 𝑲𝒑 + 𝟐 𝒈𝒅
- 𝒔 𝑳. 𝒔 + 𝑹
- 𝑉
𝑔

Figure III.7 : Schéma de la boucle de régulation de puissance active (P) [123].

Où, la fonction de transfert d’un contrôleur PI est définie comme suit :

𝐾𝑖 1
𝐹𝑃𝐼 (𝑠) = 𝐾𝑝 + 𝑠
= 𝐾𝑝 (1 + 𝑇 𝑠) (III.10)
𝐼
Tel que Kp, Ki et TI désignent, respectivement, le gain proportionnel, le gain intégral
et la constante de temps du correcteur PI. Selon le schéma de la figure (III.7), la fonction
de transfert du système en boucle ouvert est donnée par :
1
𝑉𝑀 𝐾𝑝 𝑠+ 1
𝑇𝐼
𝐹𝑏𝑜 (𝑠) = 𝐿
( 𝑠
)( 𝑅 ) (III.11)
𝑠+
𝐿
Tel que VM=3/[Link] . La méthode de compensation des pôles consiste à compenser
1
le pôle de la fonction de transfert ( 𝑅 ) par le zéro du correcteur PI. On pose donc :
𝑠+
𝐿
1 𝐾 𝑅
𝑇𝐼
= 𝐾𝑖 = 𝐿
(III.12)
𝑝

Alors, la fonction de transfert Fbo se simplifie comme suit :

𝑉𝑀 𝐾𝑝
𝐹𝑏𝑜 (𝑠) = (III.13)
𝐿𝑠
De ce fait, la fonction de transfert en boucle fermée du système est exprimée comme
suit :
𝑉𝑀 𝐾𝑝 1
𝐹𝑏𝑜(𝑠) 𝑇𝑏𝑓
𝐹𝑏𝑓 (𝑠) = 1+𝐹𝑏𝑜 (𝑠)
= 𝐿𝑠
𝑉 𝐾𝑝 = 1 (III.14)
1+ 𝑀 𝑠+
𝑇𝑏𝑓
𝐿𝑠

Tel que, la constante de temps du système en boucle fermée Tbf est définie par :
𝐿
𝑇𝑏𝑓 = 𝑉 (III.15)
𝑀 𝐾𝑝

Donc, les paramètres du régulateur PI sont calculés en fonction de la constante de

temps Tbf comme suit :
𝐿 𝑅
𝐾𝑝 = , 𝐾𝑖 = (III.16)
𝑉𝑀 𝑇𝑏𝑓 𝑉𝑀 𝑇𝑏𝑓

La valeur de la constante Tbf choisie est calculée en fonction du temps de réponse

désiré. Les tensions de référence (vd* , vq*), fournies en sortie des contrôleurs des
puissances P et Q, sont transformées à des grandeurs abc via la transformée de Park.
Les composantes (va*, vb*, vc*) sont ensuite envoyées au modulateur de largeur
d’impulsion (SPWM : Sinusoidal Pulse Width Modulation) qui génère les signaux de
commande de l’onduleur.

60
 Chapitre III : Commande des systèmes de production connectés au réseau

III.[Link]. Régulation de la tension du bus CC à base de PSO

La boucle externe de régulation de la tension du bus continu permet d’assurer
l’équilibre de puissance entre les deux côtés de l’onduleur continu (CC) et alternatif
(CA) pour différentes conditions de fonctionnement [9]. Dans cette étude, nous
proposons le réglage des paramètres du contrôleur PI de la tension du bus CC par le
biais d’algorithme d’optimisation par essaim de particules (PSO : Particle Swarm
Optimization), sans nécessité de modèle mathématique.
L’algorithme d’optimisation par essaim particulaire, proposé par Kennedy et
Eberthart en 1995 [124], est un algorithme inspiré du comportement collectif des
sociétés animales comme les nuées d’oiseaux, les bancs de poissons, etc. Cet
algorithme est couramment utilisé pour la résolution des problèmes d’optimisation,
mono ou multi-objectifs, en se basant sur une population de solutions possibles dites
« Particules » [125, 126].
Avec le guide d’un critère de performance, les particules de l’essaim survolent
l’espace de recherche en cherchant la solution optimale du problème posé [125]. Le
taux et la direction de déplacement de chaque particule de l’essaim sont décidés en
exploitant les informations locales sur la solution (i.e, position) et sa qualité ainsi que
les connaissances globales sur les meilleures performances de ses voisins [126,127]. La
Figure (III.8) décrit le mouvement d’une particule de l’essaim, dans l’espace de
recherche, selon le principe de PSO.
Meilleur position locale 𝑃𝑏 𝑖 (𝑘)

Nouvelle position 𝑥𝑖 (𝑘 + 1)

Position courante
𝑥𝑖 (𝑘) Meilleur position globale 𝐺𝑏 (𝑘)

Position atteinte avec la

vitesse actuelle 𝑣𝑖 (𝑘)

Figure III.8 : Déplacement d’une particule de l’essaim dans l’espace de recherche [125].

Ces dernières années, l’algorithme de PSO est largement utilisé dans divers champs
d’application [125-128], vue les avantages qu’il présente à savoir la simplicité de
l’algorithme, l’efficacité de calcul et la facilité d’implémentation. En automatique,
l’algorithme de PSO est fréquemment utilisé pour l’optimisation des paramètres des
contrôleurs classiques ou même pour la substitution des algorithmes de contrôle
traditionnels permettant d’améliorer les performances dynamiques et statiques des
systèmes commandés.
A. Formulation
Etant donné un espace de recherche de dimension D, chaque particule i d’une
population de N individus est caractérisée par son vecteur position 𝑥𝑖 =
(𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝐷 ) qui représente une solution candidate. Le taux de déplacement de la
particule i est défini par un vecteur vitesse 𝑣𝑖 = (𝑣𝑖1 , 𝑣𝑖2 , … , 𝑣𝑖𝐷 ) [125,129]. Par ailleurs,

61
 Chapitre III : Commande des systèmes de production connectés au réseau

chaque particule i de l’essaim doit rappeler sa dernière meilleure position notée 𝑃𝑏 𝑖 =

(𝑃𝑏 𝑖,1 , … , 𝑃𝑏 𝑖,𝐷 ). La meilleure position globale atteinte par les particules de l’essaim est
notée 𝐺𝑏 = (𝐺𝑏 1 , … , 𝐺𝑏 𝐷 ) [125,126].
Au début de l’algorithme de PSO, chaque particule i de l’essaim est initialisée par
une position et une vitesse aléatoire. Ensuite, les nouveaux vecteurs de vitesse et de
position de chaque particule sont calculés selon les équations suivantes [125,129] :
𝑣𝑖,𝑙 (𝑘 + 1) = 𝑤 ∗ 𝑣𝑖,𝑙 (𝑘) + 𝑐1 𝑟1 𝑖,𝑙 (𝑘) (𝑃𝑏 𝑖,𝑙 (𝑘) − 𝑥𝑖,𝑙 (𝑘)) + 𝑐2 𝑟2 𝑖,𝑙 (𝑘) (𝐺𝑏 𝑙 (𝑘) − 𝑥𝑖,𝑙 (𝑘)) (III.17)

𝑥𝑖,𝑙 (𝑘 + 1) = 𝑥𝑖,𝑙 (𝑘) + 𝑣𝑖,𝑙 (𝑘 + 1), 𝑙 ∈ {1, … , 𝐷}, 𝑖 ∈ {1, … , 𝑁} (III.18)

( ) ( )
𝑥𝑖,𝑙 𝑘 + 1 et 𝑥𝑖,𝑙 𝑘 présentent la composante l du vecteur position aux itérations k
et k+1, respectivement. 𝑣𝑖,𝑙 (𝑘 + 1) et 𝑣𝑖,𝑙 (𝑘) représentent la composante l du vecteur
vitesse aux itérations k et k+1, respectivement. N est le nombre des particules de
l’essaim, w est le coefficient d’inertie, c1 et c2 sont les coefficients cognitif et social. r1i,l (k)
et r2i,l(k) sont des nombres aléatoires uniformément distribués dans l’intervalle [0,1].
Afin d‘éviter la divergence de l’espace de recherche, les vecteurs de position et de
vitesse sont bornés comme suit [129]:
𝑋𝑙𝑚𝑖𝑛 ≤ 𝑥𝑖,𝑙 (𝑘 + 1) ≤ 𝑋𝑙𝑚𝑎𝑥 et 𝑣𝑙𝑚𝑖𝑛 ≤ 𝑣𝑖,𝑙 (𝑘 + 1) ≤ 𝑣𝑙𝑚𝑎𝑥 𝑙 ∈ {1, … , 𝐷}, 𝑖 ∈ {1, … , 𝑁} (III.19)
Tel que 𝑋𝑙𝑚𝑖𝑛 et 𝑋𝑙𝑚𝑎𝑥 représentent, respectivement, les bornes inférieure et
supérieure de la lème composante du vecteur position. 𝑣𝑙𝑚𝑖𝑛 et 𝑣𝑙𝑚𝑎𝑥 sont respectivement,
les bornes inférieure et supérieure de la lème composante du vecteur vitesse.
Après chaque déplacement, chaque solution potentielle est évaluée à l’aide d’une
fonction objective convenablement choisie. Ceci permet par la suite de mettre à jour les
vecteurs de meilleure position locale (𝑃𝑏 𝑖 ) et de meilleure position globale (𝐺𝑏 ).

B. Synthèse du régulateur PI basée sur PSO

Dans cette étude, le problème d’optimisation du contrôleur PI de la tension du bus
continu (VDC ) consiste à trouver les paramètres optimaux (KP) et (KI) qui permettent de
minimiser une fonction coût donnée. Cette dernière est formulée en fonction des
performances de contrôle qu’on désire les améliorer. De ce fait, chaque individu de
l’essaim présente une combinaison des gains KP et KI qui est une solution éventuelle de
notre problème.
Donc, nous avons exprimé la fonction coût en fonction de l’indice de performance
ITAE ( Integral Time Absolute Error) et du dépassement maximal Dmax comme suit :
𝑇
𝑐𝑜û𝑡(𝑥𝑖 (𝑘)) = 𝐼𝑇𝐴𝐸 + 𝐷𝑚𝑎𝑥 = ∫0 𝑡|𝑒(𝑡)|𝑑𝑡 + max(𝑒(𝑡)) (III.20)
Avec e(t) est l’erreur entre la consigne VDCref et la tension mesurée VDC,
(e(t)=VDCref- VDC). ITAE désigne l’intégral du temps (t) multiplié par la valeur absolue
d’erreur. T est la période de simulation. Les paramètres optimaux KP et KI permettent
alors de minimiser l’erreur de tension en régime statique et de réduire le dépassement
maximal en régime transitoire. Les étapes de recherche des paramètres du contrôleur
PI sont résumées dans l’organigramme de la figure (III.9).

62
 Chapitre III : Commande des systèmes de production connectés au réseau

Début

Initialiser les positions et les vitesses des particules

Evaluer la fonction coût pour chaque particule

Pour chaque particule mettre : Meilleur coût local = Coût actuel

et Meilleur position locale= Position actuelle

Mettre le meilleur coût global = min (meilleurs coûts locaux)

Mettre à jour le vecteur de vitesse et de position de chaque particule

Evaluer la fonction coût pour chaque particule

Non
Fonction coût actuelle < Meilleur coût local ?
Oui
Mettre meilleur coût local = Coût actuel

Non
Coût actuel < Meilleur coût global ?
Oui
Mettre meilleur coût global = Coût actuel

Non Critère d’arrêt est atteint ?

Oui
Fin

Figure III.9 : Organigramme d’algorithme de PSO [127].

Le coefficient d’inertie (w) affecte considérablement les performances de

l’algorithme de PSO. Il contrôle l’influence de la vitesse courante de déplacement sur
le futur mouvement de la particule d’essaim [125]. Les auteurs dans [130] ont proposé
un coefficient d’inertie dynamique qui décroît graduellement au cours du temps pour
converger rapidement vers l’optimum global. Il commence par une grande valeur
dans la phase d’exploration globale et se réduit linéairement à une valeur minimale
pour effectuer une recherche locale plus fine autour de l’optimum.
Dans ce travail, le coefficient w qui diminue linéairement [128,130] est adopté :
𝑘
𝑤(𝑘) = 𝑤𝑚𝑎𝑥 − (𝑤𝑚𝑎𝑥 − 𝑤𝑚𝑖𝑛 ) (𝐾 ) (III.21)
𝑚𝑎𝑥
Tel que : Kmax est le nombre maximal d’itération. wmax et wmin représentent,
respectivement, les valeurs maximale et minimale du coefficient d’inertie. Une fois les
nouvelles vitesses et positions sont calculées, les vecteurs 𝑃𝑏 𝑖 et 𝐺𝑏 sont adaptés afin de
prendre en compte les particules ayant les meilleures performances. Pour notre
problème de minimisation, on utilise les équations suivantes [125] :
𝑃𝑏 𝑖 (𝑘) 𝑠𝑖 𝑐𝑜û𝑡(𝑥𝑖 (𝑘 + 1)) ≥ 𝑃𝑏 𝑖 (𝑘)
𝑃𝑏 𝑖 (𝑘 + 1) = { (III.22)
𝑥𝑖 (𝑘 + 1) 𝑠𝑖𝑛𝑜𝑛
𝐺𝑏 (𝑘 + 1) = arg min𝑃𝑏𝑖 𝑐𝑜û𝑡 (𝑃𝑏𝑖 (𝑘 + 1)) (III.23)

63
 Chapitre III : Commande des systèmes de production connectés au réseau

Le critère d’arrêt de l’algorithme est d’atteindre le nombre maximal d’itération ou la

valeur désirée de la fonction coût.
III.2.3. Résultats de simulation
Le SPVCR global est développé et simulé dans l’environnement Matlab/Simulink.
Les paramètres de l’algorithme de PSO adopté pour le réglage du correcteur de la
tension CC sont donnés dans le tableau (III.1). Afin de vérifier l’efficacité du schéma de
commande étudié, un test de simulation pour un niveau d’irradiation variable est
effectué. La figure (III.10) illustre les puissances active et réactive pour un niveau
d’éclairement variable (diminue de 1kW/m2 à 0.5kW/m2 puis croît à 0.7kW/m2) et une
température constante (T=25°C). La figure (III.11) montre l’évolution de la tension du
bus continu. En outre, le courant triphasé en sortie de l’onduleur est illustré par la figure
(III.12).
Paramètre Valeur
Nombre maximal d’itération Kmax=20.
Nombre des particules d’essaim N=6.
Les coefficients cognitif et social C1=C2=2.
Coefficient d’inertie maximal et minimal wmax=0.9, wmin=0.4

Tableau III.1 : Paramètres d’algorithme de PSO.

Les résultats de simulation montrent des performances statiques satisfaisantes et

une réponse transitoire améliorée. Où, la fréquence de commutation est fixée grâce au
générateur des signaux MLI. Comme le montre la figure (III.10), le schéma DPC assure
une régulation correcte des puissances active et réactive tout en minimisant leurs
erreurs statiques. Le fonctionnement à un facteur de puissance unitaire est assuré en
maintenant la puissance réactive constamment nulle (Qref=0). Alors que, la puissance
active générée par le GPV est totalement injectée au réseau électrique. Comme l’illustre
la figure (III.11), le contrôleur PI basé sur PSO a parfaitement stabilisé la tension du bus
CC à la valeur de consigne (VDCref=400V) après un temps de réponse très court
(d’environ 0.05s). L’algorithme de PSO a correctement déterminé les gains PI optimaux
qui assurent un dépassement réduit (environ 470V) et une erreur statique minimale. Le
courant de sortie de l’onduleur, présenté dans la figure (III.12), est sinusoïdal (le THDI
est d’environ 2.01%) et en phase avec la tension du réseau.

64
 Chapitre III : Commande des systèmes de production connectés au réseau

4
x 10

active power(W)
1

-1
0 0.2 0.4 0.6 0.8 1 1.2
t(s)
4
reactive power(var)

x 10
1

-1
0 0.2 0.4 0.6 0.8 1 1.2
t(s)

Figure III.10 : Variation des puissances active et réactive sous un niveau d’éclairement variable.

500

400
DC-link voltage (V)

300

200

100

0
0 0.2 0.4 0.6 0.8 1 1.2
t(s)

Figure III.11 : Évolution de la tension du bus CC.

10
Inverter output current (A)

-5 10
Inverter output current (A)

-10
0 0.2 0.4 0.6 -5 0.8 1 1.2
t (s)
-10
0.25 0.26 0.27 0.28 0.29 0.3 0.31 0.32 0.33 0.34 0.35
t(s)

Figure III.12 : Variation du courant triphasé injecté au réseau.

65
 Chapitre III : Commande des systèmes de production connectés au réseau

III.3. Commande d’un système de génération éolien connecté au réseau

électrique :
Comme déjà mentionné, les aérogénérateurs ont pour rôle de récupérer une partie
de l’énergie du vent et la convertir en énergie électrique à l’aide d’une génératrice
électrique. La GSAP présente les avantages d’efficacité de conversion et de simplicité
d’intégration au réseau et/ou aux charges électriques. Pour un Système de Génération
d’Energie Eolien (SGEE) basé sur une GSAP, la chaine de conversion à deux étages de
conversion (redresseur-onduleur) est la plus utilisée. Dans cette partie, une étude sur
la stratégie de commande d’un SGEE connecté au réseau est réalisée. Pour le pilotage
du redresseur côté génératrice, un schéma de contrôle direct du couple (DTC : Direct
Torque Control) est adopté. Alors que, le schéma de VOC est opté pour le contrôle des
flux des puissances active et réactive échangées avec le réseau électrique.
III.3.1. Topologie du système de conversion éolien
La topologie du système de production éolien, étudié dans cette partie, est illustrée
par la figure (III.13). Il est basé sur une turbine éolienne à axe horizontal entraînant
une GSAP de 10kW (voir l’annexe A). La structure de conversion composée de deux
convertisseurs en tête-bêche à deux niveaux (Même configuration de la figure (II.20))
est adoptée. Où, un filtre de 1erordre de type RL est utilisé pour le couplage de
l’onduleur au réseau électrique.

R L vga
CDC vgb
GSAP

vgc
Sa,b,c Sa,b,c
isabc , vsabc VDC
iga,b,c
MPPT + Schéma de
Pt , Te , ωt DTC VOC vga,b,c
Figure III.13 : Topologie du système de production éolien étudié.

III.3.2. Contrôle du convertisseur côté génératrice

La stratégie de commande du convertisseur côté génératrice a pour rôle de
contrôler indépendamment le flux statorique et le couple électromagnétique. Ceci peut
être atteint en utilisant la technique de contrôle direct du couple ou la méthode de
contrôle à flux orienté (FOC : Field Oriented Control). Dans la présente étude, on
adopte la technique de DTC pour le pilotage du convertisseur interfaçant la GSAP.
Notons que, la boucle externe de poursuite du PPM du GE permet de générer la
référence du couple électromagnétique.
III.3.2.1. Contrôle direct du couple
Dans les années 1980, I. Takahashi et T. Noguchi [131] ont proposé une technique
de commande pour les machines à induction qui est désignée par contrôle direct du
couple. Plus tard, dans les années 1990, cette méthode a été appliquée aux machines
synchrones à aimants permanents [132-134]. L’idée de base de la technique de DTC
d’une MSAP consiste à contrôler directement et séparément le couple

66
 Chapitre III : Commande des systèmes de production connectés au réseau

électromagnétique et le flux statorique en choisissant d’une manière appropriée le

vecteur des états de commutation des interrupteurs du convertisseur interfaçant la
machine [23,135]. Le schéma de DTC classique est illustré par la figure (III.14). Les
erreurs des amplitudes du couple et du flux sont régulées à l’aide des comparateurs à
hystérésis. Les signaux de sortie de ces derniers sont fournis à un tableau de
commutation prédéfini afin de déterminer le vecteur de tension approprié qui doit être
appliqué au redresseur. Ce vecteur assure la minimisation des erreurs des modules du
couple et du flux et leur limitation dans les bandes d’hystérésis imposées [135].
En comparaison avec la technique de FOC, qui utilise des contrôleurs des courants
dans le repère dq, la structure de DTC présente les avantages de [132-136]:
 Réponse transitoire rapide.
 Faible dépendance des paramètres de la machine.
 Elimination des contrôleurs PI des composantes d et q du courant.
 Suppression du capteur de position rotorique.
Néanmoins, la technique de DTC classique souffre du problème de fréquence de
commutation variable et d’oscillations larges du couple et du flux [134,136]. Pour
surmonter ces problèmes, des variantes de la méthode de DTC ont été proposées dans
la littérature. Une alternative très efficace consiste à remplacer la table de commutation
par un bloc de modulation vectorielle SVM (SVM : Space Vector Modulation). Dans ce
cas, des régulateurs PI pour le couple et le flux sont utilisés au lieu des comparateurs
à hystérésis dans le schéma de base de DTC [136-138].
VDC

𝝓* + 𝑆𝝓
Sa
𝝓 - Tableau de Sb
commutation Sc
𝝎∗𝒕 + Te*+ 𝑆𝑇
PI abc i
- - sabc
Te s isα
𝝎𝒕
Estimation du αβ
flux et du couple isβ GSAP
VDC

Figure III.14 : Schéma classique de DTC d’une GSAP [139].

Dans cette section, le schéma modifié de DTC-SVM, basé sur des contrôleurs PI, est
adopté pour la commande du redresseur interfaçant la GSAP. Où, l’algorithme de PSO
est utilisé pour déterminer hors-ligne les paramètres des régulateurs PI du flux et du
couple électromagnétique. La figure (III.15) montre le schéma de DTC adopté.
 Estimation du couple et du flux
Dans le repère de stationnaire αβ, les composantes α et β du flux statorique de la
GSAP sont données comme suit [139]:
𝑡
ϕ𝑠𝛼 = ∫0 (𝑣𝑠𝛼 − 𝑅𝑠 𝑖𝑠𝛼 )𝑑𝑡 + 𝜙𝑟
{ 𝑡 (III.24)
ϕ𝑠𝛽 = ∫0 (𝑣𝑠𝛽 − 𝑅𝑠 𝑖𝑠𝛽 ) 𝑑𝑡

67
 Chapitre III : Commande des systèmes de production connectés au réseau

𝑣𝑠𝛼 et 𝑣𝑠𝛽 sont les composantes α et β du vecteur de tension statorique. Donc, le

module et l’angle du vecteur du flux statorique peuvent être calculés comme suit
[139] :
𝜙 = √ ϕ𝑠𝛼 2 + ϕ𝑠𝛽 2
𝜙𝑠𝛽
(III.25)
𝜃𝑠 = 𝑡𝑎𝑛−1
{ 𝜙𝑠𝛼
Par ailleurs, le couple électromagnétique est calculé en fonction des composantes α
et β du courant statorique comme suit [73]:
3
𝑇𝑒 = 𝑝(𝜙𝑠𝛼 𝑖𝑠𝛽 − 𝜙𝑠𝛽 𝑖𝑠𝛼 ) (III.26)
2
Comme le montre la figure (III.15), la référence du couple Te* est obtenue de la
boucle externe de régulation de la vitesse de rotation.
isα,isβ 𝝓 ,s
Estimation du PSO s
𝝓
vsα,vsβ flux et du couple Te vsd*
𝝓* + -
abc PI dq
isabc isα
SVM
Te* + αβ
dq isβ FFNN PI
- vsq*
Te isabc
s PSO
Δωt , ΔPt
GSAP

Figure III.15 : Schéma de DTC adopté pour le pilotage du redresseur.

Comme le montre le schéma de la figure (III.15), les erreurs des modules du flux et
du couple sont régulées à l’aide des contrôleurs PI. Ensuite, les composantes vsd* et vsq*
du vecteur de tension de référence sont transformées en coordonnées αβ. Ces
composantes sont envoyées au modulateur SVM afin de générer les signaux de
commande du redresseur. On note que la structure de DTC adoptée performe un
contrôle découplé du flux et du couple sans utilisation de termes de découplage.
III.3.2.2. Poursuite du PPM du GE
Suite à la nature fluctuante du vent, la puissance mécanique générée par la TE varie
non-linéairement dans le temps. La figure (III.16) montre les caractéristiques
puissance-vitesse de rotation d’une éolienne à axe horizontal pour différentes vitesses
de vent (où β=0°). On peut observer que pour chaque vitesse de vent, la courbe de
puissance possède un unique PPM. Le maximum de puissance est obtenu lorsque le
GE tourne avec une certaine vitesse de rotation.
Comme déjà vu, l’implémentation d’un contrôleur MPPT pour la commande d’une
éolienne à vitesse variable (dans la gamme des vitesses moyennes) est indispensable.
Il permet de forcer le GE de fonctionner en permanence au PPM en agissant souvent
sur sa vitesse de rotation. Sans tenir compte de la vitesse de vent, chaque vitesse de
rotation optimale (𝜔𝑡−𝑜𝑝𝑡 ) de l’éolienne permet de maintenir le rapport de vitesse à sa
valeur optimale unique ( 𝜆𝑜𝑝𝑡 ), qui correspond ainsi au coefficient de puissance
maximal ( 𝐶𝑃𝑚𝑎𝑥 ) [25,69] (voir figure (III.16)). Les techniques de MPPT les plus

68
 Chapitre III : Commande des systèmes de production connectés au réseau

répandues sont celles de Contrôle du Couple Optimal (CCO) et de contrôle à rapport

de vitesse optimal.
11000
14m/s
10000

9000 13m/s
8000

12m/s
Puissance Pt(W)

7000

6000
11m/s
5000
10m/s
4000

3000
8m/s
2000

1000

0
0 10 20 30 40 50 60 70 80 90 100
Vitesse de rotation (rad/s)

Figure III.16 : Courbes de puissance Pt(ωt) d’une TE pour différentes vitesses de vent.

III.[Link]. Méthode de MPPT avec un ratio de vitesse optimal

Comme la valeur optimale du rapport de vitesse (TSR : Tip Speed Ratio) est unique
pour différentes vitesses de vent, l’extraction de la puissance maximale de la TE est
assurée en maintenant le TSR constamment fixe à cette valeur.
La figure (III.17) montre que le principe de la technique de contrôle MPPT à TSR
optimal [25,26,69] consiste à ajuster la vitesse de rotation de la turbine (𝜔𝑡 ) pour suivre
sa consigne (𝜔𝑡−𝑜𝑝𝑡 ) correspondante au TSR optimal. Un contrôleur, souvent de type
PI, est utilisé pour la régulation de l’erreur de vitesse rotationnelle afin de forcer le GE
de fonctionner constamment au PPM. Pour chaque vitesse de vent (𝑉𝑊 ), la consigne
𝜔𝑡−𝑜𝑝𝑡 est calculée en fonction du TSR optimal comme suit :
𝑉𝑊 𝜆𝑜𝑝𝑡
𝜔𝑡−𝑜𝑝𝑡 = 𝑅
(III.27)
Cette méthode de commande MPPT requiert la connaissance du TSR optimal (𝜆𝑜𝑝𝑡 )
ainsi que l’utilisation de deux capteurs pour la mesure de la vitesse de vent et de la
vitesse de la génératrice [26].
𝝎𝒕−𝒐𝒑𝒕 𝑻∗𝒆 ou 𝑰∗𝒔𝒒 𝝎𝒕
𝜆𝑜𝑝𝑡 Contrôleur SGEE
𝑉𝑊 +-
𝑅 de vitesse

Figure III.17 : Schéma de commande MPPT par TSR optimal [26].

III.[Link]. Méthode de commande MPPT adoptée

Dans cette étude, la tâche de MPPT du GE est affectée à un perceptron multicouche
(FFNN) qui se base sur le mode d’apprentissage en ligne. Comme le montre la figure
(III.18), le FFNN adopté est constitué de deux neurones d’entrée, trois neurones cachés
et un seule neurone de sortie. Les entrées choisies du FFNN sont la variation de
puissance de la turbine (∆𝑃𝑡 (𝑘) = 𝑃𝑡 (𝑘) − 𝑃𝑡 (𝑘 − 1)) et l’erreur de vitesse de rotation
(∆𝜔𝑡 (𝑘) = 𝜔𝑡 (𝑘) − 𝜔𝑡 (𝑘 − 1)). Alors que, la consigne du couple électromagnétique

69
 Chapitre III : Commande des systèmes de production connectés au réseau

(𝑇𝑒∗ ) est déterminée en sortie du perceptron multicouche. L’évolution du FFNN adopté

est régie par le système d’équations suivant :
(1) (1) (1) (1)
𝑦𝑖 (𝑘) = 𝑔𝑖 (𝑁𝑖 ) = 𝑁𝑖 (𝑘) 𝑖 = 1,2
(2) (2) (2) (2) (1)
𝑦𝑗 (𝑘) = 𝑔𝑗 (𝑁𝑗 ) = 𝑔𝑗 (∑2𝑖=1 𝑤𝑖𝑗𝑛 𝑦𝑖 ) 𝑗 = 1,2,3 (III.28)
(3) (2)
{ 𝑦 (𝑘) = 𝑤0𝑛 + ∑3𝑗=1 𝑤𝑗𝑛 𝑦𝑗 (𝑘) = 𝑇𝑒∗
(1) (1) (1)
Où 𝑁𝑖 , 𝑔𝑖 et 𝑦𝑖 représentent, respectivement, l’entrée, la fonction d’activation et la
(2) (2) (2)
sortie du neurone i de la CE. 𝑔𝑗 , 𝑁𝑗 et 𝑦𝑗 désignent, respectivement, la fonction de
transfert de type tangente hyperbolique, le niveau d’activation et la sortie du neurone j
𝑛
de la CH. 𝑤𝑖𝑗 est le poids de connexion entre la ième entrée et le jème neurone caché du
FFNN. 𝑤0𝑛 est le biais du neurone de sortie, 𝑤𝑗𝑛 est le poids de connexion entre le
neurone caché j et le neurone de sortie. 𝑦 (3) dénote la sortie du FFNN.

𝝈𝝎 (𝒌) Règle
d’apprentissage
Couche cachée
Couche d’entrée (𝟐)
𝒈𝟏 Couche de sortie
∆𝑷𝒕 (𝒌) (𝟐)
𝒈𝟐
𝑻∗𝒆
∆𝝎𝒕 (𝒌) 𝑤0𝑛
𝑤𝑗𝑛
(𝟐)
𝒈𝟑
𝑤𝑖𝑗𝑛 1

Figure III.18 : Structure du FFNN adopté pour la MPPT du GE.

Dans cette étude, nous avons accompli l’apprentissage en-ligne du neuro-

contrôleur MPPT à l’aide de l’algorithme de RP basé sur la méthode de la descente du
gradient [140]. Donc, les règles d’adaptation des poids de connexion du FFNN sont
exprimées comme suit :
𝑛( 𝑛( ) 𝜕𝜎𝜔 (𝑘)
𝑤𝑖𝑗 𝑘 + 1) = 𝑤𝑖𝑗 𝑘 −𝜂 𝑐
𝜕𝑤𝑖𝑗
𝜕𝜎𝜔 (𝑘)
𝑤0𝑛 (𝑘 + 1) = 𝑤0𝑛 (𝑘) − 𝜂 j=1,2,3, i=1,2 (III.29)
𝜕𝑤0𝑛
𝜕𝜎𝜔 (𝑘)
𝑤 𝑛 (𝑘 + 1) = 𝑤𝑗𝑛 (𝑘) − 𝜂 𝜕𝑤 𝑛
{ 𝑗 𝑗

𝜂 est le taux d’apprentissage. Sachant que la pente de la courbe caractéristique

Pt(ωt) de la TE s’annule au PPM, on définit la fonction coût ( 𝜎𝜔 ) du processus
d’entraînement comme suit :
1 2 1
𝜎𝜔 (𝑘) = 2 (𝑆𝑤 (𝑘)) = 2 (𝜆𝜔 . 𝑒𝑤 (𝑘) + 𝑑𝑒𝑤 (𝑘))2
{ ∆𝑃 (𝑘) (III.30)
avec 𝑒𝑤 (𝑘) = (0 − ∆𝜔𝑡 (𝑘))
𝑡

Tel que 𝑑𝑒𝑤 (𝑘) = 𝑒𝑤 (𝑘) − 𝑒𝑤 (𝑘 − 1) et 𝜆𝜔 est une constante positive. Les dérivées
partielles de la fonction coût par rapport aux poids du perceptron sont calculées
comme suit (voir annexe B) :
2
𝜕𝜎𝜔 (𝑘) 𝜕𝑆𝜔 (𝑘) (1)
𝑛
𝜕𝑤𝑖𝑗
= 𝜕𝑦 (3)
𝑆𝜔 (𝑘)𝑤𝑗𝑛 [1 − (𝑦(𝑗 2) ) ] 𝑦𝑖
𝜕𝜎𝜔 (𝑘) 𝜕𝑆𝜔 (𝑘)
𝜕𝑤0𝑛
= 𝜕𝑦 (3)
𝑆𝜔 (𝑘) j=1,2,3, i=1,2 (III.31)
𝜕𝜎𝜔 (𝑘) 𝜕𝑆𝜔 (𝑘) (2)
= 𝑆𝜔 (𝑘)𝑦𝑗
{ 𝜕𝑤𝑗𝑛 𝜕𝑦 (3)

70
 Chapitre III : Commande des systèmes de production connectés au réseau

On remplace (III.31) dans (III.29) en approximant le terme 𝜕𝑆𝜔 (𝑘)/𝜕𝑦 (3)à un. La
mise à jour des paramètres du FFNN se fait alors selon les règles suivantes :
2
𝑛( 𝑛( ) (1)
𝑤𝑖𝑗 𝑘 + 1) = 𝑤𝑖𝑗 𝑘 − 𝜂𝑆𝜔 (𝑘)𝑤𝑗𝑛 [1 − (𝑦(𝑗 2) ) ] 𝑦𝑖
𝑤0𝑛 (𝑘 + 1) = 𝑤0𝑛 (𝑘) − 𝜂𝑆𝜔 (𝑘) j=1,2,3, i=1,2 (III.32)
(2)
{ 𝑤0𝑛 (𝑘 + 1) = 𝑤0𝑛 (𝑘) − 𝜂𝑆𝜔 (𝑘)𝑦𝑗
Par rapport à la technique de contrôle à TSR optimal, cette méthode de MPPT à
base de FFNN adaptatif ne nécessite pas la connaissance des courbes caractéristiques
de l’éolienne. Elle requiert seulement le calcul des erreurs de puissance et de vitesse
de la TE.
III.3.3. Commande à tension orientée de l’onduleur
Le schéma de commande vectorielle VOC, adopté pour le contrôle de l’onduleur
connecté au réseau, est illustré par la figure (III.19). Ce schéma est établi dans le
référentiel synchrone dq, tournant avec une vitesse 𝜔, et orienté de sorte que l’axe d est
aligné avec le vecteur de tension du réseau (voir figure (III.20))[141]. Le principe de la
technique de VOC est basé sur la transformation des grandeurs contrôlées entre le
repère naturel abc et le repère synchrone dq. En régime permanent, les variables de
contrôle deviennent des grandeurs continues dans le référentiel tournant [9,69]. On
note ici que la vitesse de rotation du repère dq est égale à la pulsation de la tension du
réseau 𝜔 = 2𝜋𝑓𝑟é𝑠 , où 𝑓𝑟é𝑠 est la fréquence du réseau.
Comme le montre la figure (III.19), le schéma de VOC est constitué de deux boucles
en cascade de contrôle de tension du bus CC et du courant de réseau. L’objectif de la
commande vectorielle de l’onduleur est de contrôler le courant triphasé de sortie dans
le but de générer des formes d’ondes sinusoïdales (à faible THD ) ayant une fréquence
égale à celle de la tension du réseau. En outre, elle doit maintenir la tension du bus
continu constante en dépit du changement des flux des puissances active et réactive
[9,21].

VDC vgd
PSO
VDCref + - igd* +
PI PI vd*
-
igd + + dq
vga,b,c g ωL Sa
PLL SPWM
Sb
igq ωL
abc Sc
g g igq*=0 + -
PI vq*
abc vgd abc igd
vgabc + +
PSO
dq vgq igabc dq vgq
igq

Figure III.19 : Schéma de VOC de l’onduleur connecté au réseau [21].

71
 Chapitre III : Commande des systèmes de production connectés au réseau

β
q

𝑖𝑔
𝑖𝑔𝛽 d
ω

𝑣𝑔
𝑖𝑔𝑞 𝑖𝑔𝑑
𝜃𝑔 α
𝑖𝑔𝛼
Figure III.20 : Orientation du repère dq selon le vecteur de tension du réseau [141].

En effet, les boucles de contrôle des composantes d et q du courant réseau (igd et igq)
sont responsables de la régulation indirecte des puissances active et réactive et de
l’amélioration de la qualité du courant du réseau. Alors que, la boucle externe de
contrôle de tension (VDC) se charge de la stabilisation de la tension du bus CC en
ajustant la référence du courant direct (igd*). Pour assurer le fonctionnement à un
facteur de puissance unitaire, la consigne du courant en quadrature est fixée à zéro
(igq*=0) [9,69].
Comme le montre la figure (III.19), les tensions des trois phases (a,b,c) du réseau
sont mesurées et envoyées à la PLL afin de déterminer l’angle du vecteur de tension
du réseau g utilisé par les transformées de Park directe et inverse. En outre, le vecteur
du courant réseau dans le repère fixe (abc) est transformé à un vecteur biphasé à deux
composantes igd et igq dans le repère tournant dq. Des contrôleurs de type PI s’occupent
par la suite de la régulation des composantes du courant mesuré (igd et igq) pour qu’elles
suivent les trajectoires de leurs références correspondantes (igd* et igq*).
D’après l’équation (II.62), les dérivées des courants direct et en quadrature peuvent
être exprimées comme suit :
𝑑𝑖𝑔𝑑 1
= 𝐿 (−𝑅𝑖𝑔𝑑 − 𝐿𝜔𝑖𝑔𝑞 − 𝑣𝑔𝑑 + 𝑣𝑑 )
{ 𝑑𝑖𝑑𝑡 1
(III.33)
𝑔𝑞
𝑑𝑡
= 𝐿 (−𝑅𝑖𝑔𝑞 + 𝐿𝜔𝑖𝑔𝑑 − 𝑣𝑔𝑞 + 𝑣𝑞 )
Afin d’achever un contrôle découplé des courants igd et igq et d’améliorer les
performances dynamiques du schéma VOC, les termes de découplage (Lωigd et Lωigq)
et les tensions de compensation 𝑣𝑔𝑑 et 𝑣𝑔𝑞 sont pris en compte comme le montre la
figure (III.19). Les tensions de référence 𝑣𝑑∗ et 𝑣𝑞∗ à l’entrée du générateur SPWM sont
calculées comme suit [69]:
𝑣𝑑∗ = 𝑣𝑖𝑑 + 𝐿𝜔𝑖𝑔𝑞 + 𝑣𝑔𝑑
{ ∗ (III.34)
𝑣𝑞 = 𝑣𝑖𝑞 − 𝐿𝜔𝑖𝑔𝑑 + 𝑣𝑔𝑞
Tel que 𝑣𝑖𝑑 et 𝑣𝑖𝑞 sont les tensions de sortie des contrôleurs des courants selon les
axes d et q, respectivement. Le modulateur SPWM s’occupe ensuite de la génération
des signaux de commande des interrupteurs de puissance de l’onduleur.
III.3.3.1. Contrôle de la tension du bus continu
Le bus continu subit des variations aléatoires de l’énergie issue du redresseur. En
outre, les perturbations du réseau peuvent affectées considérablement la tension du
bus CC. Donc, elle doit être maintenue constante afin d’assurer l’équilibre d’énergie

72
 Chapitre III : Commande des systèmes de production connectés au réseau

entre l’entrée et la sortie de l’onduleur triphasé [141]. Comme l’indique la figure

(III.19), un contrôleur PI est utilisé pour la régulation de la tension VDC dont la fonction
de transfert est définie par 𝑇𝑣 (𝑠) = 𝐾𝑝𝑣 + 𝐾𝑖𝑣 ⁄𝑠 . Tel que 𝐾𝑝𝑣 et 𝐾𝑖𝑣 sont,
respectivement, les gains proportionnel et intégral du contrôleur de tension. Le bloc
diagramme simplifié de la boucle de régulation de la tension du bus CC est illustré par
la figure (III.21). En supposant que la boucle de contrôle du courant est idéale
(dynamique rapide par rapport à celle de la boucle externe de tension), sa fonction de
transfert est approximée à l’unité (TI(s) ≈1) [61]. En conséquence, la fonction de
transfert du système en boucle fermée vaut :
𝐾𝑝𝑣
𝐾𝑝𝑣 𝑠+𝐾𝑖𝑣 𝑠+1
𝐾𝑖𝑣
𝑇𝑉 (𝑠) = 𝐶 2 = 𝐶𝐷𝐶 𝐾𝑝𝑣 (III.35)
𝐷𝐶 𝑠 +𝐾𝑝𝑣 𝑠+𝐾𝑖𝑣 𝑠2 + 𝑠+1
𝐾𝑖𝑣 𝐾𝑖𝑣

CDC représente la capacité du bus CC. Cette fonction de transfert a la même forme
canonique suivante [61]:
1+𝑇𝑛 𝑠
𝑇𝑉 (𝑠) = 1 2 2𝜉 (III.36)
𝑠 + 𝑠+1
𝜔2𝑛 𝜔𝑛

Avec 𝜔𝑛 est la bande passante en boucle fermée et 𝜉 représente le facteur

d’amortissement. En comparant les équations (III.35) et (III.36), les paramètres du
contrôleur PI sont déterminés par :
𝐾𝑝𝑣 = 2𝜉𝐶𝐷𝐶 𝜔𝑛 ; 𝐾𝑖𝑣 = 𝐶𝐷𝐶 𝜔𝑛2 (III.37)
On impose un facteur d’amortissement 𝜉 = 0.9 et une pulsation 𝜔𝑛 = 𝜔⁄7 pour
calculer les paramètres 𝐾𝑝𝑣 et 𝐾𝑖𝑣 du correcteur PI de tension.

VDCref + igd* IDC – 𝟏 VDC

PI TI(s)≈1
𝑪𝑫𝑪 . 𝒔
- +
+
Iin
+
Figure III.21 : Bloc diagramme de la boucle de régulation de tension du bus CC.

III.3.3.2. Optimisation des contrôleurs des courants d et q

La boucle interne de contrôle du courant doit avoir une dynamique rapide
relativement à la dynamique de la boucle externe de contrôle de tension [9]. Les
tensions 𝑣𝑖𝑑 et 𝑣𝑖𝑞 en sortie des contrôleurs PI des courants selon les axes d et q sont
calculées suivant les équations suivantes :
𝐾𝑖𝑑 𝐾𝑖𝑑 ∗
𝑣𝑖𝑑 = (𝐾𝑝𝑑 + 𝑠
) 𝑒𝑖𝑑 (𝑡) = (𝐾𝑝𝑑 +
𝑠
) (𝑖𝑔𝑑 − 𝑖𝑔𝑑 )
{ 𝐾𝑖𝑞 𝐾𝑖𝑞 (III.38)
∗
𝑣𝑖𝑞 = (𝐾𝑝𝑞 + ) 𝑒𝑖𝑞 (𝑡) = (𝐾𝑝𝑞 + ) (𝑖𝑔𝑞 − 𝑖𝑔𝑞 )
𝑠 𝑠
Avec (𝐾𝑝𝑑 , 𝐾𝑝𝑞 ) et (𝐾𝑖𝑑 , 𝐾𝑖𝑞 ) sont les gains proportionnel et intégral des contrôleurs PI
des courants selon les axes d et q, respectivement. 𝑒𝑖𝑑 (𝑡) et 𝑒𝑖𝑞 (𝑡) sont les erreurs des
courants direct et en quadrature. Les paramètres des correcteurs PI des courants igd et
igq sont couramment déterminés à l’aide de la méthode de placement de pôles ou autre
méthode classique. Dans cette étude, afin d’améliorer les performances du schéma
VOC, les paramètres des contrôleurs PI des courants (igd et igq) sont déterminés hors-
ligne via l’algorithme de PSO.

73
 Chapitre III : Commande des systèmes de production connectés au réseau

III.3.4. Synthèse des régulateurs PI à l’aide de PSO

Comme déjà mentionné, on adopte l’algorithme PSO pour le réglage des
contrôleurs PI du flux et du couple ainsi que les correcteurs PI des composantes d et q
du courant du réseau. On note ici, que le correcteur du flux statorique est identique à
celui du couple électromagnétique. De plus, les contrôleurs des courants selon les axes
d et q sont analogues. Dans ce cas, chaque agent d’essaim à quatre dimensions présente
une solution candidate du problème de réglage des paramètres PI. L’objectif
d’optimisation des correcteurs PI du couple et du courant direct consiste alors à
trouver les gains optimaux (𝐾𝑝𝑇 𝐾𝑖𝑇 , 𝐾𝑝𝑑 ,𝐾𝑖𝑑 ) qui permettent de minimiser la fonction
coût choisie.
Pour le réglage des paramètres du contrôleur PI du couple (Te), la fonction coût f1
est définie comme suit :
𝑇
𝑓1 (𝑥𝑖 (𝑘)) = 𝐼𝑇𝑆𝐸 = ∫0 𝑡(𝑒𝑇 (𝑡))2 𝑑𝑡 (III.39)
Avec eT(t) est l’écart entre la consigne du couple électromagnétique (Te*) et sa
mesure (Te), (eT(t)=Te*(t)-Te(t)). ITSE (Integral Time Square Error) désigne l’intégral du
temps (t) multiplié par l’erreur quadratique du couple. T est la durée de simulation.
D’autre part, la fonction coût f2 adoptée pour la détermination des gains du
correcteur PI du courant d du réseau est imposée comme :
𝑇
𝑓2 (𝑥𝑖 (𝑘)) = ∫0 𝑡(𝑒𝐼 (𝑡))2 𝑑𝑡 (III.40)
Avec eI(t) est l’erreur entre la consigne du courant igd* et la valeur mesurée igd, (eI(t)=
igd*(t) - igd(t)). La fonction objective globale d’algorithme de PSO est donc définie :
Min (0.5. 𝑓1 (𝑥𝑖 (𝑘)) + 0.5. 𝑓2 (𝑥𝑖 (𝑘))) (III.41)
Par ailleurs, afin d’accélérer la convergence vers la solution optimale, l’expression
(III.21) du coefficient d’inertie w est adoptée. En outre, les coefficients cognitif et social
sont choisis d’être variant dans le temps. Le coefficient c1 est choisi d’être linéairement
décroissant. Alors que, c2 est défini par une formule linéairement croissante [128]:
𝑘
𝑐1 (𝑘) = 𝑐1,𝑚𝑎𝑥 − (𝑐1,𝑚𝑎𝑥 − 𝑐1,𝑚𝑖𝑛 ) (𝐾 )
𝑚𝑎𝑥
{ 𝑘
(III.42)
𝑐2 (𝑘) = 𝑐2,𝑚𝑖𝑛 + (𝑐2,𝑚𝑎𝑥 − 𝑐2,𝑚𝑖𝑛 ) (𝐾 )
𝑚𝑎𝑥

c1,min, c1,max et c2,min, c2,max représentent, respectivement, les bornes inférieure et

supérieure des coefficients c1 et c2. On suit les mêmes étapes que ceux de l’algorithme
de PSO décrit dans la section (III.[Link]) en tenant compte les équations (III.21), (III.22),
(III.23), (III.41) et (III.42).
III.3.5. Résultats de simulation
Le SGEE proposé est étudié pour différents scénarios à l’aide du logiciel
Matlab/Simulink. Les paramètres de l’algorithme PSO sont récapitulés dans le tableau
(III.2). Afin de vérifier les performances du schéma de commande adopté, nous avons
accompli deux tests de simulation du SGEE.

74
 Chapitre III : Commande des systèmes de production connectés au réseau

Paramètre Valeur
Nombre maximal d’itération Kmax=35.
Nombre des particules d’essaim N=6.
Les valeurs maximale et minimale des C1min=C2min=1.
coefficients cognitif et social C1max=C2max=2
Coefficients d’inertie maximal et minimal wmax=0.9, wmin=0.4
Paramètres des contrôleurs du couple et 𝐾𝑝𝑇 = 15.5, 𝐾𝑖𝑇 = 600, 𝐾𝑝𝑑 =
du courant direct. 690.2872, 𝐾𝑖𝑑 = 2

Tableau III.2 : Paramètres d’algorithme de PSO adopté pour le SGEE.

Dans le premier cas, nous avons testé le SGEE sous la vitesse nominale du vent
(VW=14m/s). La figure (III.22) montre la variation de la puissance mécanique et de la
vitesse rotationnelle de la TE. L’évolution du couple de la TE et du flux statorique est
décrite par la figure (III.23). Les composantes d et q du courant du réseau, la tension
du bus continu et les puissances active et réactive sont représentés dans la figure
(III.24). Il est clair de la figure (III.22) que le GE a atteint rapidement le point
d’opération optimal après un temps de réponse de l’ordre de 0.02s. En comparaison
avec le contrôleur par TSR optimal, le FFNN offre un dépassement minimal et une
réponse transitoire plus rapide. Les régulateurs PI ajustés à l’aide de l’algorithme de
PSO ont garanti des réponses transitoire et statique satisfaisantes. Nous pouvons
constater de la figure (III.23.a) que l’indice de performance choisi (ITSE) permet
d’avoir des meilleures performances de contrôle que le critère ISE (Integral Square
Error). En outre, la figure (III.24) montre que les objectifs de contrôle de l’onduleur
triphasé sont achevés à l’aide du schéma de VOC. Les composantes d et q du courant
réseau suivent parfaitement leurs consignes qui sont atteintes après un temps de
réponse d’environ 0.032s. Le fonctionnement à un facteur de puissance unitaire est
donc assuré en maintenant la puissance réactive constamment nulle. De plus, la
puissance générée par le GE est totalement injectée au réseau électrique. Le régulateur
PI de tension du bus CC offre ainsi des performances de contrôle satisfaisantes : un
dépassement maximal de l’ordre de 1031V et un temps de réponse d’environ 0.35s.

10000
Pussance de la TE (W)

8000

6000

4000

2000

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t(s)
(a)

100
vitesse de rotation de la TE (rad/s)

PI
80
FFNN

60

40

20

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t(s)
(b)

Figure III.22 : Evolution de la : a) Puissance mécanique, b) Vitesse de rotation de la TE dans le

premier cas de simulation.

75
 Chapitre III : Commande des systèmes de production connectés au réseau

200

Couple de la TE (N.m)
150

100 ISE
ITSE

50

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t(s)
(a)

0.09

0.085
Module du flux (Wb)

0.08
flux
0.075 flux*

0.07

0.065
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t(s)
(b)

Figure III.23 : Evolution du : a) Couple de la TE, b) Module du flux dans le premier cas de
simulation.
50
1000
composante d du courant (A)

tension du bus CC(V)

0 800

-50 Id 600
Idref
400 Vdcref
-100
Vdc
200
-150
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
t(s) t(s)
(a) x 10
4 (c)
30 3
Iq
composante q du courant (A)

25 2
Puissance P (W) e Q (VAr)

Iqref

20 1

15
0
10
-1
P
5
Q
-2
0
-3
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
t(s) t(s)
(b) (d)

Figure III.24 : Evolution de : a) Composante d du courant réseau, b) Composante q du courant

réseau, c) Tension du bus CC, d) Puissances active et réactive dans le premier cas de simulation.

Dans le deuxième test de simulation, le SGEE est subi à un changement de vitesse

de vent de 9m/s à 11m/s à l’instant 0.7s, puis change à 13m/s à t=1.3s. Les couples Te*,
Te et Tt et la vitesse de rotation de la TE sont représentés par la figure (III.25). Les
erreurs des courants selon les axes d et q ainsi que la tension du bus CC sont illustrées
par la figure (III.26). Il est clair de la figure (III.25) que le contrôleur MPPT adopté
fonctionne correctement et force la TE de fonctionner au PPM correspondant à chaque
vitesse du vent. Par rapport au contrôleur à TSR optimal, le FFNN offre des
dépassements plus réduits et des réponses transitoires plus rapides (voir figure
(III.25.b)). D’autre part, il est clair de la figure (III.26.a) que les composantes d et q du
courant du réseau suivent précisément les trajectoires de leurs consignes avec un
temps de réponse d’environ 0.047s. On constate ainsi de la figure (III.26.b) que le
correcteur de tension du bus CC a assuré des performances de régulation acceptables.

76
 Chapitre III : Commande des systèmes de production connectés au réseau

150

couple Te et Tt (Nm)
100
Te
Te*
50 Tt

0
0 0.5 1 1.5 2
t(s)
(a)
vitesse de rotation wt(rad/s)

60

50

40

30 TSR-optimal
20 FFNN

10

0
0 0.5 1 1.5 2
t(s)
(b)

Figure III.25 : Evolution de : a) Couple Te*, Te et Tt b) Vitesse de rotation de la TE dans le

deuxième cas de simulation.
60
composantes d et q du courant (A)

Idref
40 Id
Iq
Iqref
20

-20

0 0.5 1 1.5 2
t(s)
(a)

1000 Vdcref
Vdc
Tension du bus CC (V)

800

600

400

200

0
0 0.5 1 1.5 2
t(s)
(b)

Figure III.26 : Evolution de : a) Composantes d et q du courant réseau, b) Tension du bus CC

dans le deuxième cas de simulation.

[Link] par LF d’un système de génération basé sur une PAC-OS

Comme déjà mentionné dans le chapitre I, les PACs présentent une alternative très
prometteuse pour la Génération Décentralisée (GD) d’énergie électrique. Les PAC-OSs
peuvent être utilisées dans des systèmes de production connectés ou isolés du réseau
de distribution. Pour faire fonctionner le mieux possible un système de GD à base de
PAC, une structure de commande appropriée doit être implémentée afin d’assurer le
pilotage de son interface d’électronique de puissance. Différentes stratégies de
commande ont été proposées dans la littérature [29,31,34] dans le but de garantir une
meilleure utilisation des combustibles par la PAC, d’optimiser les performances
dynamiques et d’améliorer la qualité d’énergie produite. Des techniques de

77
 Chapitre III : Commande des systèmes de production connectés au réseau

commande basées sur la LF [46,60,142] sont récemment appliquées aux systèmes de

GD à base de PACs. Ceci est à cause des nombreux avantages qu’offrent les CLFs à
savoir la non nécessité de modélisation mathématique du système, la robustesse face
à la perturbation et la capacité de traitement des données incertaines et imprécises
[90,92]. Pour cette raison, une stratégie de commande basée sur la LF est adoptée dans
cette partie afin de piloter le conditionneur de puissance qui interface la PAC-OS avec
le réseau électrique [143].
[Link] du système de production à PAC-OS
La topologie du système de GD connecté au réseau, étudié dans cette section, est
illustrée par la figure (III.27). La chaine de conversion de puissance considérée est
composée d’une PAC-OS de puissance nominale 100kW, d’un convertisseur CC-CC
survolteur, d’un onduleur triphasé à trois niveaux (3L-NPC), d’un filtre RL pour
l’interconnexion au PCC (Point of Common Coupling) et d’une charge CA.
iga,b,c
+ +
PAC-OS Convertisseur Convertisseur Réseau
Vfc VDC Filtre RL
CC-CC CC-CA
- -
Sfc Sa,b,c Charge
Ifc CA
Contrôle en Commande
cascade VDC en mode PQ Pref, Qref , vga,b,c

Figure III.27 : Structure du système de GD basé sur une PAC-OS.

Dans le système adopté, le convertisseur élévateur est utilisé pour accroître le

niveau de la tension en sortie du stack de la PAC à une valeur assez élevée à l’entrée
de l’onduleur. Le convertisseur 3L-NPC employé dans cette chaine de conversion
possède la même structure que celle présentée par la figure (II.20). Ce convertisseur se
charge de la conversion de la puissance continue délivrée par le hacheur survolteur à
une puissance alternative au PCC. De plus, il permet de contrôler le flux des
puissances active et réactive échangées avec la charge et/ou le réseau électrique. Le
système complet est donc implémenté et étudié dans MATLAB/Simulink.
III.4.2. Système de commande du conditionneur de puissance
Dans cette étude, une structure de commande à deux boucles de contrôle en cascade
est adoptée pour le convertisseur survolteur. Elle a pour rôle de stabiliser la tension
du bus continu ainsi que de contrôler le courant de sortie de la PAC-OS. D’autre part,
un schéma de contrôle de puissance, dit ainsi structure de commande en mode PQ [10],
est associé à l’onduleur 3L-NPC connecté au réseau. Où, des contrôleurs flous sont
adoptés afin d’assurer la régulation découplée des puissances active et réactive en
sortie de l’onduleur.
[Link]ôle du convertisseur élévateur
Comme le montre la figure (III.28), le schéma de commande du convertisseur
élévateur est constitué de deux boucles de contrôle : La boucle externe de contrôle de

78
 Chapitre III : Commande des systèmes de production connectés au réseau

la tension du bus continu est basée sur un contrôleur flou. Tandis que, la boucle interne
de régulation du courant de sortie de la PAC est basée sur un contrôleur PI classique.
Ce dernier génère le rapport cyclique (D) utilisé pour la génération du signal de
commande MLI du convertisseur boost.
VDCref + Ifcref + D Générateur
Sfc
CLF PI MLI
-
- 𝑑
𝑑𝑡 Ifc
VDC
Figure III.28 : Schéma de contrôle du convertisseur boost.

Le rôle principal du CLF est de stabiliser la tension du bus CC en dépit des

variations des conditions de fonctionnement. Les entrées du CLF de la tension du bus
CC sont l’erreur de tension (eVdc(k)=VDCref(k)-VDC(k)) et la variation d’erreur (ΔeVdc(k)).
La loi de commande en sortie du CLF qui représente la consigne du courant de la PAC
(Ifcref) est calculée selon la formule suivante :
𝑖𝑓𝑐𝑟𝑒𝑓 (𝑘) = ∆𝑖𝑓𝑐𝑟𝑒𝑓 (𝑘) + 𝑖𝑓𝑐𝑟𝑒𝑓 (𝑘 − 1) (III.43)
Ce CLF est basé sur le modèle flou de Mamdani et utilise des ensembles flous
triangulaires pour les entrées et la sortie comme le montre la figure (III.29). Tel que, les
labels linguistiques NB, NM, NS, ZE, PS, PM et PB désignent, respectivement, Négatif
grand, Négatif Moyen, Négatif petit, Zéro, Positif petit, Positif Moyen, et Positif grand.
On note que la méthode d’inférence Max-Min et l’implication de Mamdani sont
adoptées pour ce CLF. En outre, la méthode de défuzzification de « centre de gravité »
est choisie pour convertir les valeurs floues de la variable de sortie à des valeurs
numériques. La base des règles du CLF est donnée par le tableau (III.3).
NB NM NS ZE PS PM PB
1
Degree of membership

0.8

0.6

0.4

0.2

0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1

Figure III.29 : FAs des entrées et de la sortie du CLF de la tension du bus CC.
𝒆𝑽𝒅𝒄
NB NM NS ZE PS PM PB
∆𝒆𝑽𝒅𝒄
NB NB NB NB NB NM NS ZE
NM NB NM NB NM NS ZE PS
NS NB NB NS ZE ZE PS PM
ZE NB NM ZE ZE ZE PM PB
PS NM NS ZE ZE PS PB PB
PM NS ZE PS PM PB PM PB
PB ZE PS PM PB PB PB PB

Tableau III.3 : Base des règles du CLF de la tension du bus CC.

79
 Chapitre III : Commande des systèmes de production connectés au réseau

III.4.2.2. Commande en puissance de l’onduleur

Le rôle principal de la structure de commande de l’onduleur 3L-NPC est de réguler
les puissances active et réactive au PCC. Les exigences de connexion au réseau
électrique doivent être également satisfaites. Comme le montre la figure (III.30), le
schéma de commande vectorielle en mode PQ est établi dans le référentiel tournant dq
dans le but d’accomplir un contrôle découplé des puissances P et Q de l’onduleur. Le
principe de contrôle en mode PQ est le même que celui de VOC présenté dans la
section (III.3.3). La différence réside dans la boucle externe de contrôle de la puissance
active (P) qui remplace la boucle de contrôle de tension du bus CC dans le schéma
classique. En outre, la référence du courant en quadrature est régulée à l’aide d’une
boucle externe de contrôle de la puissance réactive (Q).
vgd

Pref + idref + + +
CLF PI
- - +
P id vcd *
ωL dq /
abc PWM
ωL
iq vcq*
Qref + - + -
CLF PI 𝜽𝒈
- iqref + +
Q vgq
𝜽𝒈 vgd
vga,b,c dq
PLL /abc vgq

Figure III.30 : Commande en mode PQ de l’onduleur 3L-NPC.

Les puissances active et réactive instantanées sont calculées en fonction des tensions
des phases du réseau et des courants mesurés au PCC (𝑖𝑐𝑎 ,𝑖𝑐𝑏 ,𝑖𝑐𝑐 ) comme suit :
𝑃 = 𝑣𝑔𝑎 𝑖𝑐𝑎 + 𝑣𝑔𝑏 𝑖𝑐𝑏 + 𝑣𝑔𝑐 𝑖𝑐𝑐
{ 1 (III.44)
𝑄= [(𝑣𝑔𝑏 − 𝑣𝑔𝑐 )𝑖𝑎 + (𝑣𝑔𝑐 − 𝑣𝑔𝑎 )𝑖𝑏 + (𝑣𝑔𝑎 − 𝑣𝑔𝑏 )𝑖𝑐 ]
√3
Dans cette étude, les régulateurs traditionnels PI des puissances active et réactive
sont remplacés par des CLFs en raison de leurs propriétés avantageuses. L’objectif de
commande ici est de maintenir des bonnes performances de contrôle et d’assurer une
haute qualité d’énergie sous des conditions variables du réseau et de demande
d’énergie. Les CLFs proposés sont basés sur le modèle d’inférence de TSK d’ordre zéro
(voir section II.3.1.4.). Dans ce cas, l’inférence par Somme-Produit et le calcul de sortie
par la méthode de moyenne pondérée (wtaver dans Matlab) sont adoptés. Les entrées
de chaque régulateur flou sont l’erreur (e) et la variation d’erreur (Δe) de la variable
contrôlée (P ou Q). Alors que, la sortie de chaque CLF (P ou Q) est l’incrément de la
consigne de la composante d ou q du courant de référence (Δidref ou Δiqref). Les lois de
commande en sortie des CLFs sont donc calculées comme suit :

𝑖𝑑𝑟𝑒𝑓 (𝑘) = ∆𝑖𝑑𝑟𝑒𝑓 (𝑘) + 𝑖𝑑𝑟𝑒𝑓 (𝑘 − 1)

{ (III.45)
𝑖𝑑𝑟𝑒𝑓 (𝑘) = ∆𝑖𝑑𝑟𝑒𝑓 (𝑘) + 𝑖𝑑𝑟𝑒𝑓 (𝑘 − 1)

80
 Chapitre III : Commande des systèmes de production connectés au réseau

Les FAs des entrées et de sortie du contrôleur de puissance (P et Q) sont illustrées

par la figure (III.31). La base des règles floues est donnée par le tableau (III.4).
NB NM NS ZE PS PM PB
1
NB NM NS ZE PS PM PB

Degree of membership
1
Degree of membership

0.8
0.8

0.6
0.6

0.4 0.4

0.2 0.2

0 0
-1 -0.5 0 0.5 1 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
error and change of error (e and de) control output

Figure III.31. FAs des entrées et de la sortie du CLF de puissance P et Q.

Δe
NB NM NS ZE PS PM PB
e
NB NB NB NB NB NM NS ZE
NM NB NM NM NM NS ZE PS
NS NB NM NS NS ZE PS PM
ZE NM NM ZE ZE ZE PM PM
PS NM NS ZE PS PS PM PB
PM NS ZE PS PM PM PM PB
PB ZE PS PM PB PB PB PB
Tableau III.4 : Base des règles du CLF des puissances active et réactive.

Par ailleurs, les erreurs des courants selon les axes d et q sont contrôlés séparément
à l’aide des correcteurs PI. Les gains de ces derniers sont déterminés à l’aide de la
méthode de placement des pôles. Comme l’indique la figure (III.30), les tensions de
référence fournies à l’entrée du modulateur SPWM sont utilisées pour générer les
signaux de commande de l’onduleur 3L-NPC.
III.4.3.Résultats de simulation
Afin de valider l’efficacité du schéma de commande adopté deux tests de
simulation sont effectués :
 Un test pour un changement des consignes des puissances.
 Un test en présence d’un creux de tension du réseau.
Le comportement du système de GD est examiné pour une variation de la consigne
de la puissance active (Pref) à l’instant t=0.3s de 100 à 150kW, puis un changement à
l’instant t=0.5s vers la valeur de 100kW. La référence de la puissance réactive croît de
zéro à la valeur de 30kVAr durant la période de temps [0.3s-0.5s].
La figure (III.32) illustre la tension et le courant de sortie de la PAC-OS en régimes
transitoire et statique. L’évolution de la tension du bus continu est décrite par la figure
(III.33). Il est clair que la PAC-OS fonctionne au point de puissance correspondant à la
valeur nominale (100kW) durant toute la période de simulation. La figure (III.33)
démontre que le CLF de tension a maintenu la tension du bus CC constamment fixe à
la valeur désirée de 700V. De plus, la figure (III.34) montre que les puissances active et
réactive suivent correctement leurs consignes correspondantes grâce aux CLFs
adoptés. Le contrôle découplé des puissances active et réactive est assuré avec des

81
 Chapitre III : Commande des systèmes de production connectés au réseau

performances dynamiques et statiques satisfaisantes. Quand la puissance active

demandée par la charge CA excède la capacité maximale du stack (Pload>100kW),
durant la période [0.3s,0.5s], le réseau électrique intervient afin de fournir l’énergie
requise comme l’indique la figure (III.34). Tandis que, lorsque la PAC-OS peut
répondre à l’exigence totale de la charge CA (Pload ≤100kW), la puissance fournie par le
réseau reste constamment nulle. D’autre part, la figure (III.34) confirme que l’onduleur
triphasé a garanti la compensation de la puissance réactive de la charge CA.
Un deuxième test de simulation est effectué en présence d’un creux de tension du
réseau durant la période [0.25s-0.4s]. Dans ce cas, la puissance demandée par la charge
CA est maintenue constante (Pref = 100kW, Qref = 0kVar). Il est clair de la figure (III.35),
que le schéma de commande adopté agit correctement durant toute la période de
simulation. Malgré l’occurrence du creux de tension, la tension du bus CC est stabilisée
à la valeur de référence. En outre, les puissances active et réactive sont contrôlées
précisément et convergent rapidement vers leurs consignes correspondantes en dépit
de la perturbation.
Les résultats obtenus dans cette étude valident la capacité d’adaptation des CLFs
adoptés, leurs réponses dynamiques rapides et leur comportement robuste vis-à-vis la
perturbation.
FC voltage (V)
FC voltage (V)

300 360

200
340
100

0 320
0 0.05 0.1 0.15 0.2 0.25 0 0.05 0.1 0.15 0.2
t(s) t(s)
(a) (a)

400 400
FC current (A)
FC current (A)

200 300

200
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0 0.05 0.1 0.15 0.2
t(s) t(s)
(b) (b)

Figure III.32 : Evolution de la tension et du courant de sortie de la PAC-OS durant le premier cas
de simulation.
900 900

800 850

800
700
750
DC-link voltage (V)

600
DC-link voltage (V)

700
500
650
400
600
300
550
200
500
100
450
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0 0.05 0.1 0.15 0.2
t(s) t(s)

Figure III.33 : Evolution de la tension du bus CC dans le premier cas de simulation.

82
 Chapitre III : Commande des systèmes de production connectés au réseau

5
x 10
Pgrid

Active power (W)

2
Pload
Pinverter
1

-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
t(s)
4 (a)
x 10
Reactive power (VAr)

4 Qgrid
Qload
Qinverter
2

-2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
t(s)
(b)
Figure III.34 : Variation des puissances active et réactive de l’onduleur, du réseau et de la
charge CA durant le premier cas de simulation.
5
Pinverter(W) and Qinverter(VAr)

x 10
Pinv
Qinv
1

-1
0 0.1 0.2 0.3 0.4 0.5 0.6
t(s)
(a)

800
DC-link voltage (V)

600

400

200

0
0 0.1 0.2 0.3 0.4 0.5 0.6
t(s)
(b)
Figure III.35 : Evolution de : a) Puissances active et réactive d’onduleur, b) Tension du bus-CC
durant le deuxième cas de simulation.

III.5. Conclusion
Dans ce chapitre, trois types de systèmes de production connectés au réseau
électrique sont étudiés. L’objectif visé était d’étudier le comportement dynamique des
sources d’énergie (PV, éolienne et PAC-OS) et d’examiner les schémas de commande
les plus populaires dans la littérature. Des TIAs sont adoptées dans le but d’optimiser
les méthodes classiques de régulation des correcteurs PI ainsi que pour remplacer les
contrôleurs PI classiques. L’algorithme de PSO présente une alternative très
prometteuse pour la synthèse des régulateurs PI classiques. Son avantage principal
réside dans la simplicité et la non exigence de modélisation mathématique du système
commandé. Par ailleurs, les contrôleurs flous peuvent efficacement substituer les
contrôleurs classiques et assurer des bonnes performances dynamiques et statiques.

83
 Chapitre III : Commande des systèmes de production connectés au réseau

Les résultats de simulation, présentés dans ce chapitre, démontrent l’efficacité des

schémas de commande adoptés et valident leurs performances de contrôle
satisfaisantes.
Dans le chapitre suivant, nous procédons à l’hybridation d’un GPV avec d’autres
sources d’énergie complémentaires tout en formant un micro-réseau. Nous adoptons
pour ce dernier un schéma de commande intelligent dans le but de garantir des bonnes
performances statiques et dynamiques pour différents scénarios.

84
 Chapitre IV

Commande neuronale d’un micro-réseau (CA/CC) hybride

 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

IV.1. Introduction
Ces dernières décennies, les RNAs reçoivent un intérêt majeur de la part de la
communauté de recherche dans différents domaines. Dans le domaine d’électronique
de puissance, les RNAs présentent un outil très efficace pour la commande non linéaire
des systèmes énergétiques qui subissent divers types de perturbation et des variations
paramétriques. Ceci se justifie par les propriétés pertinentes des RNAs à savoir la
capacité d’entraînement, d’approximation et de généralisation.
Comme nous l’avons évoqué précédemment, on discrimine selon la manière avec
laquelle l’apprentissage est réalisé deux catégories [12]: les RNAs entraînés hors-ligne
et les RNAs entraînés en-ligne. L’apprentissage hors-ligne des réseaux neuronaux est
couramment accompli en utilisant une base de données collectées auparavant via des
expériences ou des modèles mathématiques du système à commander. Néanmoins, la
tâche d’apprentissage hors-ligne d’un RNA est souvent lente. Dans certaines
situations, la collecte des patrons d’apprentissage qui couvrent une large gamme de
fonctionnement du système commandé est laborieuse. Lorsque le système est difficile
à modéliser et/ou les données expérimentales sont insuffisantes, l’utilisation des
RNAs qui s’entraînent en-ligne s’avère plus adéquate. Ces derniers possèdent
l’aptitude de s’adapter dynamiquement aux incertitudes des systèmes contrôlés [12].
Dans ce chapitre, nous nous intéressons à la problématique de la commande
intelligente des micro-réseaux hybrides. D’abord, on commence par un état de l’art sur
les études antérieures réalisées sur les MRs hybrides. Ensuite, nous allons présenter
un bref aperçu sur les techniques de commande neuronale déjà proposées dans la
littérature pour la MPPT des sources PV et éolienne. Après, nous allons étudier le
comportement d’un microréseau hybride (CA/CC) en adoptant une stratégie de
commande intelligente basée sur les RNAs adaptatifs. Enfin, les résultats de
simulation sont fournis afin d’affirmer l’efficacité et la robustesse de la structure de
supervision/commande proposée face au changement des conditions de
fonctionnement.

IV.2. Etat de l’art sur les systèmes de production décentralisée

Aujourd’hui, l’intégration des systèmes de génération décentralisée, basés sur des
SERs, dans les réseaux de distribution suscite beaucoup d’intérêt vue les nombreux
avantages qu’ils apportent. En effet, un système de production d’énergie combinant
différents types de générateurs électriques (CC et CA), des dispositifs de stockage
d’énergie et des charges de consommation (CC et CA) est appelé micro-réseau
[6,144,145]. L’utilisation des convertisseurs d’électronique de puissance dans ce type
de système est indispensable afin d’interfacer les unités de production de nature
différente avec les charges locales. D’ailleurs, le fonctionnement du MR peut être en
mode autonome ou en mode connecté au réseau public. Pour chaque mode
d’opération, un schéma de commande adéquat doit être implémenté afin de garantir
une fourniture continue d’une énergie de haute qualité aux utilisateurs finaux [46,145].
Le rôle primordial d’un Système de Gestion d’Energie (SGE) centralisé est de
superviser les flux énergétiques et d’assurer une bonne coordination entre les
différentes sources du MR. De plus, un contrôleur local développé pour chaque unité

85
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

de production permet de commander convenablement leurs dynamiques variantes

dans le temps [7,146]. Plus récemment, diverses études de recherche ont été réalisées
sur des MRs hybrides traitant les aspects de supervision énergétique, de
dimensionnement optimal, etc.
Le comportement dynamique d’un MR (PV/TE/SSEB/microturbine) autonome est
examiné dans [56]. Des contrôleurs locaux et un SGE central sont développés afin
d’assurer la réponse à la demande énergétique des charges. Les auteurs ont également
accompli une étude sur le dimensionnement optimal du SEH. La validation du
système est faîte par simulation dans l’environnement Matlab/Simulink.
G. Boukettaya et al ont proposé dans [50] un système de supervision d’un MR
(PV/TE/volant d’inertie) utilisé pour une application résidentielle. Le superviseur
suggéré est capable de déterminer en-ligne le mode d’opération du MR selon certains
critères et contraintes de fonctionnement. Le test des performances est réalisé par
simulation pour différents scénarios.
Un MR (CA/CC) hybride composé des sources PV et éolienne avec batteries de
stockage est étudié dans [146]. Le MR proposé est capable d’opérer dans les deux
modes isolé et connecté au réseau. Où, le schéma de commande associé à chaque mode
de fonctionnement est convenablement conçu afin d’assurer la réponse aux exigences
des charges locales. Les simulations effectuées affirment l’efficacité de cette structure
de commande.
Dans [147], le comportement d’un système PV comportant une unité hybride de
stockage d’énergie (Batteries/Supercondensateur) et fonctionnant en mode raccordé
au réseau est étudié. Une stratégie simple de supervision est proposée pour déterminer
les modes de fonctionnement du SEH. Les auteurs ont accompli différents tests de
simulation afin de valider le schéma de gestion suggéré.
Dans l’objectif de satisfaire constamment les besoins énergétiques, les performances
de différents algorithmes évolutionnaires appliqués au dimensionnement optimal
d’un SEH (PV/éolien/SSEB) sont analysées et évaluées dans [148]. En outre, une
méthode de dimensionnement d’un MR hybride composé d’une source PV d’une
source d’appoint et d’un SSEB est proposée dans [149].
En effet, la fluctuation de production d’origine renouvelable, la variation aléatoire
de la demande de charge et les défauts provenant du réseau ont un impact négatif sur
le fonctionnement et la stabilité des MRs. L’utilisation des structures de
gestion/contrôle avancées voire intelligentes pour ce type de systèmes s’avère adéquat
afin d’assurer un fonctionnement efficace avec des bonnes performances dynamiques.
D’ailleurs, plusieurs travaux antérieurs ont été orientés vers l’application des
techniques de l’intelligence artificielle à savoir la LF, les RNAs, les ANFISs et les
algorithmes évolutionnaires à la commande/contrôle des systèmes de génération
hybrides.
P. G. Trivino et al dans [3] ont accompli une étude sur la stratégie de commande
d’un MR (PV/TE/SSEB/PAC/Electrolyseur) connecté au réseau. L’algorithme de
PSO est adopté pour l’ajustement en-ligne des paramètres des correcteurs PI inclus au
sein du schéma de commande en puissance de l’onduleur. L’analyse des performances
de l’approche proposée est achevée par simulation dans Matlab/Simulink.

86
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

Dans [46], l’étude est faîte sur un MR connecté au réseau qui se compose d’une
source PV, d’une PAC-OS et d’un banc de batteries. Les auteurs ont proposé des
contrôleurs flous par mode glissant pour assurer le contrôle découplé des puissances
active et réactive. Des résultats de simulation dans Matlab/Simulink sont présentés
afin de valider le schéma de contrôle suggéré.
Un schéma de contrôle basé sur un superviseur ANFIS central et des contrôleurs
flous par mode glissant est proposé dans [60] pour un SEH (PAC/super-condensateur)
connecté au réseau. Leur objectif de commande était de garantir un fonctionnement
correct du MR même lors l’occurrence du creux de tension du réseau. L’efficacité de la
méthode proposée est approuvée par simulation dans Matlab/Simulink.
Une structure de commande en puissance basée sur des ANFISs est proposée dans
[150] pour le pilotage d’un onduleur au sein d’un SEH (PV/éolien/PAC/
électrolyseur/réservoir d’hydrogène/SSEB) couplé au réseau. En tenant compte le
SOC du SSEB, un superviseur d’énergie centralisé à base d’ANFIS est également
développé pour déterminer les puissances qui doivent être générées ou stockées dans
le système d’hydrogène et le SSEB. Les résultats de simulation sont fournis afin de
démontrer la faisabilité de ce système de commande.
Un SGE centralisé établi à base de la LF est proposé dans [151] afin d’assurer la
supervision des flux énergétiques dans un SEH (PV/TE/PAC/SSEB/électrolyseur)
autonome. Ce superviseur assigne les consignes des puissances à l’électrolyseur et à la
PAC suivant la puissance demandée par la charge et le SOC du SSEB. Les
performances du SGE flou sont évaluées par simulation.
La tendance actuelle de recherche est l’utilisation des TIAs pour l’ajustement des
paramètres ou la substitution des contrôleurs classiques insérés dans les structures de
commande traditionnelles. Néanmoins, la stratégie de supervision/commande d’un
MR doit être choisie de sorte qu’un bon compromis entre l’efficacité et la simplicité
soit assuré.
IV.3. Aperçu sur les techniques de MPPT des SERs utilisant des RNAs
Comme déjà mentionné, la production d’énergie PV et éolienne est très fluctuante
en raison de leur forte dépendance des conditions météorologiques. En conséquence,
il est indispensable d’associer aux SERs des organes de commande qui se chargent de
la recherche des points de fonctionnement optimal afin d’extraire en permanence le
maximum d’énergie disponible. D’ailleurs, un algorithme de MPPT doit être capable
de s’adapter dynamiquement aux changements climatiques en assurant des bonnes
performances de poursuite du PPM.
De nombreux travaux antérieurs ont focalisé leurs études sur la thématique de
MPPT des SERs dont l’objectif de commande était d’améliorer le rendement
énergétique des SERs. Récemment, un grand intérêt est accordé aux contrôleurs MPPT
basés sur des RNAs, notamment, ceux qui qui s’entraînent en ligne. Grâce à la capacité
d’entraînement et de traitement des non-linéarités, les suiveurs neuronaux peuvent
assurer des bonnes performances statiques et dynamiques qui surpassent celles des
algorithmes MPPT classiques.

87
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

Le Tableau (IV.1) (voir page 89) donne un bref aperçu sur les RNAs déjà proposés
dans la littérature pour la commande MPPT des sources PV et éolienne. On mentionne
pour chaque RNA : le type, la structure, les entrées/sorties, l’algorithme
d’apprentissage ainsi que la fonction coût associée.
Les remarques qui peuvent être faites à propos ces travaux sont les suivantes :
 L’algorithme de RP basé sur la règle de la descente du gradient est le plus utilisé
pour l’entraînement des RNAs.
 Tous les RNAs évoqués utilisent le type d’apprentissage supervisé.
 Le type des fonctions d’activation, le taux d’apprentissage, les termes de biais
sont les facteurs qui influent d’une manière significative sur les performances
des RNAs.

A l’opposé du RNA entrainé hors ligne, le RNA qui apprend en ligne ne requiert
pas une connaissance a priori du modèle et des caractéristiques de la SER (PV ou
éolienne). En outre, il n’exige que peu d’information provenant du système afin de
décider l’action de commande adéquate [12,157]. Vue ces avantages, nous nous
focalisons dans cette étude sur les RNAs entrainés en ligne comme des moyens de
contrôle intelligent et adaptatif.
Dans ce chapitre, une étude sur un MR hybride (CA/CC) fonctionnant en mode
couplé au réseau électrique est achevée. Ce système consiste en une agrégation d’une
source PV, d’un GE, d’une PAC-OS, d’un SSEB et des charges locaux à CC et à CA. Un
SGE centralisé basé sur la LF est proposé pour la supervision des flux énergétiques
dans le MR. Des contrôleurs neuronaux avec une adaptation en-ligne de leurs
paramètres sont proposés pour la poursuite des PPMs des SERs. De plus, des
contrôleurs linéaires adaptatifs basés sur des ADALINEs sont introduits pour la
commande du SSEB et de la PAC-OS. En outre, un schéma de commande prédictive
est appliqué au SGEE afin d’achever un contrôle découplé du couple
électromagnétique et du flux de la GSAP. D’autre part, une stratégie de contrôle direct
de puissance avec orientation du flux virtuel (VF-DPC : Virtuel Flux Direct Power
Control) est adoptée pour le pilotage de l’onduleur triphasé. Un FFNN est proposé
pour la régulation de la tension du bus continu. Alors que, deux contrôleurs basés sur
des ENNs sont adoptés pour assurer le contrôle du transfert bidirectionnel de la
puissance active ainsi que la compensation de la puissance réactive de charge CA.
L’algorithme d’interaction adaptative est utilisé pour l’ajustement en temps réel des
poids des connexions des réseaux FFNN et ENN. Le MR étudié est simulé dans
l’environnement Matlab/Simulink pour différents scénarios afin de vérifier et valider
l’efficacité des contrôleurs neuronaux proposés [158].

88
Type de Référence et Algorithme
Type de RNA Entrées Sortie Fonction coût
source année d’apprentissage
FFNN à trois - Vitesse du générateur. Erreur quadratique
Incrément de l’angle de - En ligne.
[152], 2012. couches - Consigne de vitesse. de vitesse de
phase du GE. - Règle de Widrow–Hoff.
(3×4×1) - Sortie du RNA. rotation.
- Supervisé, en ligne.
- Erreur de vitesse de
- RP basé sur la descente du Erreur quadratique
ENN rotation de la TE. Consigne du courant en
[153], 2012. gradient. de la puissance de la
- Variation d’erreur de quadrature de la GSAP.
(2×9×1) - Ajustement des taux TE.
vitesse.
d’apprentissage via PSO.
- Supervisé, en ligne.
- Erreur de vitesse de
Éolienne - RP basé sur la descente du Erreur quadratique
RBFN rotation. Consigne du courant en
[154], 2013. gradient. de la vitesse de
- Courant en quadrature de quadrature de la GSAP.
(2×9×1) - Adaptation des paramètres rotation.
la GSAP.
d’apprentissage par PSO.
- Erreur de puissance de la
- Supervisé, en ligne. Erreur quadratique
génératrice. Référence de l’angle de
[54], 2013. ENN modifié - RP basé sur la descente du de la puissance de la
- Dérivée d’erreur de calage.
gradient. génératrice.
puissance.
- Supervisé, en ligne. Produit de la surface
- Surface de glissement Consigne de l’angle de
[155],2014. RBFN - RP basé sur la descente du de glissement par sa
(S(t)). calage.
gradient. dérivée (𝑆. 𝑆̇).
RBFN - Tension PV. - Supervisé.
Erreur quadratique
[54], 2013. - Courant PV. Tension de référence. - RP basé sur la descente du
(3×9×1) de tension PV.
- Température. gradient.
- Tension PV.
GRNN - Algorithme modifié de Définie en fonction
[155],2014. - Courant PV. Tension de référence.
PSO. de l’erreur de tension.
Quatre couches. - Température.
PV - Supervisé, hors ligne.
- Tension PV.
[156],2015. FFNN Tension de référence. - RP basé sur la méthode de Ce n’est pas précisé.
- Courant PV.
Levenberg-Marquardt.
- Erreur de la pente de la Erreur quadratique
Un seul neurone - Supervisé, en ligne.
courbe PPV(VPV) (𝑒 = 0 − Rapport cyclique du de la pente de la
[157], 2015. caché à fonction - RP basé sur la descente du
𝑑𝑃𝑃𝑉 ⁄𝑑𝑉𝑃𝑉 ). hacheur buck. courbe PPV(VPV) (𝑒 2 /
sigmoïdale. gradient.
- Dérivée d’erreur. 2).
Tableau IV.1 : Aperçu sur les RNAs utilisés pour la MPPT des sources PV et éolienne.

89
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

IV.4. Configuration du MR hybride

Le terme « MR CA/CC hybride» est utilisé dans cette thèse pour désigner un MR
composé de sources d’énergie CC et CA ainsi que des charges locales à CC et à CA
[145].
La configuration du MR (CA/CC) étudié dans ce chapitre est illustrée par la figure
(IV.1). Le GPV de puissance crête 21kW est relié au bus continu à travers un
convertisseur élévateur. La TE à axe horizontal entraîne une GSAP de puissance
nominale 10kW. Le redresseur à deux niveaux sur le côté génératrice se charge de la
conversion de l’énergie produite par l’éolienne. En outre, la PAC-OS de puissance
nominale 10kW est interfacée au bus CC via un hacheur survolteur. Alors que, le
couplage entre le SSEB et le bus CC est réalisé par le biais d’un convertisseur
dévolteur-survolteur. L’onduleur triphasé à deux niveaux est couplé au réseau
électrique à l’aide d’un Filtre Passe Bas (FPB) de type LC. On note ainsi que les charges
CC à puissance constante (CPLs : Constant Power Loads) sont interfacées au bus CC
via des convertisseurs de puissance [145].

Charge
CC

TE+ Convertisseur

GSAP CA-CC
Charge
isabc
Contrôleur du CA
Vw , Te , ωe GE

+ +
Convertisseur Convertisseur Filtre
PAC-OS Vfc VDC CDC
CC-CC CC-CA LC
- -
Ifc ica,b,c Réseau
Contrôleur de
VDC
Pfc*, Vfc PAC VFDPC-SVM Qref
SOC Pnet
+
Convertisseur Convertisseur
PV VPV SSEB SGE-LF
CC-CC CC-CC
- Pb* Pfc*
IPV Ib
Contrôleur du
Pb*
VPV Contrôleur du
GPV SSEB Vb

Figure IV.1 : Bloc diagramme du MR (CA/CC) hybride.

IV.5. Structure de commande du MR hybride

L’objectif capital du MR adopté est de minimiser la quantité d’énergie soutirée du
réseau principal et de fournir une énergie électrique de haute qualité aux charges
locales et/ou au réseau. La coordination optimale entre les SERs, la PAC-OS et le SSEB
est donc essentielle en vue de garantir la satisfaction continue des besoins énergétiques
des charges (CA et CC). Dans ce chapitre, une stratégie de commande intelligente

90
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

basée sur des RNAs adaptatifs est développée afin d’assurer une gestion efficace
d’énergie dans le MR hybride. Dans ce qui suit, les organes de commande du système
de supervision/commande proposé seront amplement présentés.
IV.5.1. Commande neuronale de la source PV
Comme déjà mentionné, l’algorithme d’IncCond est largement utilisé pour la
poursuite des PPMs des sources PV. Cette technique de MPPT assure la régulation de
la tension de sortie du GPV selon la valeur de la consigne correspondante au point de
fonctionnement optimal (voir section (III.2.2.1)). Les avantages principaux de
l’algorithme d’IncCond résident dans sa simplicité et sa facilité de mise en œuvre.
Toutefois, sa vitesse de convergence et leurs oscillations statiques autour du PPM
dépendent notamment de la largeur du pas de perturbation de la tension de référence :
Un incrément (ΔVref) assez grand de la consigne (Vref) augmente simultanément
l’erreur statique et la vitesse de convergence du contrôleur d’IncCond et vice versa.
Dans cette étude, un neuro-contrôleur basé sur un RBFN à un seul neurone caché
(SN-RBFN: Single Neuron Radial Basis Function Network) est adopté pour accomplir
la tâche de MPPT du GPV. Le but visé ici est d’améliorer la précision de poursuite du
PPM et d’optimiser les performances dynamiques de l’algorithme d’IncCond. La
régulation du point d’opération de la source PV est donc réalisée à l’aide du
convertisseur survolteur. La figure (IV.2) illustre le schéma de commande du hacheur
PV établi dans l’environnement Matlab/Simulink.
Le suiveur du PPM proposé est conçu en se basant sur le principe de la méthode
d’IncCond [113,115]. Où, la capacité d’apprentissage du SN-RBFN garantit son auto-
adaptation aux changements des conditions climatiques. Donc, le contrôleur SN-RBFN
adopté est composé d’un seul neurone dans la couche cachée dont la fonction
d’activation gaussienne est définie par [101,159]:
‖𝒙−𝒄‖2
𝑓 (𝒙) = 𝑒𝑥𝑝 (− 2𝑏 2
)=ℎ (IV.1)
Avec c=[c11,c21,c31] est le vecteur centre de la fonction gaussienne f(x), b est la largeur
de f(x) et x=[x1,x2,x3] est le vecteur des entrées du SN-RBFN. ‖ ‖ désigne la norme
Euclidienne. La sortie du réseau SN-RBFN est calculée comme suit [159]:
𝑦 = 𝑉𝑝𝑣𝑟𝑒𝑓 = 𝑎0 + 𝑎1 𝑓(𝒙) (IV.2)
a0 et a1 représentent, respectivement, le biais et le poids du SN-RBFN et Vpvref est la
tension de référence du GPV. Les entrées choisies du régulateur SN-RBFN sont :
 La conductance instantanée (x1=IPV/VPV).
 La conductance incrémentale (x2=ΔIPV/ΔVPV).
 L’erreur de la tension de référence (x3=ΔVpvref(k)=Vpvref(k)-Vpvref(k-1)).
Comme l’indique la figure (IV.2), un contrôleur PI se charge de la régulation de la
tension du GPV (VPV) pour qu’elle suive sa consigne issue du SN-RBFN. Le rapport
cyclique en sortie de ce correcteur est ensuite comparé avec un signal triangulaire afin
de générer le signal de commande du hacheur.

91
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

Figure IV.2: Contrôleur SN-RBFN du GPV implémenté dans l’environnement Matlab/Simulink.

On adopte un algorithme d’apprentissage supervisé, basé sur la méthode de la

descente du gradient [157,160], pour l’ajustement en-ligne des paramètres du SN-
RBFN. La fonction coût (σ(k)) d‘algorithme d’entraînement du contrôleur SN-RBFN est
donc définie comme suit :
𝜎(𝑘) = 𝑒𝑦 (𝑘)2 ⁄2 = (𝑦𝑑 (𝑘) − 𝑦(𝑘))2 ⁄2 (IV.3)
Tel que yd désigne la tension désirée en sortie du SN-RBFN et ey(k) représente
l’erreur de tension de référence à l’itération k. Les lois d’adaptation des gains du SN-
RBFN sont alors exprimées suivant la méthode de la descente du gradient comme suit :
𝑎𝑖 (𝑘 + 1) = 𝑎𝑖 (𝑘) + ∆𝑎𝑖 (𝑘) + 𝛼(𝑎𝑖 (𝑘) − 𝑎𝑖 (𝑘 − 1))
{𝑐𝑗1 (𝑘 + 1) = 𝑐𝑗1 (𝑘) + ∆𝑐𝑗1 (𝑘) + 𝛼 (𝑐𝑗1 (𝑘) − 𝑐𝑗1 (𝑘 − 1)) , 𝑗 = 1,2,3 𝑒𝑡 𝑖 = 0,1 (IV.4)
𝑏(𝑘 + 1) = 𝑏(𝑘) + ∆𝑏(𝑘) + 𝛼(𝑏(𝑘) − 𝑏(𝑘 − 1))
L’objectif principal du processus d’apprentissage du SN-RBFN est de minimiser la
fonction d’erreur σ(k). Selon le principe de l’algorithme de RP basé sur la descente du
gradient, les paramètres ai, cj1 et b du SN-RBFN sont modifiés en évaluant les dérivées
de la fonction coût σ(k) par rapport à ces gains. Ce calcul est fait en propageant le terme
d’erreur en arrière à travers le réseau. On trouve donc :
𝜕𝜎 𝜕𝜎 𝜕𝑦
∆𝑎0 (𝑘) = −𝜇 𝜕𝑎 = −𝜇 𝜕𝑦 𝜕𝑎 = 𝜇𝑒𝑦 (𝑘)
0 0
𝜕𝜎 𝜕𝜎 𝜕𝑦
∆𝑎1 (𝑘) = −𝜇 𝜕𝑎 = −𝜇 𝜕𝑦 𝜕𝑎 = 𝜇𝑒𝑦 (𝑘)𝑓(𝑥)
1 1
𝜕𝜎 𝜕𝜎 𝜕𝑦 𝜕ℎ , 𝑗 = 1,2,3 (IV.5)
∆𝑐𝑗1 (𝑘) = −𝜇 𝜕𝑐 = −𝜇 𝜕𝑦 𝜕ℎ 𝜕𝑐 = 𝜇𝑎1 𝑒𝑦 (𝑘)(𝑥𝑗 − 𝑐𝑗1 ) 𝑓(𝑥)⁄𝑏2
𝑗1 𝑗1
𝜕𝜎 𝜕𝜎 𝜕𝑦 𝜕ℎ 2 3
{ ∆𝑏(𝑘) = −𝜇 𝜕𝑏 = −𝜇 𝜕𝑦 𝜕ℎ 𝜕𝑏 = 𝜇𝑎1 𝑒𝑦 (𝑘)‖𝑥 − 𝑐‖ 𝑓(𝑥)⁄𝑏
Où μ et α désignent, respectivement, le taux d’apprentissage et le momentum.
On définit la variable Gin(k)= ((IPV/VPV)+(ΔIPV/ΔVPV))(k) qui prend la valeur de zéro
au PPM (voir figure (III.2)). Puisque la sortie désirée du contrôleur SN-RBFN (yd) est
inconnue, on remplace l’erreur de sortie ey(k) dans le système d’équation (IV.5) par
l’erreur eG(k)=(0-Gin(k)) [157]. En conséquence, la mise à jour des paramètres du
contrôleur SN-RBFN de la source PV se fait selon les équations suivantes :
𝑎0 (𝑘 + 1) = 𝑎0 (𝑘) + 𝜇𝐺𝑖𝑛 (𝑘) + 𝛼(𝑎0 (𝑘) − 𝑎0 (𝑘 − 1))
𝑎1 (𝑘 + 1) = 𝑎1 (𝑘) + 𝜇𝐺𝑖𝑛 (𝑘)𝑓(𝑥) + 𝛼(𝑎1 (𝑘) − 𝑎1 (𝑘 − 1))
, 𝑗 = 1,2,3 (IV.6)
𝑐𝑗1 (𝑘 + 1) = 𝑐𝑗1 (𝑘) + 𝜇𝑎1 𝐺𝑖𝑛 (𝑘)(𝑥𝑗 − 𝑐𝑗1 ) 𝑓(𝑥)⁄𝑏 2 + 𝛼 (𝑐𝑗1 (𝑘) − 𝑐𝑗1 (𝑘 − 1))
{ 𝑏(𝑘 + 1) = 𝑏(𝑘) + 𝜇𝑎1 𝐺𝑖𝑛 (𝑘)‖𝑥 − 𝑐‖2 𝑓(𝑥)⁄𝑏 3 + 𝛼(𝑏(𝑘) − 𝑏(𝑘 − 1))

92
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

Une fois Gin(k) s’annule, sous certaines conditions climatiques, le contrôleur SN-
RBFN stabilise au point de fonctionnement atteint qui correspond au PPM.
IV.5.2. Commande prédictive du SGEE
Actuellement, la commande prédictive apparaît comme une alternative très efficace
et adéquate pour le pilotage et le contrôle des convertisseurs de puissance et des
machines électriques. De manière générale, le principe d’une méthode de contrôle
prédictif consiste à utiliser le modèle du système à commander pour la prédiction du
comportement futur des variables contrôlées. La décision sur l’action de commande
adéquate est faîte par l’intermédiaire d’un critère de performance [72]. Le schéma de
commande prédictive à réponse pile (en anglais: deadbeat control) est le plus répandu.
La structure de commande du redresseur triphasé, reliant la GSAP au bus CC, est
illustrée par la figure (IV.3). Un organe de commande MPPT basé sur un réseau
ADALINE est implémenté afin d’assurer un asservissement précis de la vitesse de
rotation du GE. De plus, une méthode de contrôle prédictif à réponse pile (DPCM :
Deadbeat Predictive Control Method) [161-163] est appliquée pour le pilotage du
convertisseur côté génératrice. Le rôle principal du contrôleur local du SGEE est de
poursuivre en permanence le PPM du GE ainsi que de contrôler séparément le couple
électromagnétique et le flux de la GSAP.

Figure IV.3 : Schéma de commande prédictive du SGEE.

IV.5.2.1. Contrôle adaptatif de la vitesse de rotation

En général, des contrôleurs PI linéaires sont utilisés pour la régulation de la vitesse
de rotation des GEs afin d’extraire le maximum d’énergie du vent. Toutefois,
l’utilisation d’un contrôleur PI à paramètres fixes dans un SGEE dynamique et variant
dans le temps peut conduire à des mauvaises performances dynamiques et statiques
[152]. Pour surmonter ce problème, nous avons adopté un contrôleur adaptatif de type
ADALINE pour l’asservissement de la vitesse de rotation du GE.
Le contrôleur ADALINE proposé est composé d’un seul neurone à fonction
d’activation linéaire (voir figure (II.31)). Les composantes du vecteur d’entrée de
l’ADALINE sont définies comme suit :
 La vitesse de rotation mesurée à l’instant actuel ωe(k).
 L’erreur de poursuite de consigne de la vitesse, eω(k), calculée comme
eω(k)=ωe*(k)-ωe(k). Tel que ωe*(k) est la référence de la vitesse rotationnelle.
 La valeur précédente d’erreur de vitesse eω(k-1).
En omettant le terme de biais de l’ADALINE, la sortie est calculée comme suit
[12,164]:

93
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

𝑦𝑤 (𝑘) = 𝑇𝑒∗ (𝑘) = ∑𝑛=3 𝑇

𝑖=1 𝑥𝑖 (𝑘)𝑤𝑖 (𝑘) = 𝑋𝜔 . 𝑊𝜔 (IV.7)
𝑤𝑖 désigne le poids correspondant à la ième entrée et n présente le nombre des signaux
d’entrée. Xω et Wω représentent, respectivement, les vecteurs des entrées et des poids
d’ADALINE. La sortie du réseau ADALINE, 𝑦𝑤 , représente alors la consigne du
couple électromagnétique 𝑇𝑒∗.
La règle α-LMS est donc adoptée pour l’ajustement en-ligne des poids d’ADALINE.
Où, l’objectif du processus d’entrainement du contrôleur de vitesse est de minimiser
2
l’erreur quadratique instantanée ( 𝑒𝜔 (𝑘) ). En utilisant le changement de variable
′
suivant [164] : 𝑋 = 0.5 𝑠𝑔𝑛(𝑋𝜔 ) + 0.5𝑋𝜔 , le vecteur des poids Wω est mis à jour selon
la règle suivante:
𝜔 𝑒 (𝑘)𝑋 ′
𝑊𝜔 (𝑘 + 1) = 𝑊𝜔 (𝑘) + 𝛼𝜔 𝜆+‖𝑋 ′ ‖2 (IV.8)
Avec Wω(k+1) est le vecteur des poids à l’instant (k+1). 𝜆 est une constante qui
permet d’éviter la division par zéro. 𝛼𝜔 est le taux d’apprentissage qui affecte
considérablement la vitesse de convergence aux paramètres optimaux du réseau
ADALINE. Donc, l’ajustement en-ligne des poids d’ADALINE assure son auto-
adaptation à n’importe qu’un changement dans les conditions de fonctionnement du
GE.
IV.5.2.2. Schéma de contrôle prédictif à réponse pile
L’idée de base de la commande deadbeat adoptée consiste à utiliser le modèle de la
GSAP pour calculer, à chaque période d’échantillonnage, le vecteur de tension de
référence du redresseur. Ce vecteur doit assurer, au prochain instant
d’échantillonnage, la minimisation des erreurs de poursuite des consignes des
variables contrôlées. En utilisant le vecteur de tension statorique calculé, les
impulsions de commande du redresseur sont générées via le modulateur SVM
[161,162] (voir figure (IV.3)).
Le modèle dq de la GSAP, développé dans la section (II.2.2.4.), est donc utilisé pour
le calcul du vecteur de tension statorique de référence. L’objectif ici de la commande
prédictive est de minimiser les erreurs entre les consignes et les mesures des variables
contrôlées : le couple électromagnétique et le courant statorique direct. Le module du
flux statorique de la GSAP est alors contrôlé indirectement en agissant sur la
composante directe du courant 𝑖𝑠𝑑 . Les composantes du vecteur de tension statorique
(𝑣𝑠𝑑 et 𝑣𝑠𝑞 ), qui doivent être générer à chaque période d’échantillonnage, sont donc
calculées en fonction des erreurs de régulation des grandeurs 𝑇𝑒 et 𝑖𝑠𝑑 .
D’abord, le modèle de la GSAP de l’équation (II.26) est discrétisé en approximant
la dérivée du courant selon la méthode d’Euler comme suit :
𝑑𝐼 𝐼(𝑘+1)−𝐼(𝑘)
𝑑𝑡
≈ 𝑇𝑠
(IV.9)
Où TS est la période d’échantillonnage qui doit être suffisamment petite. En
utilisant la formule (IV.9), les expressions des composantes direct et en quadrature du
courant statorique sont données comme suit :
𝑇𝑠 𝐿𝑠
𝑖𝑠𝑑 (𝑘 + 1) = [−𝑣𝑠𝑑 (𝑘) − 𝑅𝑠 𝑖𝑠𝑑 (𝑘) + 𝐿𝑠 𝜔𝑒 𝑖𝑠𝑞 (𝑘) + 𝑖 (𝑘)]
𝐿𝑠 𝑇𝑠 𝑠𝑑
{ 𝑇 𝐿
(IV.10)
𝑖𝑠𝑞 (𝑘 + 1) = 𝐿𝑠 [−𝑣𝑠𝑞 (𝑘) − 𝑅𝑠 𝑖𝑠𝑞 (𝑘) − 𝐿𝑠 𝜔𝑒 𝑖𝑠𝑑 (𝑘) + 𝜔𝑒 𝜙𝑟 + 𝑇𝑠 𝑖𝑠𝑞 (𝑘)]
𝑠 𝑠

94
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

Tenant compte l’équation (II.28), le courant en quadrature peut être exprimé en

fonction du couple électromagnétique comme suit :
2
𝑖𝑠𝑞 (𝑘) = 3𝑝𝜙 𝑇𝑒 (𝑘) (IV.11)
𝑟
En remplaçant l’équation (IV.11) dans (IV.10), on trouve :
𝑇𝑠 2
𝑖𝑠𝑑 (𝑘 + 1) = 𝐿𝑠 𝜔𝑒 𝑇𝑒 (𝑘)] + 𝑖𝑠𝑑 (𝑘)
[−𝑣𝑠𝑑 (𝑘) − 𝑅𝑠 𝑖𝑠𝑑 (𝑘) +
𝐿𝑠 3𝑝𝜙𝑟
{
3𝑝𝜙 𝑇𝑠 2𝑅
(IV.12)
𝑇𝑒 (𝑘 + 1) = 2𝐿𝑟 [−𝑣𝑠𝑞 (𝑘) − 3𝑝𝜙𝑠 𝑇𝑒 (𝑘) − 𝐿𝑠 𝜔𝑒 𝑖𝑠𝑑 (𝑘) + 𝜔𝑒 𝜙𝑟 ] + 𝑇𝑒 (𝑘)
𝑠 𝑟
L’objectif du contrôle deadbeat [161,163] est d’avoir à l’instant (k+1), les mesures du
couple électromagnétique et du courant direct égales à leurs consignes
correspondantes :
𝑇 ∗ (𝑘 + 1) = 𝑇𝑒 (𝑘 + 1)
{ ∗𝑒 (IV.13)
𝑖𝑠𝑑 (𝑘 + 1) = 𝑖𝑠𝑑 (𝑘 + 1)
Alors, l’équation (IV.12) peut être réécrite comme suit :
∗ (𝑘 𝑇𝑠 2
𝑖𝑠𝑑 + 1) = [−𝑣𝑠𝑑 (𝑘) − 𝑅𝑠 𝑖𝑠𝑑 (𝑘) + 𝐿𝑠 𝜔𝑒 𝑇𝑒 (𝑘)] + 𝑖𝑠𝑑 (𝑘)
𝐿𝑠 3𝑝𝜙𝑟
{
3𝑝𝜙𝑟 𝑇𝑠
(IV.14)
2𝑅𝑠
𝑇𝑒∗ (𝑘 + 1) = [−𝑣𝑠𝑞 (𝑘) − 𝑇𝑒 (𝑘) − 𝐿𝑠 𝜔𝑒 𝑖𝑠𝑑 (𝑘) + 𝜔𝑒 𝜙𝑟 ] + 𝑇𝑒 (𝑘)
2𝐿𝑠 3𝑝𝜙𝑟
∗
Il est clair qu’on doit prédire les valeurs futures des consignes 𝑖𝑠𝑑 et 𝑇𝑒∗ afin de
pouvoir calculer le vecteur de tension de référence du redresseur.
∗
Comme la consigne du courant direct est constamment nulle (𝑖𝑠𝑑 = 0), on peut
∗
assumer que les valeurs actuelle et future de 𝐼𝑠𝑑 sont égaux [161]. On peut donc écrire :
∗ (𝑘 ∗ (𝑘)
𝑖𝑠𝑑 + 1) = 𝑖𝑠𝑑 (IV.15)
D’autre part, la figure (IV.3) montre que la boucle externe de contrôle de vitesse de
rotation de la GSAP détermine la référence actuelle du couple électromagnétique
Te*(k). En supposant que l’erreur de la vitesse de rotation est constante pendant deux
périodes d’échantillonnage successives, la valeur de référence future de Te peut être
estimée en utilisant la formule d’extrapolation linéaire de Lagrange [161,72] (voir
figure (IV.4)). Donc, la consigne du couple à l’instant prochain (k+1) est calculée
comme suit :
𝑇𝑒∗ (𝑘 + 1) = 2𝑇𝑒∗ (𝑘) − 𝑇𝑒∗ (𝑘 − 1) (IV.16)

Te*(k+1)

Te*(k)

Te*(k-1)

Ts Ts
Figure IV.4 : Prédiction de la consigne future du couple Te* [161].

En remplaçant par (IV.15) et (IV.16) dans (IV.14), les composantes selon les axes d
et q du vecteur de tension statorique de référence sont finalement calculées par :
2 𝐿
𝑣𝑠𝑑 (𝑘) = −𝑅𝑠 𝑖𝑠𝑑 (𝑘) + 3𝑝𝜙 𝐿𝑠 𝜔𝑒 𝑇𝑒 (𝑘) − 𝑇𝑠 ∆𝑖𝑠𝑑 (𝑘)
𝑟 𝑠
{ 2𝑅𝑠 2 𝐿𝑠 (IV.17)
𝑣𝑠𝑞 (𝑘) = − 3𝑝𝜙 𝑇𝑒 (𝑘) − 𝐿𝑠 𝜔𝑒 𝑖𝑠𝑑 (𝑘) + 𝜔𝑒 𝜙𝑟 − 3𝑝𝜙 (∆𝑇𝑒 (𝑘) + 𝑑𝑇𝑒∗ (𝑘))
𝑟 𝑟 𝑇𝑠

Avec ∆𝑇𝑒 (𝑘) et ∆𝑖𝑠𝑑 (𝑘) sont, respectivement, les erreurs instantanées de poursuite
des consignes du couple et du courant direct. 𝑑𝑇𝑒∗ (𝑘) représente la variation actuelle de

95
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

la consigne du couple :
∗ (𝑘)
∆𝑖𝑠𝑑 (𝑘) = 𝑖𝑠𝑑 − 𝑖𝑠𝑑 (𝑘)
{ ∆𝑇𝑒 (𝑘) = 𝑇𝑒∗ (𝑘) − 𝑇𝑒 (𝑘) (IV.18)
𝑑𝑇𝑒∗ (𝑘) = 𝑇𝑒∗ (𝑘) − 𝑇𝑒∗ (𝑘 − 1)

IV.5.3. Commande en puissance de la PAC-OS

Comme le montre la figure (IV.5), la régulation de la puissance produite par la PAC-
OS est accomplie à l’aide d’un réseau ADALINE à deux gains adaptatifs. Il a pour rôle
d’assurer la poursuite précise de la trajectoire de consigne imposée par le SGE
centralisé.
L’erreur de puissance de la PAC-OS (𝑒𝑓𝑐 (𝑘)= Pfc(k)-Pfc*(k)) et la variation d’erreur
(𝑑𝑒𝑓𝑐 (𝑘)=efc(k)-efc(k-1)) sont choisies comme entrées du contrôleur de la PAC. Tel que
Pfc*(k) et Pfc(k) présentent, respectivement, la puissance de référence et la puissance
générée par la PAC-OS. Tandis que, le signal de sortie de l’ADALINE représente le
rapport cyclique Dfc(k) qui contrôle le temps de commutation de l’interrupteur du
convertisseur élévateur. Le terme d’erreur 𝐸𝑓𝑐 (𝑘), utilisé pour l’ajustement en-ligne
des paramètres du régulateur de puissance, est défini en fonction de la surface de
glissement 𝑆𝑓𝑐 (𝑘) comme suit :
𝐸𝑓𝑐 (𝑘) = 0−𝑆𝑓𝑐 (𝑘) = −[𝜆1 . 𝑒𝑓𝑐 (𝑘) + 𝑑𝑒𝑓𝑐 (𝑘)] (IV.19)
Avec 𝜆1 est une constante positive.
Selon le principe de la commande par mode glissant (voir annexe C) [165], l’objectif
ici est de mener puis maintenir la trajectoire de la variable d’état (la puissance de sortie
de la PAC) sur la surface de commutation 𝑆𝑓𝑐 (𝑘) = 0 pour tout le temps t>0.
Durant l’entraînement en ligne du contrôleur de la PAC-OS, le vecteur des poids
(𝑊𝑓𝑐 ) est mis à jour à chaque itération selon la règle μ-LMS [12] suivante :
𝑊𝑓𝑐 (𝑘 + 1) = 𝑊𝑓𝑐 (𝑘) + 2𝛼2 𝐸𝑓𝑐 (𝑘)𝑋𝑓𝑐 (𝑘) (IV.20)
Xfc est le vecteur des entrées du réseau ADALINE et 𝛼2 est le taux d’apprentissage.
Dans ce cas, les poids des connexions du contrôleur de la PAC sont adaptés de telle
sorte que la surface de glissement 𝑆𝑓𝑐 (𝑘) tend vers zéro. Ceci signifie que l’erreur de
poursuite de la trajectoire de consigne de puissance est éliminée.

Figure IV.5 : Schéma de commande du convertisseur de la PAC-OS dans Matlab/Simulink.

IV.5.4. Commande en courant du banc de batteries

Comme déjà vu dans le chapitre II, le convertisseur réversible élévateur-abaisseur
comporte deux interrupteurs de puissance qui permettent d’avoir un transfert
bidirectionnel du flux d’énergie. Le SSEB est employé dans le MR étudié comme une

96
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

source secondaire qui permet d’améliorer la réponse du MR aux besoins des charges
électriques. Comme le montre la figure (IV.6), un contrôleur basé sur un réseau
ADALINE est adopté pour le contrôle du courant du banc de batteries (Ib). Ce
régulateur doit garantir la minimisation de l’écart entre la consigne et la mesure du
courant du SSEB pour différents modes d’opération.
Les deux entrées du contrôleur du courant du SSEB sont choisies comme : l’erreur
actuelle du courant 𝑒𝑏 (𝑘) et l’erreur précédente 𝑒𝑏 (𝑘 − 1). Tel que, l’erreur du courant
(𝑒𝑏 (𝑘)) est égale à la différence entre le courant de référence (Ib*(k)) et le courant
mesuré en sortie du SSEB (Ib(k)) (𝑒𝑏 (𝑘) =Ib*(k)-Ib(k)). La référence du courant du SSEB
(Ib*) est déterminée en divisant la consigne de puissance (Pb*) issue du SGE par la
tension de sortie du SSEB. Le rapport cyclique Db(k) en sortie d’ADALINE est comparé
avec un signal triangulaire afin de générer les signaux de commutation du
convertisseur bidirectionnel.
L’adaptation des poids du réseau ADALINE est réalisée en utilisant la surface
d’erreur suivante :
𝐸𝑏 (𝑘) = 0 − 𝑆𝑏 (𝑘) = −[𝜆2 . 𝑒𝑏 (𝑘) + 𝑑𝑒𝑏 (𝑘)] (IV.21)
Tel que 𝑆𝑏 (𝑘) est la surface de glissement du courant de SSEB. 𝜆2 est une constante
positive et 𝑑𝑒𝑏 (𝑘) = 𝑒𝑏 (𝑘) − 𝑒𝑏 (𝑘 − 1) . Le vecteur des poids d’ADALINE (𝑊𝑏 ) est
modifié en-ligne selon la règle d’entraînement de LMS comme suit :
𝑊𝑏 (𝑘 + 1) = 𝑊𝑏 (𝑘) + 2𝛼3 𝐸𝑏 (𝑘)𝑋𝑏 (𝑘) (IV.22)
𝑋𝑏 et 𝛼3 présentent, respectivement, le vecteur d’entrée et le taux d’apprentissage du
contrôleur de SSEB. La vérification de la condition 𝑆𝑏 (𝑘) = 0, en régime permanent,
assure l’élimination de l’erreur statique du courant du SSEB.

Figure IV.6 : Schéma de commande du convertisseur interfaçant le SSEB dans Matlab/Simulink.

IV.5.5. Schéma de VF-DPC de l’onduleur

IV.5.5.1. Estimation du flux virtuel

Ces dernières décennies, l’approche d’estimation du Flux Virtuel (FV) est largement
utilisée pour accomplir une commande sans-capteur de tension (En anglais : voltage
sensorless control) des convertisseurs triphasés [166-171]. Les avantages des schémas
de commande par orientation du FV portent sur l’élimination du capteur de tension
du réseau et la réduction du coût d’implémentation en éliminant le dispositif de PLL.
Dans [166], un schéma de DPC avec orientation du FV (VF-DPC ) est proposé pour
la commande d’un redresseur à MLI. L’approche proposée consiste à calculer les
puissances active et réactive en se basant sur l’estimation du FV sans mesure de la
tension de ligne. Les avantages du schéma VF-DPC par rapport au schéma DPC

97
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

conventionnel résident dans la simplicité d’algorithme d’estimation de puissance, les

bonnes performances dynamiques et la fourniture d’un courant sinusoïdal à faible
THD. La fréquence de commutation variable est l’inconvénient majeur de cette
technique.
Afin de s’affranchir de cette limitation, un schéma de VF-DPC basé sur la
modulation vectorielle SVM est proposé dans [118]. Les comparateurs à hystérésis et
le tableau de commutation du schéma de VF-DPC sont remplacés par des correcteurs
PI et un modulateur SVM. Cette méthode garantie une fréquence de commutation
constante et un courant sinusoïdal même dans le cas de déséquilibre des tensions des
phases du réseau.
L’approche d’estimation du FV est également adoptée pour le schéma classique de
la commande vectorielle. Une étude comparative des performances de la commande
vectorielle à FV orienté d’un redresseur et celle à tension orientée (VOC) a été effectuée
dans [167].
Dans la présente étude, le schéma de VF-DPC basé sur la technique de modulation
SVM [118] est appliqué pour la commande du convertisseur côté réseau. Le FV du
réseau est donc utilisé pour l’estimation des puissances instantanées active et réactive
ainsi que pour garantir la synchronisation avec le réseau principal.

q β

Ψ𝐿
Ψ𝑖𝑛𝑣
𝑣𝑔 d
𝑖𝑐
Ψ𝑔

𝑖𝑔𝑞 𝑖𝑔𝑑 α
𝜃Ψ

Figure IV.7 : Orientation du FV du réseau [166].

L’approche d’estimation du FV est basée sur la supposition que la tension du réseau

et l’inductance du filtre sur le côté réseau de l’onduleur sont des grandeurs d’une
machine virtuelle à CA. En faisant analogie, l’inductance du filtre L et la tension de
réseau représentent, respectivement, l’inductance statorique et la force électromotrice
d’un moteur virtuel [166,171]. Donc, le vecteur du FV de réseau (Ψ𝑔 ) est défini comme
l’intégral du vecteur de la tension du réseau (𝑣𝑔 ) [166,171]:
Ψ𝑔 = ∫ 𝑣𝑔 𝑑𝑡 (IV.23)
Le diagramme de la figure (IV.7) illustre qu’il existe un déphasage de 90° entre le
vecteur du FV et le vecteur de tension du réseau. Tel que, l’axe d du repère tournant est
orienté suivant le vecteur du FV du réseau. Ce dernier peut être calculé en fonction de
la tension de sortie d’onduleur comme suit :
𝑑𝑖𝑐
Ψ𝑔 = Ψ𝑖𝑛𝑣 − Ψ𝐿 = ∫ (𝑣 − 𝐿 𝑑𝑡
) 𝑑𝑡 (IV.24)
𝑣 et 𝑖𝑐 désignent, respectivement, les vecteurs de la tension et du courant de sortie
de l’onduleur. Les composantes αβ du FV du réseau ( Ψ𝑔𝛼 , Ψ𝑔𝛽 ) dans le repère
stationnaire sont données comme suit :

98
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

Ψ𝑔𝛼 = ∫ 𝑣𝛼 𝑑𝑡 − 𝐿 𝑖𝑐𝛼
{ (IV.25)
Ψ𝑔𝛽 = ∫ 𝑣𝛽 𝑑𝑡 − 𝐿 𝑖𝑐𝛽
(𝑣𝛼 , 𝑣𝛽 ) et (𝑖𝑐𝛼 , 𝑖𝑐𝛽 ) représentent, respectivement, les composantes αβ des vecteurs
de tension et du courant de sortie d’onduleur. Tenant compte l’équation (II.60), les
composantes αβ du FV se calculent en fonction des états de commutation de l’onduleur
(Sa,Sb,Sc), des composantes αβ du courant et de la tension mesurée du bus continu (VDC)
comme suit :
𝑉𝐷𝐶
Ψ𝑔𝛼 = ∫ (2𝑆𝑎 − 𝑆𝑏 − 𝑆𝑐 )𝑑𝑡 − 𝐿 𝑖𝑐𝛼
3
{ 𝑉𝐷𝐶 (IV.26)
Ψ𝑔𝛽 = ∫ (𝑆𝑏 − 𝑆𝑐 )𝑑𝑡 − 𝐿 𝑖𝑐𝛽
√3

Les puissances instantanées active et réactive (P,Q) peuvent être estimées en

fonction des composantes αβ du FV du réseau (voir annexe B) comme suit [166]:
3
𝑃 = 2 𝜔 ∙ (Ψ𝑔𝛼 𝑖𝑐𝛽 − Ψ𝑔𝛽 𝑖𝑐𝛼 )
{ 3 (IV.27)
𝑄 = 2 𝜔 ∙ (Ψ𝑔𝛼 𝑖𝑐𝛼 + Ψ𝑔𝛽 𝑖𝑐𝛽 )
Avec, ω est la pulsation de la tension du réseau.
Le principe de la commande DPC à modulation vectorielle consiste à contrôler
directement les puissances active et réactive en se basant sur des correcteurs PI
linéaires. Généralement, ce schéma offre des bonnes performances dynamiques avec
une fréquence de commutation constante. Néanmoins, en présence des fluctuations de
la production d’origine renouvelable ainsi que les variations aléatoires de la demande
des charges (CA et CC), l’onduleur côté réseau doit être capable de répondre
dynamiquement au changement des conditions de fonctionnement du MR.
L PCC
ica vga
VDC CDC icb
vgb
icc
vgc
VDC C
Sa,b,c
VDC* - + Calcul des composantes du
SVPWM FV du réseau
Ψgα,β icα,β
dq/abc Estimation des puissances
FFNN instantanées active et réactive
ωLIq - + ωLId
Qref icα,β θ
+ αβ/dq
ENN ENN Qr
-Q
Pref P Id Iq
+ -
Figure IV.8 : Bloc diagramme du schéma de VFDPC-SVM proposé pour l’onduleur.

Dans cette étude, nous proposons de remplacer les contrôleurs PI compris dans le
schéma de VFDPC-SVM par des contrôleurs neuronaux adaptatifs afin d’améliorer les
performances dynamiques et statiques. Le but est de rendre l’onduleur capable de
réagir dynamiquement aux changements des conditions opérationnelles du MR.
Comme le montre la Figure (IV.8), un réseau FFNN est utilisé dans la boucle externe de
contrôle de la tension du bus CC. En outre, deux réseaux récurrents d’Elman (ENNs)

99
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

sont adoptés pour la régulation des puissances active et réactive. L’algorithme

d’interaction adaptative (AI : Adaptive Interaction), proposé par Brandt et Lin dans
[172], est utilisé pour l’ajustement en-ligne des poids des connexions des contrôleurs
FFNN et ENN.
IV.5.5.2. Règle d’apprentissage d’AI
L’entraînement des RNAs en utilisant l’algorithme d’AI est équivalent, mais plus
simple, que celui à base de l’algorithme classique de RP. Cette approche ne nécessite
pas la rétro-propagation de l’erreur de sortie à travers le RNA. L’adaptation d’une
interaction se base seulement sur l’information disponible localement [172]. La
caractéristique attrayante de l’algorithme d’AI est sa simplicité et la facilité de son
implémentation en comparaison avec l’algorithme de RP.
Comme déjà vu dans le chapitre II, la sortie d’un neurone n dans la lème couche d’un
RNA est calculée par :
(𝑙) (𝑙) (𝑙) (𝑙) (𝑙−1)
𝑥𝑛 = 𝑓𝑛 (𝑛𝑒𝑡𝑛 ) = 𝑓𝑛 (∑𝑁
𝑖=1 𝑤𝑖 𝑥𝑖 ) (IV.28)
(𝑙) (𝑙)
Où 𝑥𝑛 et 𝑓𝑛 représentent, respectivement, la sortie et la fonction d’activation du
(𝑙−1)
nème neurone de la couche l, 𝑥𝑛 désigne la ième entrée du neurone n, wi est le poids de
connexion entre la ième entrée et le neurone n . N est le nombre des neurones dans la
couche l-1. La fonction coût (E) du processus d’apprentissage du RNA est souvent
exprimée comme suit [12]:
1
𝐸 = 2 ∑𝑚 2
𝑛=1 𝑒𝑛 (IV.29)
(𝑙)
Tel que 𝑒𝑛 = {𝑑𝑛 − 𝑥𝑛 𝑝𝑜𝑢𝑟 𝑙𝑒 𝑛𝑒𝑢𝑟𝑜𝑛𝑒 𝑛 𝑑𝑒 𝑠𝑜𝑟𝑡𝑖𝑒 (IV.30)
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
m est le nombre des neurones de sortie. dn est la sortie désirée du nème neurone de
sortie. Les poids du RNA peuvent être adapté suivant la règle d’AI [12,172] comme suit:
(𝑙−1)
(𝑙) ′ (𝑙) 𝑥𝑖 ′
∆𝑤𝑖 = 𝑓𝑛 (𝑛𝑒𝑡𝑛 ) (𝑙) ∑𝑝𝑗=1 𝑤𝑜𝑗 ∆ 𝑤𝑜𝑗 − 𝛾𝑓𝑛(𝑙) (𝑛𝑒𝑡𝑛(𝑙) ) 𝑥𝑖(𝑙−1) 𝑒𝑛 (IV.31)
𝑥𝑛
Avec γ>0 est le coefficient d’adaptation et p est le nombre de neurone dans la couche
suivante. 𝑤𝑜𝑗 est le poids de connexion entre le neurone o en aval et le neurone j.

IV.5.5.3. Contrôleur ENN de puissance

La structure du contrôleur de puissance (P ou Q) basé sur le réseau d’ENN [173] est
illustrée par la figure (IV.9). Les entrées choisies pour le régulateur de la puissance
active sont :
 L’erreur de la puissance active : 𝑒𝑃 (𝑘) = 𝑃 ∗ (𝑘) − 𝑃(𝑘).
 La variation d’erreur : 𝑑𝑒𝑃 (𝑘) = 𝑒𝑃 (𝑘) − 𝑒𝑃 (𝑘 − 1).
Alors que, les entrées du contrôleur de la puissance réactive sont définies comme :
 L’erreur de la puissance réactive : 𝑒𝑄 (𝑘) = 𝑄∗ (𝑘) − 𝑄 (𝑘).
 La changement d’erreur : 𝑑𝑒𝑄 (𝑘) = 𝑒𝑄 (𝑘) − 𝑒𝑄 (𝑘 − 1).
Tel que 𝑃 ∗ et 𝑄 ∗ désignent, respectivement, les consignes des puissances active et
réactive. La sortie de chaque contrôleur ENN est la composante d ou q du vecteur de la
tension de référence (Vcd, Vcq) de l’onduleur. Les fonctions de transfert des neurones de
la CH et de la CS de l’ENN sont de type tangente-hyperbolique dont la dérivée est
calculée comme suit :

100
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

(𝑙) (𝑙) 2
(𝑙) (𝑙) (𝑙) 1−𝑒 −𝑛𝑒𝑡𝑛 (𝑙) ′ (𝑙) 𝜕𝑥𝑛 1 (𝑙)
𝑥𝑛 = 𝑓𝑛 (𝑛𝑒𝑡𝑛 ) = (𝑙) ⟹ 𝑓𝑛 (𝑛𝑒𝑡𝑛 ) = (𝑙) = 2 (1 − (𝑥𝑛 ) ) (IV.32)
1+𝑒 −𝑛𝑒𝑡𝑛 𝜕𝑛𝑒𝑡𝑛

Comme déjà vu dans le chapitre II, le réseau d’Elman est constitué de quatre couches
de neurones. On décrit dans ce qui suit la fonction principale de chaque couche du
contrôleur ENN :
 Les neurones de la CE utilisent des fonctions de transfert de type identité. La
sortie de chaque neurone d’entrée est donnée par :
(1) (1) (1) (1)
𝑥𝑖 (𝑘) = 𝑓𝑖 (𝑛𝑒𝑡𝑖 ) = 𝑛𝑒𝑡𝑖 , 𝑖 = 1,2 (IV.33)
(1)
𝑛𝑒𝑡𝑖 est la iéme entrée du ENN.
 La fonction de chaque neurone de la CH peut être décrite par l’équation
suivante :
(2) (2) (2) (2) (3) (1)
𝑥𝑗 (𝑘) = 𝑓𝑗 (𝑛𝑒𝑡𝑗 ) = 𝑓𝑗 (∑𝑟 𝑤𝑟𝑗 𝑥𝑟 (𝑘) + ∑𝑖 𝑤𝑖𝑗 𝑥𝑖 (𝑘)) , 𝑗 = 1, . . ,5 (IV.34)
(2)
Avec 𝑥𝑗 est la sortie du neurone j de la CH, 𝑤𝑖𝑗 est le poids de connexion entre le
(3)
neurone i de la CE et le neurone j de la CH, 𝑥𝑟 (𝑘) est la sortie du riéme neurone de
la couche contexte, 𝑤𝑟𝑗 est le poids reliant le neurone contexte r au neurone caché j,
(2)
et 𝑓𝑗 est la fonction d’activation du jiéme neurone de la CH.
 La sortie du neurone r de la Couche ConteXte (CX) est définie comme :
(3) (2)
𝑥𝑟 (𝑘) = 𝑥𝑗 (𝑘 − 1), 𝑟 = 1, . . ,5 (IV.35)
 La sortie du neurone unique de la CS est calculée comme suit :
(4) (4) (4) (4) (2)
𝑥𝑜 (𝑘) = 𝑓𝑜 (𝑛𝑒𝑡𝑜 ) = 𝑓𝑜 (∑𝑗 𝑤𝑜𝑗 𝑛𝑒𝑡𝑗 (𝑘)) (IV.36)
(4) (4)
𝑥𝑜 est le signal de sortie du ENN, 𝑓𝑜 est la fonction tangente-hyperbolique et
𝑤𝑗𝑜 est le poids reliant le neurone j de la CH au neurone de sortie.
En tenant compte l’équation (IV.32), les poids des connexions (𝑤𝑖𝑗 ,𝑤𝑟𝑗 , 𝑤𝑜𝑗 ) du
réseau ENN sont ajustés en-ligne selon la règle d’AI (équation (IV.31)) comme suit:
(1)
1 (2) 2 𝑥𝑖
∆𝑤𝑖𝑗 (𝑘) = 2 [1 − (𝑥𝑗 ) ] (2) 𝑤𝑜𝑗 ∆𝑤𝑜𝑗 𝑃𝑜𝑖𝑑𝑠 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝐶𝐸 𝑒𝑡 𝑙𝑎 𝐶𝐻
𝑥𝑗
(3)
1 (2) 2 𝑥𝑟 (IV.37)
∆𝑤𝑟𝑗 (𝑘) = 2 [1 − (𝑥𝑗 ) ] (2) 𝑤𝑜𝑗 ∆𝑤𝑜𝑗 𝑃𝑜𝑖𝑑𝑠 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝐶𝑋 𝑒𝑡 𝑙𝑎 𝐶𝐻
𝑥𝑗

𝛾 (4) 2 (2)
{ ∆𝑤𝑜𝑗 (𝑘) = − 2 [1 − (𝑥𝑜 ) ] 𝑥𝑗 𝑒𝑛 𝑃𝑜𝑖𝑑𝑠 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝐶𝐻 𝑒𝑡 𝑙𝑎 𝐶𝑆

SP,Q (k).dSP,Q (k)

Algorithme AI
Couche cachée
Couche d’entrée 𝑤𝑖𝑗
eP,Q (k)

deP,Q (k)
.
Vcd,q
Z-1 +
Z-1 .
Couche de sortie
Z-1
Couche contexte 𝑤𝑟𝑗 5 neurones 𝑊𝑜𝑗

Figure IV.9 : Structure du réseau ENN adopté.

Comme déjà suggéré dans [155], la condition d’invariance 𝑆𝑃,𝑄 (𝑘). 𝑑𝑆𝑃,𝑄 (𝑘) = 0 qui
doit être vérifiée en mode de glissement est adoptée comme objectif d’apprentissage

101
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

d’ENN. Donc, le terme 𝑆𝑃,𝑄 (𝑘). 𝑑𝑆𝑃,𝑄 (𝑘) est utilisé au lieu de l’erreur de sortie (𝑒𝑛 ) dans
les règles d’adaptation de l’équation (IV.37), tel que :
𝑆𝑃,𝑄 (𝑘) = 𝜆3 . 𝑒𝑃,𝑄 (𝑘) + 𝑑𝑒𝑃,𝑄 (𝑘)
{ (IV.38)
𝑑𝑆𝑃,𝑄 (𝑘) = 𝑆𝑃,𝑄 (𝑘) − 𝑆𝑃,𝑄 (𝑘 − 1)
Avec 𝜆3 est une constante positive. 𝑆𝑃,𝑄 et 𝑑𝑆𝑃,𝑄 représentent la surface de glissement et
sa variation pour la puissance active et réactive (P et Q). Donc, l’objectif de commande
des ENNs proposés est de diriger dans un temps fini puis maintenir les variables d’état
P et Q, respectivement, sur leurs surfaces de commutation correspondantes (𝑆𝑃 et 𝑆𝑄 ).

IV.5.5.4. Contrôleur FFNN de la tension du bus CC

L’augmentation ou la diminution de la quantité de puissance échangée entre
l’onduleur triphasé et le réseau électrique cause une perturbation de la tension du bus
continu. L’utilisation d’un contrôleur de la tension du bus CC est indispensable afin
d’assurer l’équilibre de puissance entre les côtés CC et CA de l’onduleur en maintenant
la tension du bus constante [170].
Comme déjà mentionné, un perceptron à trois couches (voir figure (II.27)) est adopté
pour l’asservissement de la tension du bus CC. L’évolution de ce réseau est régie par le
système d’équations suivant :
(1) (1) (1) (1)
𝑋𝑖 (𝑘) = 𝐹𝑖 (𝑁𝐸𝑇𝑖 ) = 𝑁𝐸𝑇𝑖
(2) (2) (2) (2) (1)
𝑋𝑗 (𝑘) = 𝐹𝑗 (𝑁𝐸𝑇𝑗 ) = 𝐹𝑗 (∑𝑖 𝜔𝑖𝑗 𝑋𝑖 (𝑘)) (IV.39)
(3) (3) (3) (3) (2)
{𝑋𝑜 (𝑘) = 𝐹𝑜 (𝑁𝐸𝑇𝑜 ) = 𝐹𝑜 (∑𝑗 𝜔𝑗𝑜 𝑋𝑗 (𝑘))

Avec 𝑁𝐸𝑇𝑖(1) est la ième entrée du FFNN, 𝑋𝑖(1) (𝑘) est la sortie i de la CE, 𝑋𝑗(2) (𝑘) est la
sortie du neurone j de la CH, 𝑁𝐸𝑇𝑗(2)et 𝑁𝐸𝑇𝑜(3)sont les niveaux d’activation du neurone
caché j et du neurone de sortie. 𝑋𝑜(3) (𝑘) est la sortie du FFNN, 𝜔𝑖𝑗 désigne le poids de
connexion entre le neurone i de la CE et le neurone j de la CH, 𝜔𝑗𝑜 est le poids reliant
(2) (3)
le jième neurone de la CH au neurone de sortie, 𝐹𝑗 , 𝐹𝑜 sont, respectivement, les
fonctions tangente-hyperbolique de la CH et de la CS. L’erreur actuelle de la tension du
bus CC (𝑒𝑉 (𝑘)= VDC*(k)-VDC(k)) ainsi que sa valeur précédente (eV(k-1)) représentent les
entrées du contrôleur FFNN proposé. Le signal de commande en sortie du FFNN est
multiplié par la tension mesurée (VDC) afin de générer la consigne actuelle de la
puissance active.
L’entraînement du réseau FFNN est réalisé à l’aide de la règle d’AI selon les
expressions suivantes :
(2) 2
1 [1−(𝑋𝑗 ) ] (1)
∆𝜔𝑖𝑗 (𝑘) = (2) 𝑋𝑖 𝜔𝑗𝑜 ∆𝜔𝑗𝑜 𝑃𝑜𝑖𝑑𝑠 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝐶𝐸 𝑒𝑡 𝑙𝑎 𝐶𝐻
2 𝑋𝑗 (IV.40)
𝛾1 (3) 2 (2)
∆𝜔𝑗𝑜 (𝑘) = − [1 − (𝑋𝑜 ) ] 𝑋𝑗 𝑒𝑛 𝑃𝑜𝑖𝑑𝑠 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝐶𝐻 𝑒𝑡 𝑙𝑎 𝐶𝑆
{ 2

𝛾1 est le taux d’apprentissage. L’erreur de sortie (𝑒𝑛 ) dans (IV.40) est remplacée par le
terme 𝑆𝑉 (𝑘) + 𝑑𝑆𝑉 (𝑘), tel que :
𝑆 (𝑘) = 𝜆4 . 𝑒𝑉 (𝑘) + 𝑑𝑒𝑉 (𝑘)
{ 𝑉 (IV.41)
𝑑𝑆𝑉 (𝑘) = 𝑆𝑉 (𝑘) − 𝑆𝑉 (𝑘 − 1)

102
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

𝜆4 est une constante positive. SV et dSV présentent, respectivement, la surface de

glissement et sa dérivée. La figure (IV.10) donne un exemple de l’implémentation de
la règle AI dans Matlab/Simulink.

X(1) 1
dW11 K Ts W11 net(2) 1
1 1
Xi(1) X(1) 2 z-1
Discrete-T ime x(2) 1
Integrator2 tansig
2 1/u
2
X(2) 1
4 dW21 K T s W21 net(2) 1
dW01 3 z-1
W01 Discrete-T ime
Integrator1
1/2
1

Figure IV.10 : Exemple d’ajustement en-ligne des poids du FFNN par AI dans Matlab/Simulink .

IV.5.6. Gestion centrale d’énergie à base de la LF

En effet, l’utilisation d’un superviseur d’énergie centralisé est nécessaire afin de
gérer d’une façon optimale les flux énergétiques dans le MR hybride (CA/CC).
L’objectif de supervision est de minimiser l’énergie soutirée du réseau principal tout
en assurant une bonne coordination entre les sources d’énergie du MR. Pour
différentes conditions de génération et de demande d’énergie, le SGE central impose
les consignes des puissances pour les contrôleurs locaux des sources d’appoint (PAC-
OS et SSEB) du MR. En vue de le protéger, la valeur de SOC du SSEB doit être
maintenue dans un intervalle permis défini en fonction des valeurs minimale et
maximale de SOC (SOCmin, SOCmax).
Alors, la première étape de l’algorithme de gestion énergétique consiste à calculer
la puissance 𝑃𝑛𝑒𝑡 comme suit :
𝑃𝑛𝑒𝑡 = 𝑃𝑅𝐸𝑆 − 𝑃𝐿
{ (IV.42)
Tel que 𝑃𝑅𝐸𝑆 = 𝑃𝑃𝑉 + 𝑃𝑊𝑇 , 𝑃𝐿 = 𝑃𝐿𝑎𝑐 + 𝑃𝐿𝑑𝑐
Avec 𝑃𝑅𝐸𝑆 est la puissance renouvelable disponible, 𝑃𝑃𝑉 , 𝑃𝑊𝑇 sont, respectivement, les
puissances produites par le GPV et le GE. 𝑃𝐿 est la demande totale de puissance, 𝑃𝐿𝑑𝑐 et
𝑃𝐿𝑎𝑐 sont, respectivement, les puissances des charges à CC et à CA.
 Quand la production d’origine renouvelable surpasse la demande totale des
charges (CC et CA) et le banc de batteries est complètement chargé
(SOC>SOCmax), le MR doit injecter l’excès d’énergie au réseau principal.
 En revanche, en cas d’insuffisance de la production renouvelable (𝑃𝑛𝑒𝑡 < 0), le
système d’appoint (PAC-OS & SSEB) doit intervenir afin de répondre aux
exigences des charges.
 Lorsque le SOC< SOCmin durant la période de déficit de production (𝑃𝑛𝑒𝑡 <
𝑃𝑓𝑐−𝑚𝑎𝑥 ), la PAC-OS doit assurer simultanément la satisfaction de la demande
d’énergie et le chargement du SSEB.
 D’ailleurs, tant que le SOC< SOCmin, le SSEB doit être mis en mode de charge
quelles que soient les conditions de demande et de génération d’énergie.
 D’autre part, si les exigences des charges dépassent la valeur de puissance
maximale de la PAC-OS (𝑃𝑛𝑒𝑡 > 𝑃𝑓𝑐−𝑚𝑎𝑥 ), le SSEB doit opérer en mode de
décharge tant que la valeur de SOC est supérieure à SOCmin.

103
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

 Dans le cas où le montant total d’énergie disponible du MR est inférieur à la

demande d’énergie, le réseau principal doit contribuer à la satisfaction des
besoins des charges locales.
Donc, nous avons établi les règles de fonctionnement du SGE sous forme de règles
floues d’un SIF de type Mamdani. Ce dernier a pour but de déterminer correctement
les références des puissances pour la PAC-OS et le SSEB. De ce fait, le SGE proposé
reçoit deux entrées et renvoie deux sorties : Les entrées sont la puissance 𝑃𝑛𝑒𝑡 et la
valeur de SOC. Alors que, les sorties sont les consignes Pb* et PFC* pour le SSEB et la
PAC-OS, respectivement. Les FAs, utilisées pour les variables d’entrée et de sortie du
superviseur flou, sont illustrées par la figure (IV.11). Les labels linguistiques NB, NM,
NS, ZE, PS, PM, PB, PB+, L, M et H désignent respectivement : négatif grand, négatif
moyen, négatif petit, zéro, positif petit, positif moyen, positif grand, positif très grand,
bas, moyen et haut. Ainsi, les bases des règles floues pour les variables Pb* et PFC* sont
données dans les tableaux (IV.2) et (IV.3).
NM NS PS PM PB PB+
1
Degree of membership

0.8

0.6

0.4

0.2

0
-3 -2 -1 0 1 2 3 4
Pnet(W) x 10
4

(a)
L M H
1
Degree of membership

0.8

0.6

0.4

0.2

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

SOC

(b)
NB NS ZE PS PB
1
Degree of membership

0.8

0.6

0.4

0.2

-6000 -4000 -2000 0 2000 4000 6000

Pb*(W)

(c)

104
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

PS PM PB
1

Degree of membership
0.8

0.6

0.4

0.2

0 2000 4000 6000 8000 10000

Pfc*(W)

(d)
Figure IV.11 : FAs des variables a) Pnet, b) SOC, c) Pb*, d) Pfc*.

Pnet
NM NS PS PM PB PB+
SOC
H - - - PM PB PB
M - - PS PB PB PB
L - - PM PB PB PB
Tableau IV.2 : Tableau des règles floues pour la gestion de la PAC-OS.
Pnet
NM NS PS PM PB PB+
SOC
H ZE ZE PB PS PB PB
M NB NS ZE ZE PS PB
L NB NS NB NS NS NS
Tableau IV.3 : Tableau des règles floues pour la gestion du SSEB.

IV.6. Résultats de Simulation

Afin de démontrer l’efficacité de la stratégie de commande/contrôle proposée, le
comportement du MR hybride est testé sous différentes conditions de production et
de demande d’énergie. Les paramètres de simulation dans Matlab/Simulink sont
donnés dans l’annexe A.
Les tests de simulation suivants sont donc réalisés :
A. Test pour des conditions variables d’éclairement et de vitesse de vent
Dans ce cas, le MR hybride subit des variations du niveau d’éclairement et de la
vitesse du vent. Le but ici est de vérifier les performances de poursuite des contrôleurs
MPPT proposés pour les SERs. Les demandes des charges CC et CA sont fixées durant
la période de simulation à 𝑃𝐿𝑑𝑐 = 5𝑘𝑊 et 𝑃𝐿𝑎𝑐 = 20𝑘𝑊. La température est également
maintenue constante à T=25°C. À l’état initial, le SSEB est supposé complètement
chargé (SOCinitial=100%). La variation rapide et graduelle du niveau d’irradiation est
décrite par la figure (IV.12.a). D’autre part, la vitesse de vent est changée de 12m/s à
10m/s à l’instant 0.25s, puis varie à 14ms à l’instant 0.5s.
L’évolution du courant et de la tension de sortie de la source PV est illustrée par la
figure (IV.12.b) et (IV.12.c). Ainsi, la figure (IV.12.d) montre la variation de la tension
de référence du GPV qui est déterminée par le contrôleur SN-RBFN. Dans le but de
comparaison, les puissances de sortie du GPV obtenues avec le contrôleur SN-RBFN
et le régulateur d’IncCond sont représentées par la figure (IV.12.e).

105
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

irradiance (W/m2)
1000
800
600
400

0 0.1 0.2 0.3 t(s) 0.4 0.5 0.6 0.7

(a)
60
PV current (A)

40

20
0 0.1 0.2 0.3 t(s) 0.4 0.5 0.6 0.7
(b)
400
PV voltage (V)

380
360
340
320
0 0.1 0.2 0.3 t(s) 0.4 0.5 0.6 0.7
(c)
400
voltage Vref (V)

300

200
0 0.1 0.2 0.3 t(s) 0.4 0.5 0.6 0.7
4
x 10 (d)
4 2.1129
x 10
2.1128

2.1128
2
2.1128

0.04 0.06 0.08 0.1 0.12 0.14

1.5
PV output power (W)

0.5
IncCond method
proposed SN-RBFN

0
0 0.1 0.2 0.3 t(s) 0.4 0.5 0.6 0.7
(e)

Figure IV.12 : Variation de : a) Irradiation solaire, b) Courant PV, c) Tension PV, d) Tension de
référence en sortie du SN-RBFN, e) Puissance PV de sortie.

Il est clair de ces résultats que le neuro-contrôleur MPPT du GPV s’adapte d’une
manière automatique aux changements d’ensoleillement. A chaque niveau
d’irradiation (G), le suiveur SN-RBFN atteint rapidement le PPM correcte grâce au
processus d’entraînement en temps réel. Au niveau G=1000W/m2, le temps de réponse
du contrôleur SN-RBFN est d’environ 38ms qui est plus court que le temps transitoire
du régulateur d’IncCond (de l’ordre de 92ms). En régime permanent, le SN-RBFN
montre des oscillations autour du PPM considérablement atténuées en comparaison
avec le contrôleur d’IncCond (voir figure (IV.12.e)). L’erreur statique de puissance
obtenue avec le réseau SN-RBFN est de l’ordre de 0.305W qui est plus réduite que
l’erreur commise par le contrôleur d’IncCond (de 0.887W environ). En outre, les

106
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

figures (IV.12.b) et (IV.12.c) prouvent que le contrôleur PV proposé est capable de

poursuivre avec précision le PPM correspondant à chaque niveau d’irradiation. Les
paramètres optimaux du contrôleur SN-RBFN sont recalculés en-ligne, après chaque
changement d’éclairement, à l’aide du processus d’apprentissage. Ceci justifie
l’apparition de quelques oscillations transitoires de la tension de référence comme
l’indique la figure (IV.12.d).
41

Rotating speed (rad/s)

40.5

40

39.5

39
70 0.25 0.3 0.35 t(s) 0.4 0.45 0.5
(a)
60
Rotating speed (rad/s)

50

40
30

20 wr with PI controller
wr with ADALINE controller
10
wref
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
t(s)
(a)
50

0
Te(N.m) and Isd(A)

-50
Te
Teref
-100
Isd

-150

-200
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
t(s)
(b)
0.11
stator flux amplitude (wb)

0.1

0.09

0.08

0.07

0.06
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
t(s)
(c)
880

860
DC-link voltage (V)

840

820

800

780

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7

t(s)
(d)

Figure IV.13 : Evolution de : a) Vitesse de rotation, b) Couple électromagnétique et courant

statorique direct, c) Module du flux statorique d) Tension du bus-CC.

D’autre part, les résultats obtenus à l’aide du schéma de commande prédictive du

SGEE sont présentés dans la figure (IV.13). On constate que la vitesse de rotation du
GE suit fidèlement la consigne de vitesse grâce à l’action du contrôleur ADALINE
adopté (voir figure (IV.13.a)). Ce dernier a ainsi déterminé correctement la référence
du couple électromagnétique. La figure (IV.13.a) montre que le régulateur adaptatif de
vitesse a surperformé le correcteur PI classique pour des conditions variables du vent.
L’ADALINE offre un temps de réponse rapide de 38ms environ, un dépassement
atténué et une erreur statique minimale. Comme le montre la figure (IV.13.b), le
contrôle séparé du couple de la génératrice et du courant statorique direct est bien
assuré en adoptant le schéma de DPCM. Une réponse transitoire rapide du couple

107
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

électromagnétique est obtenue avec des performances statiques satisfaisantes (voir

figure (IV.13.b)). En outre, la fréquence de commutation fixe a permis d’avoir des
ondulations statiques acceptables du couple et du flux comme l’illustre les figures
(IV.13.b) et (IV.13.c). Par ailleurs, la figure (IV.13.d) démontre que le contrôleur FFNN
a garanti la stabilisation de la tension du bus CC à sa valeur de référence (VDC*=800V)
malgré les changements météorologiques.
B. Test pour des variations de la demande d’énergie
L’objectif visé ici est de valider la capacité d’auto-adaptation du schéma de
commande adopté pour le MR hybride. Dans ce test, la puissance requise par la charge
CC (𝑃𝐿𝑑𝑐 ) varie de 5kW à 8kW à l’instant t=0.25s puis croît à 10kW à l’instant 0.5s. De
plus, la demande en puissance active et réactive (PLac,QLac) de la charge CA (ohmique-
inductive) change de (39kW, 0VAr) à (53kW, 0VAr) à l’instant t=0.25s, puis varie à
t=0.5s vers (1kW, 15kVAr) et change finalement à (24kW, 7kVAr) à l’instant t=0.75s (voir
figure (IV.14.a) et (IV.14.d)). Les conditions climatiques sont fixes dans ce cas :
VW=14m/s, T=25°C, G =1kW/m2. On a ainsi SOCinitial=70%.
Les résultats de simulation illustrés par la figure (IV.14) montrent que le
comportement dynamique du système de commande adopté répond bien à nos
attentes souhaités. Le schéma de VFDPC-SVM réagit rapidement à la variation de la
demande des charges sans nécessité d’avoir une connaissance a priori du MR hybride.
L’ajustement en-ligne des paramètres des régulateurs FFNN et ENN assure leur
adaptation automatique aux conditions changeantes de fonctionnement. Comme le
montre les figures (IV.14.b) et (IV.14.d), les réseaux récurrents d’Elman assurent un
contrôle découplé des puissances active et réactive en sortie de l’onduleur. En utilisant
les contrôleurs ADALINEs proposés, les puissances de sortie des sources
complémentaires (PAC et SSEB) suivent précisément les consignes déterminées par le
SGE flou (voir figure (IV.14.c)).
Quand l’énergie produite par les SERs et la PAC-OS ne suffit pas pour la réponse
à la demande de charge CA durant la période [0s,0.25s], le SSEB est activé pour
restituer le déficit d’énergie (voir figure (IV.14.b) et (IV.14.c)). Cependant, dans
l’intervalle de temps [0.25,0.5s], le réseau principal intervient afin d’assurer la
continuité de la fourniture de la charge CA comme l’indique la figure (IV.14.b). Dans
la période d’excès de production [0.5s,0.75s], les SERs répondent aux exigences des
charges (CC et CA), le SSEB opère en mode de charge et le surplus d’énergie est injecté
au réseau électrique. La PAC-OS génère l’énergie requise durant la période de déficit
de [0.75s, 1s], où le SSEB est désactivé (voir figure (IV.14.c)). D’autre part, la figure
(IV.14.d) montre que l’onduleur a assuré la compensation de la puissance réactive de
la charge CA. Par ailleurs, dans le but de valider le SGE flou proposé, une comparaison
avec un superviseur purement réactif est achevée. Notons que ce dernier est
conceptuellement équivalant au SGE flou. La figure (IV.15) représente les puissances
des consignes de la PAC-OS et du SSEB déterminées par les SGEs réactif et intelligent.
Nous pouvons constater que les résultats obtenus sont très proches.

108
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

4
x 10

load demand (W)

8
PLac
6
PLdc
4
2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t(s)
4
x 10 (a)
Pinverter and Pgrid (W)
6
4
2
0
-2 Pinv
Pgrid
-4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t(s)
(b)
Pbess and Pfc (W)

15000 Pfc*
10000 Pbess*
5000 Pbess
0 Pfc
-5000
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t(s)
Qgrid, Qinv and QLac (Var)

4
x 10 (c)
4
Qinverter
Qgrid
2
QLac

-2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t(s)
(d)

Figure IV.14 : Variation de : a) Demande des charges CA et CC, b) Puissances actives de l’onduleur
et du réseau, c) Puissances de sortie de PAC-OS et du SSEB, d) Puissances réactives de l’onduleur,
de charge CA et du réseau principal.

10000
Pfc* (W)

5000 PMS-FL
PMS-states

0
0 0.2 0.4 t(s) 0.6 0.8 1
(a)
10000
Pbess*(W)

5000

0
PMS-FL
-5000 PMS-states

0 0.2 0.4 0.6 0.8 1

t(s)
(b)

Figure IV.15 : Comparaison entre le SGE classique et le SGE flou.

Nous avons accompli un autre test de simulation pour un niveau bas d’irradiation
solaire (G= 0.1kW/m2) et une faible vitesse de vent (VW=8m/s). Le niveau de SOC initial
est ainsi considéré bas (SOCinitial=30%). Les exigences des charges CC et CA sont fixées
comme suit : 𝑃𝐿𝑑𝑐 = 20kW et (PLac=5kW, QLac=0VAr). C’est le cas où la demande de la
charge CC excède la puissance totale disponible du MR. La figure (IV.16) illustre les
résultats obtenus.
La figure (IV.16.a) montre que le régulateur FFNN a réussi à la stabilisation de la
tension du bus CC autour de la valeur de consigne. Nous pouvons constater ainsi que

109
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

le contrôleur SN-RBFN a atteint le PPM de la source PV après un temps de réponse

d’environ 0.31ms. On marque de la figure (IV.16. b) que le réseau électrique est
intervenu afin de répondre aux besoins des charges CC. Dans ce cas, l’onduleur
fonctionne en mode redresseur afin de transférer l’énergie demandée du réseau
principal à la charge CC. Ce résultat valide le schéma de VFDPC-SVM qui contrôle
correctement le transite bidirectionnel de la puissance à travers l’onduleur.
850
DC-link voltage (V)

800

750
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
t(s)
4
x 10 (a)
Pmg
Pmg, Pgrid and PL (W)

4
PL
2 Pg

-2

-4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
t(s)
(b)

Figure IV.16 : Evolution de la : a) Tension du bus CC, b) Puissances de charge totale, du MR et du

réseau principal.

C. Test en présence de perturbation du réseau

Ce test a pour but de vérifier la robustesse du système de commande proposé face
aux défauts du réseau électrique. Dans ce cas, la perturbation du creux de tension
triphasé (avec une réduction de 70% de l’amplitude de tension) se produit durant la
période de temps [0.3s,0.45s]. Les conditions climatiques sont stables (G=1000W/m2,
T=25°C) et l’état initial du SOC est supposé SOCinitial= 30%.
La figure (IV.17.a) montre que la demande totale des charges est satisfaite par les
SERs seulement. En conséquence, le SGE donne des ordres de commande pour
simultanément désactiver la PAC-OS et charger le SSEB, comme l’indique la figure
(IV.17.b). Le surplus de production est donc injecté au réseau durant la période de
défaut du réseau. D’autre part, on constate de la figure (IV.17.c) que la tension du bus
continu est maintenue constante malgré l’occurrence du creux de tension. La figure
(IV.17.d) montre que le courant triphasé de l’onduleur est équilibré et sinusoïdal même
en présence de perturbation. Les composantes αβ négatives du courant d’onduleur,
présentées par la figure (IV.17.e), affirment la symétrie de ses trois phases. Ceci est
grâce à l’estimation correcte de l’angle du vecteur de tension du réseau par le biais du
FV.

110
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

4
x 10

Pinverter, Pgrid and PLac (W)

5
Pinverter
4
Pgrid
3 PLac

0
0 0.1 0.2 0.3 0.4 0.5 0.6
t(s)
(a)
10000
SOFC and BESS powers (W)
Pbess
Pfc
5000

-5000
0 0.1 0.2 0.3 0.4 0.5 0.6
t(s)
(b)

900
DC-link voltage (V)

800

700

600
0 0.1 0.2 0.3 0.4 0.5 0.6
t(s)
(c)
100
inverter current (A)

50

-50

-100
0.25 0.3 0.35 0.4 0.45 0.5
t(s)
(d)
15
alpha-negative component (A) beta-negative component (A)

10

-5

-10

-15
0 0.1 0.2 0.3 0.4 0.5 0.6
t(s)
15
10
5
0
-5
-10
-15
0 0.1 0.2 0.3 0.4 0.5 0.6
t(s)
(e)

Figure IV.17 : Variation de : a) Puissances de charge CA, de l’onduleur et du réseau, b) Puissances de

la PAC-OS et du SSEB c) Tension du bus CC, d) Courant de sortie d’onduleur en présence du creux
de tension, e) Composantes αβ négatives du courant d’onduleur.

D. Test pour des variations de la température et de la vitesse du vent

Ce test a pour but d’examiner la stabilité de la structure de commande adoptée en
présence de perturbations de vitesse de vent, de température et de demande des
charges (CC et CA). A un éclairement constant (G=1kW/m2), la température change à
l’instant t=0.25s de T=27°C à T=25°C, puis varie à t=0.5s vers T=23°C. La figure (IV.18.b)
illustre le profil du vent dont la vitesse est calculée selon le modèle suivant [174]:
𝑉𝑊 = 𝐴0 + 0.6 sin(𝜔𝑡) + 0.6 sin(3.5𝜔𝑡) + 0.3 sin(12.35𝜔𝑡 ) + 0.06 sin(35𝜔𝑡) (IV.43)
La vitesse moyenne choisie est A0 =11.5m/s. En imposant tW =2.5s, la fréquence 𝜔 est
calculée par 𝜔=2π/tW. D’autre part, la demande de charge CC diminue à l’instant t=0.5s
de 𝑃𝐿𝑑𝑐 =9kW à 𝑃𝐿𝑑𝑐 =4kW. Les puissances active et réactive demandées par la charge
ohmique-capacitive varient de (PLac=26kW, QLac=-15kVAr) à (PLac=44kW, QLac=-38kVAr)
à l’instant t=0.35s puis change aux valeurs initiales à l’instant t=0.705s (tel que SOCinitial

111
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

=90%). La figure (IV.18.a) montre que le contrôleur SN-RBFN a assuré des bonnes
performances de poursuite du PPM avec des oscillations statiques de tension plus
réduites que celles de l’algorithme d’IncCond. Le temps de convergence de ce dernier
(de l’ordre de 70ms) est lent par rapport à celui du suiveur SN-RBFN (d’environ 35ms).
D’un autre côté, la figure (IV.18.c) confirme les bonnes performances statiques et
dynamiques du contrôleur ADALINE de vitesse pour un profil aléatoire du vent.
Comme l’indique la figure (IV.18.d), il offre une erreur de poursuite de consigne
considérablement réduite en comparaison avec le contrôleur PI classique. On constate
ainsi de la figure (IV.18.e) que le couple électromagnétique suit parfaitement la
trajectoire de sa référence avec une erreur statique quasi-nulle.
376

374
PV voltage (V)

372

370

368

366
IncCond method
364 proposed SN-RBFN
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
t(s)
(a)
13
Wind speed (m/s)

12.5

12

11.5

11

10.5

10
0 0.5 1 t(s) 1.5 2 2.5
(b)
Rotating speed wr(rad/s)

wrref
wr-PI
50
Wr-ADALINE

45

40
0 0.5 1 1.5 2 2.5
t(s)
(c)
speed tracking error (rad/s)

PI controller
-1 ADALINE controller

0 0.5 1 t(s) 1.5 2 2.5

(d)
-80
Teref and Te (N.m)

-100

-120
Te
Te*
-140

0 0.5 1 1.5 2 2.5

t(s)
(e)

112
 Chapitre IV : Commande neuronale d’un micro-réseau (CA/CC) hybride

4
x 10
5
Pinverter with PI controller
PLac

Active power (W)

4.5
Pinverter with ENN
4

3.5

2.5
0 0.2 0.4 0.6 0.8 1 1.2
4 t(s)
x 10
0
Reactive power (Var)

-1

-2

-3
Qinverter with PI controller
Qinverter with ENN
-4 QLac

0 0.2 0.4 0.6 0.8 1 1.2

t(s)
(f)

Figure IV.18 : Evolution de : a) Tension PV, b) Profil du vent, c) Vitesse de rotation du GE, d)
Erreur statique de vitesse, e) Couple de la GSAP, f) Puissances active et reactive de l’onduleur.

La figure (IV.18.f) démontre que le schéma de VFDPC-SVM proposé a assuré la

réponse rapide à la demande en puissance active et réactive de la charge CA, avec des
performances de contrôle (erreur statique et temps de réponse) meilleures que celles
du schéma conventionnel basé sur des correcteurs PI. Ces résultats confirment
l’efficacité de calcul de l’algorithme d’AI adopté malgré sa simplicité.

[Link]
La contribution principale de l’étude, réalisée dans ce chapitre, porte sur la
conception d’un système de commande/contrôle d’un MR hybride en se basant sur
des réseaux de neurones adaptatifs. Le choix des RNAs a été motivé par le souhait de
construire une structure de commande capable de réagir rapidement et
dynamiquement au changement du comportement du MR. Donc, des contrôleurs
neuronaux ont été adoptés pour assurer la poursuite des PPMs des générateurs
renouvelables ainsi que le contrôle de l’échange d’énergie entre le MR, les charges et
le réseau électrique. Un système flou de gestion d’énergie a été également proposé
dans le but de minimiser l’énergie soutirée du réseau principal. Les avantages
principaux de la structure de commande proposée résident dans l’adaptativité, la non
nécessité de connaissance du modèle du système commandé, le faible coût de calcul
et la facilité d’implémentation. Des tests de simulation pour différents scénarios ont
été effectués dans l’environnement Matlab/Simulink. Les résultats obtenus ont
affirmé le gain apporté par les neuro-contrôleurs en termes de performances
dynamiques et statiques par rapport aux contrôleurs classiques.
Dans le chapitre suivant, nous traitons la problématique de réglage des gains des
régulateurs PI, utilisés au sein des schémas de contrôle classiques, en faisant recours à
la LF et aux ANFISs.

113
 Chapitre V

Commande à flux virtuel orienté des systèmes PV hybrides

 Chapitre V : Commande à FV orienté des systèmes PV hybrides

V.1. Introduction
Comme déjà mentionné, les convertisseurs de puissance CC-CC et CC-CA jouent un
rôle clé dans les SEHs. Ils permettent d’incorporer des algorithmes de commande afin
d’assurer le contrôle des dynamiques non linéaires des ressources énergétiques de
différents types. Généralement, les schémas de commande classiques dédiés au pilotage
des convertisseurs statiques (onduleurs, redresseurs et hacheurs) utilisent des
régulateurs PI linéaires. Ces derniers peuvent garantir des bonnes performances sous
certaines conditions de fonctionnement. Néanmoins, en présence des non linéarités et de
différents types de perturbations dans le SEH, ces contrôleurs linéaires deviennent
moins efficaces. Les alternatives les plus populaires [3,11,83,175-177], pour s’affranchir
de la linéarité des contrôleurs PI, consistent à ajuster leurs paramètres à l’aide des SIFs,
des ANFISs , de l’algorithme PSO , etc.
Ce chapitre est divisé en deux parties : dans la première nous nous intéressons à
l’étude d’un SEH en appliquant une stratégie de commande intelligente. Notre choix
s’est porté sur la régulation floue des paramètres proportionnel et intégral des
correcteurs PI utilisés dans la structure de commande adoptée. L’étude des
performances du schéma de commande est réalisée dans l’environnement
Matlab/Simulink. La deuxième partie de ce chapitre est consacrée à l’étude d’un
système PV-éolien hybride connecté au réseau électrique. L’objectif est d’établir un
schéma de commande numérique pour l’implémenter sur une carte FPGA. Les résultats
de simulation sont fournis afin de valider le circuit de commande développé.

V.2. Partie 1 : Commande intelligente d’un système de production hybride

(PV/PAC-OS/SSEB) connecté au réseau électrique

Dans cette partie, une stratégie de commande intelligente d’un système de

production hybride comportant une source PV, un stack de PAC-OS et un SSEB est
proposée. Des contrôleurs locaux pour les convertisseurs de puissance de type CC-CC
sont établis afin de réguler les points d’opération des unités de production d’énergie. Un
contrôleur neuronal de type «Elman», appuyant sur le mode d’apprentissage en-ligne,
est appliqué pour la poursuite du PPM de la source PV. Les contrôleurs locaux des
sources complémentaires (PAC-OS et SSEB) sont conçus en se basant sur des
superviseurs flous de correcteurs PI. En outre, un schéma de contrôle par orientation du
flux virtuel (VFOC : Virtuel Flux Oriented Control), basé sur des régulateurs neuro-
flous, est adopté pour la supervision de l’échange des puissances active et réactive entre
le SEH, les charges CA et le réseau électrique. De plus, un système central de gestion
d’énergie est développé afin d’assigner les consignes des puissances aux sources
d’appoint (PAC-OS et SSEB) selon certaines contraintes de fonctionnement. Les résultats
de simulation, obtenus dans l’environnement Matlab/Simulink, sont présentés afin de

114
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

mettre en évidence l’efficacité et la robustesse de la stratégie de commande/contrôle

proposée.
V.2.2. Structure de commande du système de génération hybride
Comme le montre la figure (V.1), le SEH fonctionnant en mode raccordé au réseau est
composé d’un GPV de puissance crête 50.4kW, d’une PAC-OS de puissance nominale
50kW, d’un SSEB et des charges locales à CA. Nous adoptons dans cette étude le
paradigme de contrôle centralisé présenté dans le chapitre I. Le superviseur central se
charge alors de la gestion des flux énergétiques dans le MR. Tandis que, les contrôleurs
locaux s’occupent de la régulation des points de fonctionnement des ressources
énergétiques.
Charges
CA
ia,b,c
+ +
PAC-OS Convertisseur Onduleur Filtre
Vfc VDC Réseau
(50kW)
O 3L-NPC RL
CC-CC
- -
Ifc
Vfc VDC
pfcref Contrôle de PAC VFOC SOC PPV Pload
Pref, Qref
+
GPV Convertisseur Convertisseur
VPV
SSEB SGE
(50,4kW) CC-CC CC-CC
-

IPV pbref pfcref

Pbref Ibatt
VPV MPPT Contrôle de SSEB Vbatt

Figure V.1 : Structure adoptée du SEH connecté au réseau.

V.2.2.1. Contrôle du convertisseur élévateur interfaçant le GPV

Dans le MR adopté, le convertisseur boost est utilisé pour accroître la tension de
sortie du GPV au niveau désiré. En outre, ce convertisseur accomplit la tâche de MPPT
en vue d’assurer l’extraction du maximum d’énergie PV.
V.[Link]. Algorithme de Perturbation et Observation
Comme déjà mentionné, la méthode de P&O [5,113,178,179] est l’une des techniques
de MPPT les plus utilisées dans la littérature. Son principe est basé sur la perturbation
de la tension de sortie du GPV puis, la vérification de sa conséquence sur la position du
point de fonctionnement comme le montre l’organigramme de la figure (V.2).
La première étape de l’algorithme P&O consiste à calculer, pour chaque itération (k),
la puissance de sortie du GPV (PPV(k)) en utilisant les mesures actuelles du courant
(IPV(k)) et de la tension PV (VPV(k)). Ensuite, la valeur actuelle de puissance (PPV(k)) est
comparée avec l’ancienne valeur (PPV(k-1)) résultante de la perturbation précédente. En
observant le signe de variation de la puissance PV (ΔPPV= PPV(k)-PPV(k-1)), la tension de

115
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

référence Vref du GPV (VPV) sera perturbée. Si la puissance à l’itération actuelle (PPV(k)) a
augmentée par rapport à celle de l’instant précédent (PPV (k-1)), alors on conserve la
même direction de perturbation de Vref avec un pas constant (ΔVref). Dans le cas
contraire (i.e. ΔPPV négative), on inverse le sens de perturbation de Vref pour converger
vers le PPM. Le processus de perturbation de la tension VPV se répète périodiquement
jusqu’à l’atteinte du PPM.

Début

Mesurer VPV(k) et IPV(k)

Calculer PPV(k)= VPV(k)*IPV(k)

ΔPPV=PPV(k)-PPV(k-1)
ΔVPV=VPV(k)-VPV(k-1)

ΔPPV=0

Non Oui
ΔPPV>0

ΔVPV>0 ΔVPV>0
Non Oui Oui Non

Vref(k) = Vref(k-1)+ΔVref Vref(k) = Vref(k-1)-ΔVref Vref(k) = Vref(k-1)+ΔVref Vref(k) = Vref(k-1)-ΔVref

PPV(k-1)=PPV(k)
VPV(k-1)=VPV(k)

Retour

Figure V.2 : Organigramme de l’algorithme de P&O [179].

La technique de P&O est très simple et facile à implémenter en temps réel.

Néanmoins, leur performances en régimes transitoire et statique dépendent
principalement de la largeur fixe du pas de perturbation (ΔVref). Une grande valeur de ce
pas mène à une réponse transitoire rapide mais avec des oscillations larges autour du
PPM. Inversement, une réponse lente avec des oscillations statiques atténuées sont
obtenues avec un petit pas de perturbation [5].
Plusieurs variantes de la méthode de P&O basées sur les TIAs sont présentées dans la
littérature [5,54,157,180]. Dans cette étude, les propriétés avantageuses des RNAs
entrainés en-ligne ont motivé notre choix d’utiliser un ENN [54,103] comme contrôleur
MPPT de la source PV.
V.[Link]. Contrôleur MPPT adopté
Le schéma de commande associé au hacheur survolteur, qui interface le GPV au bus
CC, est illustré par la figure (V.3). Le contrôleur MPPT adopté est établi en se basant sur
le principe de l’algorithme de P&O qui consiste à perturber la tension de sortie du GPV.
L’objectif visé ici est d’améliorer les performances de poursuite de la méthode de P&O

116
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

en termes de vitesse de convergence et d’oscillations statiques autour du PPM. Comme

le montre la figure (V.3), les variations du courant PV (ΔIPV=IPV(k)-IPV(k-1)) et de la
puissance PV (ΔPPV=PPV(k)-PPV(k-1)) représentent les entrées du contrôleur ENN. Ce
dernier envoie en sortie la tension de référence (VPVref ) de la source PV.
σe(k)
Algorithme de RP
CH
CE 𝑤𝑖𝑗𝑐
ΔPPV(k) VPV
ΔIPV(k) CS + Signal MLI
VPVref -
Z-1 + PI ≤
Z-1

Z-1
𝑤𝑗 𝑤0

CX 1

Figure V.3 : Schéma bloc de commande à base d’ENN du convertisseur interfaçant le GPV.

On donne dans ce qui suit les équations décrivant la tâche de chaque couche du
contrôleur ENN adopté :
 Les neurones de la CE permettent de faire passer les signaux d’entrée vers la CH
:
(1) (1) (1) (1)
𝑧𝑖 (𝑘) = 𝑆𝑖 (𝑛𝑖 ) = 𝑛𝑖 (𝑘) = 𝐸𝑖 (𝑘) , 𝑖 = 1,2
{ (V.1)
𝐸1 (𝑘) = ∆𝐼𝑃𝑉 (𝑘) , 𝐸2 (𝑘) = ∆𝑃𝑃𝑉 (𝑘)
(1) (1)
Avec 𝐸𝑖 , 𝑆𝑖 et 𝑧𝑖 présentent, respectivement, l’entrée, la fonction d’activation et la
(1)
sortie du iième neurone de la CE. 𝑛𝑖 est le niveau d’activation du nœud i.
 La sortie d’un neurone caché j se calcule suivant l’équation suivante :
(2) (2) (2) (2) (3) (1)
𝑧𝑗 (𝑘) = 𝑆𝑗 (𝑛𝑗 ) = 𝑆𝑗 (∑𝑟 𝑧𝑟 (𝑘) + ∑𝑖 𝑤𝑖𝑗𝑐 𝑧𝑖 (𝑘)) , 𝑖 = 1,2 , 𝑗 𝑒𝑡 𝑟 = 1,2,3 (V.2)
(2) (2) (2)
𝑧𝑗 , 𝑆𝑗 et 𝑛𝑗 dénotent, respectivement, la sortie, la fonction de transfert et le niveau
d’activation du neurone j de la CH, 𝑤𝑖𝑗𝑐 est le poids de connexion entre le neurone i de
la CE et le neurone j de la CH et 𝑧𝑟(3) (𝑘) est la sortie du neurone r de la CX. On note que
nous avons choisi d’utiliser une fonction d’activation non linéaire de type tangente
hyperbolique pour les neurones de la CH.
 Les sorties des neurones de la CH sont renvoyées aux entrées des neurones de la
CX, tel que :
(3) (2)
𝑧𝑟 (𝑘) = 𝑧𝑗 (𝑘 − 1) , 𝑗 𝑒𝑡 𝑟 = 1,2,3 (V.3)
 En fin, la sortie d’ENN se calcule comme suit :
(4) (4) (4) (4) (2)
𝑧𝑜 (𝑘) = 𝑆𝑜 (𝑛 ) = 𝑆𝑜 (𝑤0 + ∑𝑗 𝑤𝑗 𝑧𝑗 (𝑘)) = 𝑉𝑃𝑉𝑟𝑒𝑓 , 𝑗 = 1,2,3 (V.4)
(4)
𝑆𝑜 estla fonction de transfert sigmoïdale du neurone de sortie, 𝑤𝑗 représente le poids
synaptique reliant le neurone j de la CH au neurone de sortie et 𝑤0 est le biais du
neurone de sortie. La dérivée de la fonction d’activation de la CS est donnée par :

117
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

(4)
(4) −𝛽.𝑛
(4) (4) (4) 1 𝜕𝑧𝑜 𝛽𝑒 (4) (4)
𝑧𝑜 = 𝑆𝑜 (𝑛 )= (4) ⇒ (4) = (4) 2
= 𝛽𝑧𝑜 [1 − 𝑧𝑜 ] (V.5)
−𝛽.𝑛 𝜕𝑛 −𝛽.𝑛
1+𝑒 (1+𝑒 )

Tel que β est une constante positive qui représente la pente de la courbe sigmoïdale.
Dans la présente étude, l’algorithme de RP avec momentum [18,20,101] est adopté
pour accomplir l’apprentissage en-ligne du ENN. Les lois d’adaptation des poids des
connexions selon la règle de la méthode de la descente du gradient sont exprimées
comme suit :
𝜕𝜎𝑒 (𝑘)
𝑤𝑖𝑗𝑐 (𝑘 + 1) = 𝑤𝑖𝑗𝑐 (𝑘) − 𝜇 𝑐 + 𝛼 (𝑤𝑖𝑗𝑐 (𝑘) − 𝑤𝑖𝑗𝑐 (𝑘 − 1))
𝜕𝑤𝑖𝑗
𝜕𝜎𝑒 (𝑘)
𝑤0 (𝑘 + 1) = 𝑤0 (𝑘) − 𝜇
𝜕𝑤0
+ 𝛼(𝑤0 (𝑘) − 𝑤0 (𝑘 − 1)) (V.6)
𝜕𝜎𝑒 (𝑘)
𝑤𝑗 (𝑘 + 1) = 𝑤𝑗 (𝑘) − 𝜇 + 𝛼 (𝑤𝑗 (𝑘) − 𝑤𝑗 (𝑘 − 1))
{ 𝜕𝑤𝑗

μ et 𝛼 sont, respectivement, le taux d’apprentissage et le coefficient de momentum. 𝜎𝑒

est la fonction coût d’algorithme d’apprentissage d’ENN.
Puisque la pente de la courbe de puissance (PPV(VPV)) d’une source PV s’annule au
PPM, les auteurs dans [157] ont proposé d’exprimer la fonction coût de l’entraînement
de leur suiveur neuronal comme suit : 𝜎𝑒 (𝑡)=[0-(dPPV/dVPV)]2/2.
Donc, nous avons choisi d’exprimer la fonction coût d’apprentissage 𝜎𝑒 (𝑡) comme :
2 2
𝜎𝑒 (𝑡) = 𝑒𝑆(𝑡) ⁄2 = (𝑒𝑝(𝑡) + 𝑐1 ∫ 𝑒𝑝(𝑡)𝑑𝑡) ⁄2 (V.7)
∆𝑃𝑃𝑉 𝑃𝑃𝑉(𝑘)−𝑃𝑃𝑉 (𝑘−1)
Tel que: 𝑒𝑝 (𝑘) = (0 −
∆𝑉𝑃𝑉
)=−
𝑉𝑃𝑉 (𝑘)−𝑉𝑃𝑉 (𝑘−1)
(V.8)
c1 est une constante positive. Le processus d’entraînement du neuro-contrôleur MPPT
vise alors à minimiser la fonction d’erreur 𝜎𝑒 (𝑡) en ajustant les valeurs des poids de
connexion.
D’autre part, afin d’améliorer les performances dynamiques et statiques du
contrôleur ENN proposé, on utilise un coefficient d’apprentissage μ adaptatif. La
formule proposée dans [107] est donc modifiée dans notre application comme suit :
𝜇𝑚𝑎𝑥 −𝜇𝑚𝑖𝑛 1
𝜇(𝑘) = [ ( ′ + 1) + 𝜇𝑚𝑖𝑛 ] (V.9)
2 1+𝑒 −(𝛽 𝛾𝑘 )
avec μmax et μmin sont, respectivement, les valeurs maximale et minimale du taux
𝜔𝑐
d’apprentissage et 𝛽′ est une constante positive. On définit 𝛾𝑘 comme 𝛾𝑘 = 𝜔 +𝑠 𝜎𝑒 (𝑘) [157] ;
𝑐

tel que, 𝜔𝑐 est la fréquence de coupure du FPB. En calculant les gradients de la fonction
coût dans le système d’équation (V.6) (voir annexe B), on obtient :
𝛽 𝜕𝑒𝑆 (4) (4) (2) 2 (1)
𝑤𝑖𝑗𝑐 (𝑘 + 1) = 𝑤𝑖𝑗𝑐 (𝑘) − 𝜇. 𝑤𝑗 . 𝑧𝑜 (1 − 𝑧𝑜 ) [1 − (𝑧𝑗 ) ] 𝑧𝑖 𝑒𝑆 (𝑘) + 𝛼 (𝑤𝑖𝑗𝑐 (𝑘) − 𝑤𝑖𝑗𝑐 (𝑘 − 1))
2 𝜕𝑧𝑜(4)
𝜕𝑒𝑆 (4) (4)
𝑤0 (𝑘 + 1) = 𝑤0 (𝑘) − 𝜇. 𝛽 (4) 𝑧𝑜 (1 − 𝑧𝑜 )𝑒𝑆 (𝑘) + 𝛼(𝑤0 (𝑘) − 𝑤0 (𝑘 − 1))
𝜕𝑧𝑜
𝜕𝑒𝑆 (4) (4) (2)
𝑤𝑗 (𝑘 + 1) = 𝑤𝑗 (𝑘) − 𝜇. 𝛽 (4) 𝑧𝑜 (1 − 𝑧𝑜 )𝑧𝑗 𝑒𝑆 (𝑘) + 𝛼 (𝑤𝑗 (𝑘) − 𝑤𝑗 (𝑘 − 1))
{ 𝜕𝑧𝑜
(V.10)
(4)
En approximant 𝜕𝑒𝑆 ⁄𝜕𝑧𝑜
à 1, les règles finales d’ajustement en-ligne des paramètres
du suiveur ENN sont données comme suit :

118
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

𝛽 (4) (4) (2) 2 (1)

𝑤𝑖𝑗𝑐 (𝑘 + 1) = 𝑤𝑖𝑗𝑐 (𝑘) − 𝜇. 𝑤𝑗 . 𝑧𝑜 (1 − 𝑧𝑜 ) [1 − (𝑧𝑗 ) ] 𝑧𝑖 𝑒𝑆 (𝑘) + 𝛼 (𝑤𝑖𝑗𝑐 (𝑘) − 𝑤𝑖𝑗𝑐 (𝑘 − 1))
2
(4) (4)
𝑤0 (𝑘 + 1) = 𝑤0 (𝑘) − 𝜇. 𝛽𝑧𝑜 (1 − 𝑧𝑜 )𝑒𝑆 (𝑘) + 𝛼(𝑤0 (𝑘) − 𝑤0 (𝑘 − 1)) (V.11)
(4) (4) (2)
{ 𝑤𝑗 (𝑘 + 1) = 𝑤𝑗 (𝑘) − 𝜇. 𝛽𝑧𝑜 (1 − 𝑧𝑜 )𝑧𝑗 𝑒𝑆 (𝑘) + 𝛼 (𝑤𝑗 (𝑘) − 𝑤𝑗 (𝑘 − 1))
La figure (V.4.a) montre le schéma bloc du contrôleur ENN développé dans
l’environnement Matlab/Simulink. Un exemple d’implémentation de la règle
d’adaptation des poids de connexion de la CS est illustré par la figure (V.4.b).
1
z
1 Unit Delay

Product1 -1 W1(4)
1 Ei(1) X(2) 1 Add2
Xi(1) 1
2 Ei(1) Ei(2)
-K-
Xi(1) X(2) 2 z
Add8 momentium3
W2(4)
1 Unit Delay7
Ei(2) input layer X(2) 1
X(3)r
X(2) z 1
Unit Delay1 W3(4)
X(2) 3
Wjo(3) x(2) X(2) 1 Wjo(3)
Xo(4) 1
-2
en en Wjo(3) Wo io Xo(4) Product2
Add1
X(2) x(3) r 1 -K-
X(4) X(4) z W0(4)
output layer Unit Delay6
Add7 momentium2
1
OL Wjo
context layer hidden layer z
Unit Delay2
1
2
en Product4 -3
Add3
1 1 -K-
Constant -K- z
Add6 momentium1
num(s) Add4 Unit Delay5
eu
1
3 0.8 1 Product1 Product6 Gain
z
den(s) f(u) f(u) 3
en u learning Unit Delay8
FPB Gain1 Exp1 1 X(4) 1
Sum1 Reciprocal1 Fcn8 Fcn9
Product5 -5
one1 Add10
1 -K-
z
Add11 momentium6
Unit Delay9
(a) (b)
Figure V.4 : Implémentation dans Matlab/Simulink de : a) Contrôleur ENN, b) La règle d’adaptation
des poids de la CS.
V.2.2.2. Contrôleur flou de la PAC-OS
Le hacheur survolteur associé à la PAC-OS est utilisé pour élever sa tension de sortie
ainsi que contrôler l’énergie générée par le stack. En fonction des conditions de
génération et de demande d’énergie, la puissance produite par la PAC est ajustée en
régulant son courant de sortie (Ifc) comme le décrit le schéma de la figure (V.5). La
consigne du courant de la PAC-OS (Ifcref) est calculée en divisant la puissance de
référence (Pfcref), reçue du superviseur central, par la tension mesurée aux bornes du
stack (Vfc). La référence obtenue est ensuite limitée dans un intervalle qui correspond à
la gamme désirée du facteur d’utilisation de combustible Uf (Uf ∈[0.8,0.9] ) [31]:
𝑖𝑛 𝑖𝑛
0.8 𝑞𝐻 0.9 𝑞𝐻
𝐼𝑓𝑐_𝑚𝑖𝑛 =
2𝐾𝑟
2
≤ 𝐼𝑓𝑐𝑟𝑒𝑓 ≤ 𝐼𝑓𝑐_𝑚𝑎𝑥 =
2𝐾𝑟
2
(V.12)

Ensuite, l’écart entre le courant mesuré et sa référence est calculé puis, envoyé au
contrôleur PI-flou adaptatif. La sortie du correcteur du courant est comparée avec un
signal triangulaire de fréquence haute pour générer le signal de contrôle du dispositif de
commutation du convertisseur élévateur (voir figure (V.5)).

119
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

Ifmin
3 fuzzy_gain_tuner
Umax
Pfc_ref
Satur1 Ifc_ref 1 Kp
f(u)
max error
z >= 1
Product3 limit Unit Delay Ki Product2
1 1/u Saturation PWM
qH2 Add2 Relational
Vfc Operator1
Satur Fcn1 4 -K- -K- 2 K Ts
Ifcmax Ifc
1/2Kr min z-1 triangle
Product1

Figure V.5: Schéma bloc de la commande du convertisseur boost de la PAC-OS.

Dans cette étude, afin d’assurer l’adaptativité du contrôleur du courant de la PAC
aux fluctuations aléatoires de la demande énergétique, les gains proportionnel et
intégral (KP et KI respectivement) du correcteur PI sont ajustés en temps réel en utilisant
un SIF de type TSK. Il vise à améliorer les réponses transitoire et statique du contrôleur
linéaire PI sous des conditions variables du SEH. On note ici que le Régulateur de Gains
Flou (RGF) du contrôleur PI adopté dans cette étude est une extension de ceux proposés
dans les références [175,176].
Donc, le RGF du contrôleur PI prend à l’entrée l’erreur du courant (efc(t)= Ifcref- Ifc) et la
variation d’erreur (Δefc) et renvoie en sortie les valeurs appropriées des paramètres KP et
KI. Comme le montre la figure (V.6.a), sept FAs de type triangulaire sont choisies pour
chacune des entrées du RGF. Les labels linguistiques utilisées pour qualifier les entrées
efc et Δefc sont : NB, NM, NS, ZE, PS, PM, PB, qui signifient respectivement, négative
grand, négative moyen, négative petit, zéro, positive petit, positive moyen et positive
grand. D’autre part, les singletons constants (correspondant aux valeurs 0.1, 0.35, 0.65,
0.95) de chacune des variables de sortie (KP et KI) du RGF sont caractérisés,
respectivement, par les labels S (petit), MS (moyen petit), MB (moyen grand) et B
(grand) (voir figure (V.6.b)).
Comme déjà mentionné, le RGF est basé sur le modèle d’inférence flou de TSK
d’ordre zéro dont la forme d’une règle floue à conclusion numérique est donnée dans la
section (II.3.1.4). On adopte pour ce régulateur flou la méthode d’inférence de Mamdani
« Max-Min » ainsi que la méthode de moyenne pondérée (commande wtaver de la boite à
outil FIS editor de Matlab) pour le calcul de la sortie finale (KP et KI). Les tableaux (V.1) et
(V.2) récapitulent les règles d’inférence utilisées pour déterminer l’action de commande
adéquate pour l’ajustement des paramètres KP et KI du correcteur du courant. Ces règles
floues sont établies en fonction des performances de contrôle (temps de réponse,
dépassement maximale et erreur statique) qu’on désire les optimiser en régimes
transitoire et permanent : Pour des grandes valeurs d’erreur positive (efc est PB) et de
variation d’erreur négative (Δefc est NB), en régime transitoire, une forte action de
commande est demandée. Ceci signifie que des grandes valeurs de KP et KI (KP est B et KI
est B) sont exigées afin de réduire le temps de réponse du contrôleur PI et de converger
rapidement vers la consigne du courant. En régime permanent, il nécessaire d’éliminer

120
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

l’erreur statique en augmentant le gain intégral et en diminuant le gain proportionnel.

Pour des valeurs d’erreur et de variation d’erreur très proches du zéro (efc est ZE et Δefc
est ZE) les valeurs de S et B sont alors choisies pour KP de KI respectivement (KP est S et
KI est B).
Après avoir calculer les valeurs des gains proportionnel et intégral en sortie du
régulateur flou (KP et KI), les valeurs finales des paramètres du correcteur PI du courant
sont adaptées suivant les expressions suivantes [177]:
𝐾𝑃𝑓 = 𝐾𝑃 + ∆𝐾𝑃𝑖 , 𝐾𝐼𝑓 = 𝐾𝐼 + ∆𝐾𝐼𝑖 (V.13)

Avec (KPf, KIf) représentent les valeurs finales des paramètres PI. ΔKPi et ΔKIi dénotent
les valeurs initiales des gains du contrôleur PI. Ces derniers sont déterminés en utilisant
la méthode classique de placement de pôles.
NB NMNB NS NM
ZE PS NS
PM PB B
1 1 S MS MB

Degree of membership
Degree of membership

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Error and change of error (A) Kp and Ki

(a) (b)
Figure V.6: FAs assignées aux : (a) Variables d’entrée (efc et Δefc), (b) Variables de sortie (KP,KI) du RGF
du contrôleur de PAC-OS.

efc Δefc NB NM NS ZE PS PM PB
NB B B B B B B B
NM MB MB MB MS MB MB MB
NS MB MS MS MS MS MS MB
ZE MS MS S S S MS MS
PS MB MS MS MS MS MS MB
PM MB MB MB MS MB MB MB
PB B B B B B B B
Tableau V.1 : Bases de règles floues pour la régulation du gain KP du contrôleur du courant de PAC.

efc Δefc NB NM NS ZE PS PM PB
NB S MB MB MB MB MB S
NM MB MS MS MB MS MS MB
NS MB MB B B B MB MB
ZE B B B B B B B
PS MB MB B B B MB MB
PM MB MS MS MB MS MS MB
PB B MB MB MB MB MB B

Tableau V.2 : Bases de règles floues pour la régulation du gain KI du contrôleur du courant de PAC.

121
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

V.2.2.3. Contrôle de courant du SSEB à base de RGF

Dans cette étude, le banc de batteries est utilisé comme une source d’énergie
secondaire dans le SEH. Il permet de stocker l’excès d’énergie PV produite et de le
restituer durant les périodes de manque d’énergie. Le contrôle de la charge et de la
décharge du SSEB est donc réalisé à l’aide d’un hacheur réversible dévolteur-survolteur.
La structure de commande du convertisseur bidirectionnel est illustrée par la figure
(V.7). La puissance de consigne du SSEB, déterminée par le SGE centralisé, est divisée
par la tension mesurée en sortie (Vb) afin de générer la référence du courant (Ibref).
Ensuite, un correcteur PI basé sur un RGF est utilisé pour accomplir un contrôle
adaptatif du courant de sortie du SSEB. Ce RGF est analogue à celui adopté pour le
contrôleur de la PAC-OS. Le rapport cyclique en sortie du contrôleur de courant du
SSEB est employé pour générer les pulsations de commutation du hacheur réversible.

NOT 2
2
Kp PWM1
ibatt Product2 Zero-Order Logical
Error Hold Operator2
3 >=
Ki
1
Pbref Saturation3
Saturation2 PWM
Add3 K Ts Relational
Product3 FGT
Operator1
1 1/u z-1
Product1
Vb
Saturation1 Fcn1
Triangle

Figure V.7: Schéma bloc de commande du convertisseur réversible.

V.2.2.4. Schéma de contrôle à FV orienté de l’onduleur 3L-NPC

Comme déjà évoqué, le rôle principal du convertisseur côté réseau est d’assurer le
contrôle des puissances active et réactive échangées avec le réseau électrique. De plus,
l’onduleur 3L-NPC doit maintenir la tension du bus CC constante en dépit des
variations des conditions de génération et de demande d’énergie. La structure de VFOC
adoptée pour le convertisseur 3L-NPC est décrite par la figure (V.8). Dans ce schéma de
commande, les composantes directe et en quadrature du courant de sortie d’onduleur
sont contrôlées séparément afin de réguler le flux des puissances active et réactive au
PCC. Quatre régulateurs neuro-flous sont alors utilisés pour ajuster en temps réel les
gains proportionnel et intégral (KPi et KIi) des contrôleurs PI des composantes d et q du
courant d’onduleur (voir figure (V.8)). De plus, un Contrôleur Flou par Mode de
Glissement (CFMG) se charge de la stabilisation de la tension du bus CC. La phase du
vecteur de tension du réseau est calculée à l’aide de l’estimateur du FV.
Comme déjà vu dans le chapitre IV, l’estimation des composantes αβ du FV du
réseau est faite en fonction des composantes αβ du courant de sortie d’onduleur (icα,icβ) et
de la tension mesurée au bus CC (VDC) comme suit:
𝑉𝐷𝐶
Ψ𝑔𝛼 = ∫ (2𝑆𝑎 − 𝑆𝑏 − 𝑆𝑐 )𝑑𝑡 − 𝐿 𝑖𝑐𝛼
6
{ 𝑉𝐷𝐶 (V.14)
Ψ𝑔𝛽 = ∫ (𝑆𝑏 − 𝑆𝑐 )𝑑𝑡 − 𝐿 𝑖𝑐𝛽
2√3

122
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

Le calcul des puissances instantanées (P,Q) en fonction de (Ψgα, Ψgβ) est alors accompli
selon les formules suivantes [171]:
3
𝑃 = 𝜔 ∙ (Ψ𝑔𝛼 𝑖𝑐𝛽 − Ψ𝑔𝛽 𝑖𝑐𝛼 )
2
{ 3 (V.15)
𝑄 = 𝜔 ∙ (Ψ𝑔𝛼 𝑖𝑐𝛼 + Ψ𝑔𝛽 𝑖𝑐𝛽 )
2
L’équation modélisant l’ensemble « onduleur 3L-NPC - filtre RL – réseau » dans le
repère dq (en négligeant la chute de tension aux bornes de la résistance du filtre) est
donnée par :
𝑑𝑖𝑐𝑑
𝑣𝑑 = 𝐿 + 𝐿𝜔𝑖𝑐𝑞 + 𝑣𝑔𝑑
𝑑𝑡
{ 𝑑𝑖𝑐𝑞 (V.16)
𝑣𝑞 = 𝐿 − 𝐿𝜔𝑖𝑐𝑑 + 𝑣𝑔𝑞
𝑑𝑡
La commande vectorielle par orientation du FV est achevée en alignant l’axe d du
repère tournant dq avec le vecteur du FV du réseau (voir figure (IV.7)). En conséquence,
le vecteur de tension du réseau est aligné avec l’axe q en quadrature avec le vecteur du
FV [141]. Donc, dans le schéma de VFOC, la puissance active de l’onduleur est contrôlée
en agissant sur la composante en quadrature du courant (𝑖𝑐𝑞 ). Alors que, la puissance
réactive est régulée en altérant la composante directe du courant d’onduleur (𝑖𝑐𝑑 )
[141,167].
Comme pour la structure de VOC, les composantes d et q de la tension de référence
de l‘onduleur (𝑣∗𝑐𝑑 et 𝑣∗𝑐𝑞 ), dans le schéma de VFOC, sont déterminées en fonction des
termes de découplage comme suit [141,167]:
𝑣∗𝑐𝑑 = 𝑣𝑟𝑑 + 𝐿𝜔𝑖𝑐𝑞 + 𝑣𝑔𝑑
{ ∗ (V.17)
𝑣𝑐𝑞 = 𝑣𝑟𝑞 − 𝐿𝜔𝑖𝑐𝑑 + 𝑣𝑔𝑞
Tel que 𝑣𝑟𝑑 et 𝑣𝑟𝑞 désignent les signaux de sortie des contrôleurs des courants (𝑖𝑐𝑑 et
𝑖𝑐𝑞 ) dans le repère tournant dq. En utilisant la transformée de Park, les composantes du
vecteur de tension du réseau 𝑣𝑔𝑑 et 𝑣𝑔𝑞 sont estimées, à chaque période d’échantillonnage
Ts, en fonction des composantes du FV comme suit [168] :
Ψ𝑔𝛼 (𝑘+1)−Ψ𝑔𝛼 (𝑘)
𝑣𝑔𝛼 (𝑘) = 𝑣𝑔𝑑 𝑣𝑔𝛼
𝑇𝑠
{ Ψ𝑔𝛽 (𝑘+1)−Ψ𝑔𝛽 (𝑘)
⟹ [𝑣 ] = [𝑇𝛼𝛽→𝑑𝑞 (𝜃𝑔 )] [𝑣 ] (V.18)
𝑔𝑞 𝑔𝛽
𝑣𝑔𝛽 (𝑘) =
𝑇𝑠

Afin d’assurer la synchronisation avec le réseau, l’angle du vecteur de tension du

réseau g est estimé par l’intermédiaire des composantes αβ du FV comme suit [141,167]:
Ψ𝑔𝛽 Ψ𝑔𝛼 Ψ𝑔𝛽
sin(𝜃Ψ ) =
2
, cos(𝜃Ψ ) =
2
⇒ 𝜃𝑔 = 𝑎𝑟𝑐𝑡𝑎𝑛 (
Ψ𝑔𝛼
) + 90° (V.19)
√Ψ2
𝑔𝛼 +Ψ𝑔𝛽 √Ψ2
𝑔𝛼 +Ψ𝑔𝛽

𝜃Ψ est l’angle de déphasage entre l’axe 𝑎 du repère stationnaire et le vecteur du FV. 𝜃𝑔

présente l’angle entre l’axe 𝑎 et le vecteur de tension du réseau. Tenant en compte
l’équation (V.15), les consignes des courants active and réactive, dans le référentiel αβ,
sont calculées en fonction des puissances de référence imposées par la charge locale (Pref
=PLoad et Qref=QLoad) et les composantes αβ du FV (Ψ𝑔𝛼 et Ψ𝑔𝛽 ) comme suit [171] :
2 Ψ𝑔𝛼 ∙ 𝑄𝑟𝑒𝑓 −Ψ𝑔𝛽 ∙ 𝑃𝑟𝑒𝑓
𝑖𝑐𝛼,𝑟𝑒𝑓 =
3 𝜔(Ψ𝑔𝛼 2 +Ψ𝑔𝛽 2 )
{ 2 Ψ𝑔𝛼 ∙ 𝑃𝑟𝑒𝑓 +Ψ𝑔𝛽 ∙ 𝑄𝑟𝑒𝑓
(V.20)
𝑖𝑐𝛽,𝑟𝑒𝑓 =
3 𝜔(Ψ𝑔𝛼 2 +Ψ𝑔𝛽 2 )

123
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

En fin, les références des courants selon les axes d et q (𝑖𝑐𝑑,𝑟𝑒𝑓 , 𝑖𝑐𝑞,𝑟𝑒𝑓 ) sont obtenues en
appliquant la transformée de Park (𝑇𝛼𝛽→𝑑𝑞 ) comme suit :
𝑖𝑐𝑑𝑟𝑒𝑓 𝑖𝑐𝛼,𝑟𝑒𝑓
[
𝑖𝑐𝑞,𝑟𝑒𝑓
] = [𝑇𝛼𝛽→𝑑𝑞 (𝜃𝑔 )] [
𝑖𝑐𝛽,𝑟𝑒𝑓
] (V.21)
La figure (V.8) indique que des signaux de correction issus du CFMG de la tension du
bus CC (noté ∆𝑖𝑞𝑟𝑒𝑓 ) et du FPB (noté 𝑖𝑞ℎ ) sont utilisés pour corriger la valeur de la
consigne du courant en quadrature ( 𝑖𝑐𝑞,𝑟𝑒𝑓 ). Le FPB d’ordre un, rajouté à la boucle de
régulation du courant en quadrature, a pour but de réduire les oscillations statiques du
courant [170,181]. D’autre part, la sortie du régulateur PI de la puissance réactive ∆𝑖𝑑𝑟𝑒𝑓
est rajoutée à la composante d du courant de référence ( 𝑖𝑐𝑑,𝑟𝑒𝑓 ) dans le but d’améliorer
les performances de contrôle. Les composantes d et q du courant mesuré sont comparées
avec leurs consignes correspondantes et les erreurs sont ensuite fournies aux entrées des
Régulateurs de Gain Neuro-Flou (RGNF) des contrôleurs PI des courants d et q. Enfin,
les tensions de référence obtenues (𝑣∗𝑐𝑑 et 𝑣∗𝑐𝑞 ) sont utilisées pour générer les signaux de
contrôle du convertisseur 3L-NPC.
gα,gβ Estimation 𝒗𝒈𝒅
Q
θg de vgd et vgq 𝒗𝒈𝒒
Qref - +
PI
icα , icβ 𝒗𝒈𝒅
icd Δidref KP et KI
Sa Calcul des θg αβ icd*
Sb composantes 𝒗𝒓𝒅 + 𝒗∗𝒄𝒅
Sc αβ du FV
+
icdref + RGNFs
dq icq PI
VDC gαgβ - + -
∫e
Pref , Qref icd
ωL Sa
icα gα,gβ
Calcul de +
icabc abc SPWM Sb
θg icdref et icqref icq
+
ωL Sc
αβ icβ + - icq*
s + +
+
VDCref + Surface de icqref
- RGNFs PI
glissement
CFMG - 𝒗∗𝒄𝒒
- Δiqref + + + 𝒗𝒓𝒅 +
+ ∫e
VDC ds FPB iq,h KP et KI
𝒗𝒈𝒒
- +
+
Figure V.8 : Schéma de VFOC adopté pour la commande de l’onduleur.

V.[Link]. Contrôle de la tension du bus CC

Comme déjà mentionné, on adopte un contrôleur flou par mode glissant pour la
régulation de la tension du bus CC. Il utilise un SIF de type TSK dont les grandeurs
d’entrée et la base des règles sont définies suivant le principe de la commande par mode
glissant (voir annexe C). Le CFMG proposé combine alors les avantages de la LF et de la
CMG en vue d’assurer une régulation précise et robuste de la tension du bus CC sous
différentes conditions de fonctionnement [46,182]. Comme déjà suggéré dans [46, 183], la
fonction de glissement scalaire et sa dérivée sont choisies comme variables d’entrée du
CFMG. La surface de glissement S(t), adoptée dans cette étude, est définie en fonction de
l’erreur de poursuite de la trajectoire désirée comme suit [184]:
𝑡
𝑆(𝑡) = 𝜆𝑖 ∫0 𝑒𝑑𝑐 (𝜏)𝑑𝜏 + 𝜆𝑒 . 𝑒𝑑𝑐 (𝑡) + 𝑒̇𝑑𝑐 (𝑡) (V.22)

124
 Sous forme discrète, la surface de commutation S(k) et sa variation dS(k) sont
calculées comme suit :
𝑆(𝑘) = 𝜆𝑖 ∑𝑘𝑖=1 𝑒𝑑𝑐 (𝑖) + 𝜆𝑒 𝑒𝑑𝑐 (𝑘) + 𝑑𝑒𝑑𝑐 (𝑘)
{ (V.23)
𝑑𝑆(𝑘) = 𝑆(𝑘) − 𝑆(𝑘 − 1)
𝑒𝑑𝑐 (𝑘) = 𝑉𝐷𝐶𝑟𝑒𝑓 (𝑘) − 𝑉𝐷𝐶 (𝑘)
Tel que { (V.24)
𝑑𝑒𝑑𝑐 (𝑘) = 𝑒𝑑𝑐 (𝑘) − 𝑒𝑑𝑐 (𝑘 − 1)
Avec edc(k) est l’erreur actuelle de la tension du bus CC, dedc(k) est la dérivée discrète de
l’erreur de tension et VDCref est la valeur de référence de la tension du bus CC. 𝜆𝑖 et
𝜆𝑒 sont des constantes positives non nulles. Comme le montre la figure (V.9), la loi de
commande en sortie du CFMG est calculée selon la formule suivante [183] :
𝑈(𝑘) = 𝑑𝑈(𝑘) + 𝑈(𝑘 − 1) (V.25)
dU est l’incrément de l’action de commande. Le CFMG développé est donc basé sur le
modèle flou de TSK d’ordre-zéro. Les FAs trapézoïdale et gaussienne assignées aux
entrées du CFMG sont illustrées par la figure (V.10). La distribution des sorties
singletons du CFMG sur l’univers de discours est comme suit : NB=-1.1, NM=-0.75,
NS=-0.4, ZE=0, PS=0.4, PM=0.75 and PB=1.1. L’ensemble des règles floues du CFMG est
donné par le tableau (V.3). La méthode d’inférence de « Max-Min » est également
adoptée. En outre, la sortie du CFMG est calculée par la méthode de moyenne pondérée.
Donc, l’objectif de commande du CFMG est de générer le signal de contrôle correct
qui garantit la convergence rapide vers l’état d’équilibre et la stabilité asymptotique du
système. Quand 𝑆 > 0 et 𝑑𝑆 > 0 (voir tableau (V.3)), l’incrément du signal de contrôle
𝑑𝑈 doit être négatif afin de conduire la trajectoire de la variable d’état (VDC) vers la
surface de glissement dans un temps fini. Toutefois, en régime de glissement 𝑆 ≈ 0 et
𝑑𝑆 ≈ 0, la perturbation de la loi de commande (𝑑𝑈) du CFMG doit être quasiment nulle
afin de maintenir la trajectoire d’état sur la surface de glissement et ne la quitte jamais.
Memory
1 -K- -K- dU
S
edc(t) -K- 1
c1 normaliser Satur1
1 U(k)
Add normaliser2
1
-K- Fuzzy Logic z
z dS Controller Unit Delay1
1
Unit Delay normaliser1 Satur
K Ts z
-K-
Unit Delay2
z-1
Discrete integrator c2

Figure V.9 : Schéma bloc du CFMG implémenté dans Matlab/Simulink.

NB NM NS ZE PS PM PB NB NM NS ZE PS PM PB
1 1
Degree of membership

0.8
Degree of membership

0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

-1 -0.5 0 0.5 1 -0.6 -0.4 -0.2 0 0.2 0.4 0.6

S dS

(a) (b)
Figure V.10 : FAs des entrées du CFMG : a) Surface de glissement S, b) Sa variation dS.
 Chapitre V : Commande vectorielle à FV orienté des systèmes PV hybrides

S dS NB NM NS ZE PS PM PB
NB PB PB PB PM PM PS PS
NM PB PM PM PM PS PS NS
NS PM PS PS PS PS NS NM
ZE PM ZE ZE ZE ZE ZE NM
PS PM PS NS NS NS NS NM
PM PS NS NS NM NM NM NB
PB NS NS NM NM NB NB NB

Tableau V.3 : Base des règles floues du CFMG.

V.[Link]. Régulation à base d’ANFIS des gains des contrôleurs PI

Dans le schéma classique de VFOC, la synthèse des régulateurs PI des courants d et q
est réalisée souvent à l’aide de la méthode de placement des pôles ou d’autre méthode
conventionnelle. Néanmoins, le système étudié ici subit à différents types de
perturbations provenant du réseau (creux de tension, pollution harmonique, etc) et à des
variations non-linéaires des dynamiques du MR. L’utilisation des contrôleurs PI à gains
variables au sein du schéma de VFOC adopté s’avère adéquat.
Dans la référence [11] une structure de commande vectorielle est proposée pour un
système de génération éolien. Les auteurs ont présenté un schéma d’adaptation à base
d’ANFIS pour l’ajustement des gains des contrôleurs PI utilisés en sein du schéma de
contrôle adopté. Pour chaque correcteur PI, deux régulateurs ANFISs sont utilisés pour
adapter les paramètres proportionnel et intégral. Chacun des ANFISs proposés dans [11]
se base sur le modèle de TSK de premier ordre avec une seule entrée (l’erreur de
poursuite de consigne) et une seule sortie (le gain KP ou KI de chaque contrôleur PI).
Dans notre étude, le schéma de VFOC proposé utilise quatre RGNFs qui ajustent en
ligne les gains proportionnel et intégral (KP et KI) des contrôleurs PI des courants (𝑖𝑐𝑑 et
𝑖𝑐𝑞 ). L’objectif principal du schéma de régulation des gains est d’effectuer une auto-
adaptation des paramètres KP et KI de sorte que les performances du SEH restent
quasiment optimales sous des conditions variantes de fonctionnement.
Le schéma de régulation neuro-flou (ou ANFIS) adopté est basé sur un SIF de TSK de
premier ordre [89] avec deux entrées et une seule sortie. Comme le montre la figure
(V.8), les entrées de chaque RGNF pour chaque compensateur du courant sont la
∗ ∗
consigne du courant (𝑖𝑐𝑑 ou 𝑖𝑐𝑞 ) et l’intégral d’erreur (∫𝑒𝑐𝑑 ou ∫𝑒𝑐𝑞 respectivement). Tel
que, les erreurs des courants direct et en quadrature sont définies, respectivement, par
∗ ∗
𝑒𝑐𝑑 = 𝑖𝑐𝑑 − 𝑖𝑐𝑑 et 𝑒𝑐𝑞 = 𝑖𝑐𝑞 − 𝑖𝑐𝑞 . De plus, la sortie de chaque RGNF est le paramètre
optimisé KP ou KI de chaque contrôleur PI. Cinq FAs en forme de cloche (generalized–
bell) sont choisies pour chacune des entrées de chaque ANFIS. Alors que, des FAs
linéaires sont utilisées pour la sortie de chaque RGNF. On note ici que les correcteurs PI
des courants direct et en quadrature sont identiques.
Divers tests de simulation sous différentes conditions de fonctionnement, en utilisant
des valeurs distinctes de gain KP et KI du contrôleur du courant, sont effectués afin de

126
 Chapitre V : Commande vectorielle à FV orienté des systèmes PV hybrides

construire une base de données d’apprentissage. Les paramètres des FAs des entrées et
de sortie de chaque ANFIS sont modifiés hors-ligne en utilisant l’algorithme hybride
d’entraînement (voir section II.3.3). La figure (V.11) illustre les FAs des entrées des
RGNFs de KP et KI obtenues après la phase d’apprentissage.

(a)

(b)
Figure V.11 : FAs des entrées des régulateurs des gains KP et KI de contrôleur de courant direct.

V.2.2.5. Système de gestion d’énergie central

Dans cette étude, le rôle capital du SGE du SEH est d’assurer une meilleure
répartition de puissance entre les ressources énergétiques en vue de satisfaire les besoins
des charges locales à CA. En outre, il gère les flux énergétiques dans le MR de telle sorte
que le taux d’énergie soutirée du réseau principal soit réduit. Le SGE centralisé
détermine alors les ordres de commande adéquats pour les contrôleurs locaux des
sources d’appoint conformément à la disponibilité de la puissance PV générée, la
quantité d’énergie demandée et l’état de charge du SSEB. Les puissances de référence
Pfcref et Pbref pour les sources secondaires (respectivement, la PAC-OS et le SSEB) sont
déterminées par le SGE selon l’organigramme de la figure (V.12.a). Où, le GPV est
considéré comme la source principale d’énergie. Tandis que, la PAC-OS avec le SSEB
sont exploités comme des sources complémentaires.
L’algorithme de supervision commence donc par le calcul de la puissance (Pnet) qui
est égale à l’écart entre la puissance PV produite (PPV) et la puissance demandée par les
charges locales (PLoad). Ensuite, la stratégie de supervision du SGE est imposée en se
basant sur les contraintes et les règles de fonctionnement suivantes :
 La charge et la décharge du système de stockage d’énergie sont commandées selon
le niveau de SOC. Ce dernier doit être maintenu à un niveau acceptable afin de
prolonger la durée de vie des batteries.

127
 Chapitre V : Commande vectorielle à FV orienté des systèmes PV hybrides

 Tant que le SOC est inférieur au niveau minimal (𝑆𝑂𝐶 < 𝑆𝑂𝐶𝑚𝑖𝑛 ), le SSEB doit
opérer en mode de charge sans tenir compte les conditions de génération et de
demande d’énergie.
 Quand la puissance générée par la source PV est supérieure à la puissance requise
par la charge CA (Pnet<0), l’excès d’énergie est stocké dans le SSEB tant que le 𝑆𝑂𝐶 ≤
𝑆𝑂𝐶𝑚𝑎𝑥 pour éviter la surcharge des batteries.
 Dans le cas où le SSEB est complètement chargé (𝑆𝑂𝐶 > 𝑆𝑂𝐶𝑚𝑎𝑥 ), dans une période
de surproduction, la puissance PV excédentaire est injectée totalement au réseau
principal.
 Si l’extra de puissance demandée (Pnet) surpassant la puissance disponible du GPV
est moyen ou élevé, la PAC-OS doit répondre aux exigences des charges.
 D’autre part, si le 𝑆𝑂𝐶 < 𝑆𝑂𝐶𝑚𝑖𝑛 durant la période d’insuffisance de génération (0
<Pnet ≤ Pfcmax), la PAC-OS génère plus d’énergie afin de charger le SSEB tout en
satisfaisant la demande de charge CA.
 En revanche, si la demande énergétique surpasse la puissance maximale de la PAC
(Pnet>Pfcmax), le banc de batteries intervient afin de restituer le manque d’énergie (tel
que 𝑆𝑂𝐶 ≥ 𝑆𝑂𝐶𝑚𝑖𝑛 ).
 Lorsque la PAC-OS alimente les charges locales, le SSEB est utilisé pour lisser la
puissance produite.
 Par ailleurs, le réseau principal doit fournir l’énergie requise, si l’énergie totale
produite par le MR ne peut pas satisfaire la demande des charges CA (PMR<Plaod).
Le schéma bloc du SGE implémenté dans l’environnement Matlab/Simulink est
illustré par la figure (V.12.b).

128
 Pload PPV

Pnet= Pload-PPV

Excès de production MR satisfait la demande Déficit de production

Pnet = 0 Pnet > 0
Pnet < 0
Si SOC>SOCmin
Non Non SOC≤ SOCmin Pnet < PFCmax
PG =PFCref = 0
SOCmin≤SOC≤SOCmax SOC < SOCmin SOC > SOCmax Oui Non Pbref =0
Oui Non
Oui Oui Pfcref =Pbmax
ǀPnetǀ≤PMBax Oui
Pbref = - Pfc
désactiver le Pnet -PFCmax≤Pbmax
Non Oui PG = 0 Moyen
SSEB + Injecter Oui Non
le surplus au Grand Trés grand
Charger le SSEB Charger le SSEB Oui SOC < SOCmin Non
réseau SOC ≥ SOCmin SOC ≥ SOCmin
SOCmin≤SOC≤SOCmax Oui Oui
Activer PAC
Pfcref = 0 Activer PAC
Pbref = -PMBax Pbref =Pnet Charger SSEB Non Activer PAC
Pbref=0
Pfcref = 0 Pfcref = 0 SOC > SOCmax Décharger SSEB Décharger SSEB
PG= ǀPnetǀ Oui
PG = ǀPnetǀ- Pbmax PG = 0 Pfcref = Pfcmax Soutirer l’énergie du réseau
ΔP=Pfcmax- Pnet Oui
Pbref=(Pnet-Pfc) PMR= PPV+Pfc+Pb
Pnet ≤Pbmax
PG =0 PG = Pload-PMR
ΔP< Pbmax Oui Pbref =Pbmax
Non
Non Décharger SSEB Pfcref = Pfcmax
Oui
Pfcref = 0 = PG Activer PAC
Pfcref =Pnet+ Pbmax Pfcref = Pfcmax Pbref=Pnet Non
Charger SSEB
Pbref= -Pbmax Pbref= -ΔP Activer PAC
Non Pfcref = Pfcmax
PG =0 PG =0 Pbref= - Pbmin Charger SSEB
Activer PAC Soutirer l’énergie du réseau
PG = - ǀPnet-(Pfc-
Pfcref = Pnet PMR= PPV+Pfc+ Pb
Pb)ǀ
Pbref=Pnet-Pfc PG= Pload- PMR
PG =0
Pbref = - Pbmin
Pfcref = Pfcmax

Pfcref et Pbref représentent les puissances de références pour la PAC-OS et le SSEB, respectivement. Pfc et Pb sont les puissances estimées en sortie de PAC-OS et du SSEB,
respectivement. PMR et PG désignent les puissances du MR et du réseau principal, respectivement. Pbmax et Pbmin représentent, respectivement, les valeurs maximale et minimale
de puissance de charge du SSEB. Pfcmax est la puissance maximale de la PAC-OS.
(a)

129
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

meet
Pf cref
Hsoc -C-
Msoc
Pbmax 1
< 40 NOT Lsoc
Pbref
Product1 Pfcref
Compare
AND Pf c Subtract3
Logical1 5 -K-
To Constant NOT
Logical MET DEMAND
1 > 80 Operator2 1
Pfc Gain1 2
SOC
Logical Pnet 4 Product3
Pf cref Pfcref
C excess Pbref
[Pnet]
Subtract7 Lsoc AND 0 Subtract4
Hsoc 1
== 0
Msoc
Goto2 Pbref 2 Pbre
C1 Lsoc
meet Logical Product4
Pbref
Subtract4 Operator1
2 4 excess
Pload
<0
Pb
Pbest OR
3 Pf cest AND
5 Subtract2 2
Co
[PL] Pfc Pload
Pf cref Product2
Ppv [PL]
Logical 0
>0 def icit2 Hsoc Logical Operator8
Goto21 Pnet Operator2
Com zero2
Hsoc 3
Msoc AND
Pbref Msoc
Lsoc
Ppv Logical
deficit Operator6

(b)
Figure V.12: SGE adopté: a) Organigramme de sa stratégie de supervision, b) Son implémentation dans
Matlab/Simulink.
V.2.3. Résultats de simulation
Afin de prouver l’efficacité de la stratégie de commande proposée dans cette partie,
différents tests de simulation sont effectués à l’aide de l’outil Matlab/Simulink. Le MR est
étudié pour des variations des conditions climatiques et des changements des exigences
énergétiques. Dans cette étude, les valeurs minimale et maximale du SOC de SSEB sont
fixées, respectivement, à 40%et 80%. Les paramètres de simulation sont donnés dans
l’annexe. Les cas suivants sont donc considérés :
A. Conditions variables de demande de charge
Dans le premier cas de simulation, les conditions climatiques sont stables (une
température de T=25°C et un ensoleillement de G=1000W/m2) et le niveau de SOC est
initialement de l’ordre de SOCinitial=70%. La demande de la charge ohmique-inductive
varie à l’instant t=5s de (PL,QL) = (100kW, 10kVAr) à (PL,QL) = (95kW, 20kVAr) puis change
à t=10s vers (PL,QL) =(120kW, 5kVAr) et finalement stabilise dans l‘intervalle de temps
[15s,20s] à (PL,QL)=(78kW,5kVAr). Les résultats obtenus dans ce cas sont illustrés par les
figures (V.13) , (V.14) et (V.15).
La figure (V.13.a) montre qu’en adoptant le contrôleur MPPT proposé, le point de
fonctionnement optimal de la source PV est atteint après un temps de réponse si rapide
d’environ 0.0335s qui est plus court que celui du régulateur P&O (environ 0.138s). De plus,
les oscillations statiques autour du PPM, obtenues avec le contrôleur ENN, sont
considérablement réduites par rapport à celles du suiveur P&O (voir figure (V.13.d)).
La figure (14.b) montre que durant la période [0,5s], le SSEB est inactif puisque la
puissance produite par le GPV et la PAC-OS satisfait la demande totale de la charge CA.
A l’instant t=5s, la demande d’énergie reste plus élevée que la puissance crête du GPV
(Pload> PPV). En conséquence, le stack de PAC-OS continue à fournir l’énergie requise (voir
figure (V.14.b)). À l’instant t=10s, le SSEB commence à fonctionner en mode de décharge

130
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

afin de satisfaire le besoin d’énergie (voir figure (V.14.a) et (V.14.b)). Durant la période de
temps [15s,20s], le GPV et la PAC-OS s’occupent de la réponse à la demande de charge
CA. Alors que, le SSEB opère en mode de charge. La puissance active soutirée du réseau
principal durant la période de test [0,20s] est constamment nulle puisque la production
d’énergie par le MR satisfait entièrement les exigences d’énergie. En outre, la figure
(V.14.c) montre que l’onduleur a compensé la puissance réactive de la charge CA.
500
PV voltage (V)

400

300
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
t(s)
(a)
PV current (A)

120

115

110

105
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
t(s)
(b)
500
Vref (V)

450

400

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

t(s)
4
x 10 (c)
PV power (W)

4
4
P&O
x 10

2
5.06
ENN
5.05

0 5.04

0 0.1 0.2 0.3 0.4 0.5 5.03

0.6 0.7 0.8 0.9
PV Power (W)

t(s) 5.02

(d) 5.01

P&O
5
ENN

4.99

4.98
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
t(s)

Figure V.13 : Variation de : a) Tension PV, b) Courant PV, c) Tension de référence imposée par le ENN,
d) Puissance PV de sortie.

131
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

4
x 10

Pinv, Pgrid, Plaod (W)

15

10

5
Pinv
0 Pload
Pgrid
0 2 4 6 8 10 12 14 16 18 20
t(s)
x 10
4 (a)
6
Pfc et Psseb (W)

4
Pb
2 Pbref
Pfc
0
Pfcref
-2

0 2 4 6 8 10 12 14 16 18 20
t(s)
4
(b)
Qinv, Qgrid, Qlaod (VAr)

x 10

Qgrid
4
Qinv
2 Qload

-2

0 2 4 6 8 10 12 14 16 18 20
t(s)
(c)

Figure V.14 : Variation de : a) Puissance active d’onduleur, de charge et du réseau, b) Puissances de

PAC-OS et du SSEB, c) Puissance réactive d’onduleur, de charge et du réseau.
400
q-axis inverter current (A)

Iq-PI
300 Iqref
Iq-RGNF

200

100

0 2 4 6 8 10 12 14 16 18 20
t(s)
(a)

450 Kp
Kp and Ki

Ki
400

350

300
0 2 4 6 8 10 12 14 16 18 20
t(s)
(b)
DC-link -voltage (V)DC-link -voltage (V)

1500

1000
Vdc-PI
500
1600
Vdc-CFMG
1500
Vdc-PI
1400
Vdc-CFMG
1300
0
1200
0 2 4 6 8 10 12 14 16 18 20
t(s)
1100

1000

900 (c)
800

700

600
0 0.5 1 1.5
t(s)
(c)

Figure V.15 : Variation de : a) Courant en quadrature d’onduleur, b) Gains du contrôleur PI du courant

en quadrature, c) Tension du bus CC.

132
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

D’autre part, les résultats représentés dans la figure (V.15) démontrent que le schéma
de VFOC a garanti des bonnes performances de suivi de trajectoire de référence malgré la
variation continue des consignes des puissances active et réactive. La figure (V.15.a)
montre qu’en utilisant les RGNFs du contrôleur de courant q, des meilleures réponses
transitoire et statique sont obtenues en comparaison avec le contrôleur PI. Après chaque
changement de consignes, les paramètres des régulateurs PI des courants d et q sont
adaptés en temps réel comme l’illustre la figure (V.15.b). En outre, il est clair de la figure
(V.15.c) que le CFMG a surperformé le contrôleur PI de tension en assurant un
dépassement minimal et une réponse transitoire plus rapide.
B. Conditions variables d’éclairement et de demande d’énergie
Dans le deuxième test de simulation, la demande de la charge ohmique décroît de
PL=110kW à PL=70kW à l’instant t=2.5s puis accroît à PL=135kW à t=4s et change à l’instant
t=10s à PL=120kW (tel que SOCinitial=90%). D’autre part, le niveau d’irradiation solaire (G)
varie à une température constante (T=25°C) comme l’illustre la figure (V.16.a). Les
résultats trouvés dans ce cas sont représentés dans les figures (V.16) et (V.17).
Ces résultats démontrent que le système de commande adopté a réagi rapidement aux
changements d’éclairement et de demande de charge. Le contrôleur ENN adopté assure
des bonnes performances de poursuite pour un éclairement variable comme l’illustre la
figure (V.16). Pour chaque niveau d’irradiation, la tension de référence (Vref) du GPV est
déterminée précisément par le suiveur ENN. Les amplitudes des oscillations de la
puissance PV en régime permanent sont considérablement atténuées en comparaison avec
l’algorithme de P&O (voir figure (V.16.e)).
D’autre part, la figure (V.17) montre que le SGE centralisé détermine correctement les
consignes des puissances de la PAC-OS et du SSEB conformément aux exigences
d’énergie. Durant la période [0s,2.5s], la PAC et le SSEB sont activés afin de répondre à la
demande de charge CA comme le montre les figures (V.17.a) et (V.17.b). Pendant
l’intervalle du temps [4s,10s], l’exigence de charge CA dépasse l’énergie totale produite
par le MR comme l’indique la figure (V.17.c). En conséquence, l’extra de l’énergie requise
est soutiré du réseau électrique. Les sources PAC et SSEB sont donc commandées, durant
cette période, pour fournir le maximum d’énergie. Par ailleurs, on constate des figures
(V.17.a) et (V.17.b) que les courants de sortie de la PAC-OS et du SSEB (IFC, Ib) suivent
précisément les consignes imposées par le SGE (IFC*, Ib*). Les contrôleurs PI basés sur les
RGFs offrent des temps de réponse rapide et des erreurs statiques minimales en
comparaison avec les régulateurs PI à gains fixes (voir (V.17.b)).

133
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

1000

G (W/m2)
800
600

400
0 1 2 3 4 5 6 7 8 9 10
t(s)
PV voltage (V) (a)
500

450

400

0 1 2 3 4 5 6 7 8 9 10
t(s)
(b)
500
Vref (V)

450

400
0 1 2 3 4 5 6 7 8 9 10
t(s)
(c)
PV current (A)

150

100

50

0 1 2 3 4 5 6 7 8 9 10
t(s)
(d)
4
x 10
6
P&O
ENN
5

4
PV Power (W)

3 4
x 10

4.5
PV Power (W)

2 4.45

4.4

4.35
1 P&O
4.3 ENN
4.25
7 7.5 8 8.5 9 9.5 10
0 t(s)
0 1 2 3 4 5 6 7 8 9 10
t(s)
(e)
Figure V.16 : Variation de : a) Irradiation solaire, b) Tension PV, c) Tension de référence imposée par le
ENN, d) Courant PV, e) Puissance PV de sortie.

134
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

130
Ifc

Ifc et Ifcref (A)

Ifc-ref
125

120

115
0 2 4 6 8 10 12 14 16
t(s)
(a)
Ibref et Ib (A)

80
90
60 Ib-PI 85

40 Ib-RGF

Ibref et Ib (A)
80

Ib-ref 75
20 Ib-PI
Ib-RGF
70 Ibref

0 65
0 2 4 6 8 10 12 14 16
t(s) 60
0 2 4 6 8 10 12
t(s)
4
(b)
Pinv , Pgrid et Pload (W)

x 10 (b)
20
15
10
5 Pinv
0 Pgrid
Pload
-5
0 2 4 6 8 10 12 14 16
t(s)
(c)

Figure V.17 : Evolution de : a) Courant de PAC-OS, b) Courant du SSEB, c) Puissance active

d’onduleur, de charge et du réseau.

C. Conditions changeantes de température et de demande de charge

Dans ce cas, le SEH est soumis à un changement graduel de température (voir figure
(V.18.a)) tout en maintenant l’éclairement constant (G=1000W/m2 et le SOCinitial=30%). En
outre, la demande de la charge de consommation, de type ohmique-capacitive, varie à
l’instant t=10s de (PL,QL) = (65kW, -15kVAr) à (PL,QL) = (80kW, -25kVAr). Les figures (V.18),
(V.19) et (V.20) illustrent les résultats obtenus.
On observe de la figure (V.18) que le suiveur ENN a garanti des réponses transitoire et
statique satisfaisantes en dépit du changement graduel de la température. Les puissances
active et réactive de l’onduleur sont également contrôlées séparément en répondant aux
exigences de la charge CA (voir figure (V.19)). Les RGNFs rendent les contrôleurs PI des
courants d et q plus adaptatifs au changement des consignes en ajustant d’une manière
automatique les paramètres KP et KI (voir figure (V.20)). En outre, la figure (V.21.a) affirme
que la tension du bus CC est stabilisée à la valeur de référence malgré la variation des
conditions de fonctionnement. Nous pouvons déduire de la figure (V.21.b) que le SGE a
commandé le SSEB pour fonctionner en mode de charge tout en garantissant la réponse à
la demande d’énergie. D’autre part, on constate de la figure (V.21.c) que le courant de

135
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

sortie de l’onduleur au PCC est synchronisé avec la tension du réseau grâce à l’estimation
correcte de l’angle de phase du FV. Le taux de distorsion harmonique du courant
d’onduleur est acceptable qui est de l’ordre de 2.03%.
36

34

Température (°C)
32

30

28

26

24

22

0 2 4 6 8 10 12 14 16 18 20
t(s)
(a)

4
x 10

4.5
4

5
x 10 P&O
ENN
PV Power (W)

4
4 P&O
PV Power (W)

3 ENN
2
3.5 1

0
0 0.05 0.1 0.15 0.2 0.25
4
t(s) x 10
3 5.05
P&O
PV Power (W)

5 ENN

2.5
4.95

4.9
2 5 6 7 8 9 10 11 12
0 2 4 6 8 10 12 14 t(s) 16 18
t(s)
(b)
Figure V.18. Variation de la : a) Température, b) Puissance de sortie du GPV.

136
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

4
x 10
10

Pinv, Pload et Pgrid (W)

8

6
Pinv
4 Pload
Pgrid
2

-2
0 5 10 15 20 25
t(s)
x 10
4 (a)
Qinv, Qload et Qgrid (VAr)

-5 Qinv
Qload
Qgrid
-10
0 5 10 15 20 25
t(s)
(b)

Figure V.19 : Variation de : a) Puissance active d’onduleur, de charge et du réseau, b) Puissance réactive
d’onduleur, de charge et du réseau.
100
d-axis current (A)

50 Id
Idref
0

-50

-100
0 2 4 6 8 10 12 14 16 18 20
t(s)
(a)
q-axis current (A)

200

150 Iq
Iqref

100
0 2 4 6 8 10 12 14 16 18 20
t(s)
(b)
420
400
Kp and Ki

Kp
380
Ki
360
340
0 2 4 6 8 10 12 14 16 18 20
t(s)
(c)

Figure V.20 : Variation de : a) Courant direct d’onduleur, b) Courant en quadrature d’onduleur, c) Gains
du contrôleur PI de courant.

137
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

DC-link voltage (V)

1000

950

900

850

800
0 2 4 6 8 10 12 14 16 18 20 22
t(s)
4
Pfc, Pfcref, Pb, Pbref (W) x 10 (a)
6
4
Pbref
2 Pb
0 Pfc
Pfcref
-2
0 5 10 15 20 25
t(s)
(b)
Igrid (A) and Vgrd (V)

400
Vgrid
200 Igrid

-200

-400
3.9 4 4.1 4.2 4.3 4.4 4.5
t(s)
(c)

Figure V.21 : Evolution de a) Tension du bus CC, b) Puissance de PAC-OS et du SSEB, c) Courant
d’onduleur et tension du réseau (phase a).

V.2.4. Conclusion 1
Dans cette partie du chapitre, une stratégie de commande intelligente d’un SEH a été
proposée et évaluée dans l’environnement Matlab/Simulink. Des contrôleurs locaux
basés sur les TIAs ont été développés pour le pilotage des convertisseurs CC-CC et CC-
CA. En outre, un superviseur central de puissance a été implémenté afin de gérer
efficacement les flux énergétiques à travers le MR. Les résultats de simulation obtenus ont
confirmé l’efficacité de la technique de commande adoptée pour différents scénarios. Le
SGE centralisé a déterminé précisément les puissances de référence pour la PAC-OS et le
SSEB sous des conditions variables de génération et de demande d’énergie. En
comparaison avec le suiveur P&O classique, le contrôleur ENN adopté a donné des
meilleures performances de poursuite du PPM en régimes transitoire et permanent. De
plus, le schéma de VFOC, basé sur des régulateurs neuro-flous, a assuré des bonnes
performances de régulation et de suivi de consigne. Les puissances fournies par les
sources d’appoints ont été contrôlées dynamiquement avec une adaptation en ligne des
paramètres de leurs contrôleurs PI. Les avantages principaux du schéma de commande
proposé résident dans la non-exigence de modélisation mathématique du système, la
capacité de traitement des non-linéarités et la robustesse vis-à-vis les perturbations.
Comme perspective à ce travail, le système de commande développé doit être implémenté
sur des plateformes FPGA/DSP afin de vérifier expérimentalement leur efficacité et
faisabilité. En outre, une étude du MR en mode d’islanding peut être réalisée où, le SGE
proposé doit être modifié pour pouvoir réagir correctement dans ce mode d’opération.

138
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

V.3. Partie 2 : Conception d’un circuit de commande numérique dédié à un système

hybride PV-éolien

Aujourd’hui, les réseaux logiques programmables (FPGA: Field Programmable Gate

Array ) suscitent un grand intérêt dans divers champs d’application en raison de leurs
caractéristiques de parallélisme inhérent, de capacité de reprogrammation, de grande
flexibilité, etc [185-187]. Dans le domaine d’électronique de puissance, la carte FPGA
représente un bon moyen pour l’implémentation des algorithmes de commande des
convertisseurs statiques et des machines électriques [188- 192].
Dans cette partie, une étude sur la structure de commande d’un SEH PV-éolien couplé
au réseau électrique est réalisée. L’objectif visé ici est de développer un circuit de
commande numérique pour une future implémentation sur FPGA. L’outil de conception
de haut niveau, dénommé "Xilinx System Generator : XSG » [193], est utilisé pour accomplir
cette tâche. D’une part, les méthodes populaires de MPPT (P&O pour le GPV et CCO pour
le GE) sont adoptées pour assurer l’extraction du maximum d’énergie des SERs. D’autre
part, la technique classique de contrôle à flux orienté (FOC) est appliquée pour la
commande de la GSAP. En outre, un schéma de VFOC basé sur l’approche de backstepping
est adopté pour le contrôle de l’onduleur triphasé à MLI. Une étude des performances des
contrôleurs numériques, établis à l’aide de l’outil XSG, est achevée via simulation dans
l’environnement Matlab/Simulink.
V.3.1. Outil de conception XSG
Xilinx System Generator est un outil de développement et de validation des algorithmes
de commande qui seront implémentés sur des circuits FPGAs [194]. Il offre une
bibliothèque de blocs, intégrée dans Simulink, qui peut être utilisée pour la construction
des contrôleurs dans l’environnement Matlab/Simulink. L’outil de XSG assure la
génération automatique du code HDL (Hardware Description Language) qui fournit une
description hardware de l’algorithme établi dans Simulink. L’avantage principal de XSG
réside dans la facilité et la rapidité de la procédure de développement et de vérification
des algorithmes de commande, sans nécessité de programmation en HDL.
La figure (V.22) résume les étapes de conception et d’implémentation sur une carte
FPGA d’un algorithme de commande à l’aide de l’outil XSG : D’abord, le schéma de
commande du système doit être établi dans Simulink à l’aide des blocs de XSG. Ensuite,
la fonctionnalité d’algorithme de contrôle doit être vérifiée par simulation XSG/Simulink.
La génération du code HDL permet de passer à l’étape de synthèse, de placement et de
routage. Finalement, le fichier bit-stream obtenu peut être directement chargé dans le
circuit cible FPGA [190, 187].

139
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

R2011b ISE14.1
Développement du système de commande dans Matlab/Simulink

Simulation du système dans Matlab en utilisant les blocs de XSG

Génération automatique du code HDL

Synthèse

Placement et routage

Génération du fichier binaire Bit-stream (01110101...)

Télécharger dans FPGA

Figure V.22 : Etapes de développement et d’implémentation d’un contrôleur sur une carte FPGA à
l’aide de XSG [185,190].
V.3.2. Topologie du SEH étudié
La configuration du système de production étudié dans cette partie est illustrée par la
figure (V.23). La TE et le GPV sont interfacés au bus CC par le biais d’un redresseur
triphasé et d’un hacheur élévateur, respectivement. L’onduleur triphasé à deux niveaux
s’occupe de la conversion et l’injection de l’énergie totale générée au réseau électrique.
CA-CC CC-CA
R L vga
TE+
GSAP CDC vgb

vgc
Sa,b,c Sa,b,c
isd , isq VDC
iga,b,c
MPPT + FOC VFOC à base de
Vw , Te , ωt Backstepping vga,b,c
+
Convertisseur
GPV VPV
élévateur
-
IPV Spv
VPV P&O-MPPT

Figure V.23 : Structure du système PV-éolien étudié.

On adopte dans cette étude, une turbine éolienne à axe vertical de type « Darrieus » de
rayon R et de hauteur H [67]. Les paramètres de la GSAP utilisée dans ce cas sont donnés
dans l’annexe A.

140
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

V.3.3. Développement du circuit de commande à l’aide de XSG

V.3.3.1. Contrôleur P&O du GPV
La figure (V.24) illustre la structure de commande adoptée pour le convertisseur boost.
Pour atteindre le PPM, l’algorithme de P&O ajuste la valeur de la tension de référence
(VPV*) en se basant sur les mesures du courant et de la tension PV. La figure (V.25) illustre
les schémas blocs d’algorithme P&O et de l’ensemble contrôleur PI - générateur MLI
établis à base de XSG.
 Comme le montre la figure (V.25.a), les blocs des opérateurs simples d’addition, de
multiplication et de comparaison de XSG sont utilisés pour concevoir le contrôleur
P&O numérique.
 Le bloc XSG du contrôleur PI de la tension PV est établi en appliquant la méthode
d’approximation numérique d’Euler dite backward [195] (voir figure (V.25.b)). Elle
𝟏 𝑻𝒔
consiste à effectuer le changement de variable: → . On obtient alors dans le
𝒔 𝟏−𝑧 −1
domaine de z la fonction de transfert suivante :
𝐷(𝑠) 𝐾𝑖′ 𝐷(𝑧 −1) 𝐾𝑖′ 𝑇𝑠
𝑇(𝑠) = = 𝐾𝑝′ + ⇒ 𝑇(𝑧 −1 ) = = 𝐾𝑝′ + (V.26)
𝐸𝑝𝑣 (𝑠) 𝑠 𝐸𝑝𝑣 (𝑧 −1) 1−𝑧 −1
D et Epv désignent le rapport cyclique et l’erreur statique, respectivement, à la sortie et
à l’entrée du contrôleur PI de la tension PV. 𝐾𝑝′ et 𝐾𝑖′ présentent les gains proportionnel
et intégral du régulateur PI. En appliquant la transformée inverse de z, on aboutit à
l’expression suivante de la loi de commande numérique d(k) du contrôleur PI :
𝑑(𝑘) = 𝑑(𝑘 − 1) + (𝐾𝑝′ + 𝐾𝐼 𝑇𝑠 )𝑒𝑝𝑣 (𝑘) − 𝐾𝑝′ 𝑒𝑝𝑣 (𝑘 − 1) (V.27)
Cette équation est donc utilisée pour concevoir le contrôleur PI numérique à base de
XSG.
 Le signal MLI de commande du hacheur est généré en comparant, à chaque itération
k, la valeur du rapport cyclique d(k) avec la valeur d’un signal triangulaire asymétrique.
Donc, nous avons utilisé un compteur de 8bits pour générer un signal triangulaire
périodique de fréquence 2kHz (voir figure (V.25.b)). La séquence de comptage est
limitée entre la valeur minimale de zéro et la valeur maximale de 255. Tel que, la
période d’échantillonnage du système est de l’ordre de 2µs. Notons que la valeur
maximale de comptage est déterminée selon la formule suivante [185]:
Limite de comptage= période requise du triangle / période d’échantillonnage=5.e-4/2.e-6=250 (V.28)
L’entier le plus proche de la valeur 250 est 256=28 ; il faut donc utiliser un compteur de
8 bits. Le bloc de « «Reinterpret » est utilisé pour la normalisation du signal triangulaire
généré par le compteur.

VPV VPV* + - e(t)

Algorithme Contrôleur d MLI
IPV PI ≥
MPPT (P&O)

Figure V.24: Bloc diagramme de la commande du convertisseur boost,

141
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

0.0140380859375 a
z-3
1 In a -1 ab a
z a pas
Ipv ab Sy stem b a+b a
Gateway In1 b a
a-b Generator b
b not cast a+b
a>b Mult5
Mult1 -1 b
z b AddSub2
AddSub5 Convert2
Inverter
Delay3 Relational AddSub1 Out 1
0 xor
cast a z-1 cast
-3
z Gateway Out1 Vref
2 In a
cts a Logical ab Convert
Vpv a-b Convert3 b Delay1
Gateway In3 -1 b
z a>b -0.0140380859375
0 b Mult3
Delay4 AddSub6
Relational1 pas1
cts1

(a)
a
Delay1 sel
a>b
1 b
-1 d0
Sy stem z Relational1
Generator MAX
a cast a a d1
x2
a a
a+b Convert2 a+b a>b sel Mux1
1 In a Kp b cast b b ab Out 1
a-b b
vpv In3 a-b 0 Gateway Out1 PWM
AddSub4 b Relational2 d0
b x 0.0002441 Convert1 AddSub2 Relational
2 In MIN
-1 AddSub3 d1
vref AddSub1 z
In1 Ki*Ts
Bloc de génération du signal  ++ reinterpret
Delay Mux2
MLI de commande Reinterpret
2KHZ

(b)
Figure V.25: Développement à base de XSG de : a) Contrôleur P&O, b) L’ensemble contrôleur PI-
générateur du signal MLI.

V.3.3.2. Contrôleur MPPT du GE

Le principe de la méthode de CCO [23,25,26,196] consiste à réguler le couple
électromagnétique (𝑇𝑒 ) de la génératrice électrique pour atteindre la valeur optimale du
couple (𝑇𝑒∗ ) correspondante au PPM. La figure (V.26) illustre le principe de la méthode de
CCO adoptée dans cette étude.

𝑻∗𝒆 𝟐 𝒊∗𝒔𝒒 𝝎𝒕
𝑲𝒐𝒑𝒕 × +- PI SGEE
𝟑𝒑𝜳𝒓

𝒊𝒔𝒒

𝝎𝒕 𝟐

Figure V.26 : Bloc diagramme de la méthode de CCO adoptée [23,25].

D’après l’équation (II.10), la puissance de la turbine Darrieus peut être calculée comme
suit :
1 𝜔𝑡 3
𝑃𝑡 = 𝜌𝐻𝑅4 𝐶𝑃 (𝜆) (V.29)
2 𝜆3
Tel que 𝑆 = 𝑅𝐻 . Pour une vitesse de vent donnée, le rapport de vitesse est optimal au
PPM (i.e 𝜆 = 𝜆𝑜𝑝𝑡 ) et la valeur correspondante du coefficient de puissance est maximale
(𝐶𝑃 = 𝐶𝑃−𝑚𝑎𝑥 𝑒𝑡 𝑃𝑡 = 𝑃𝑡−𝑚𝑎𝑥 ). Dans ces conditions, on obtient un couple éolien optimal
(𝑇𝑡 = 𝑇𝑡−𝑜𝑝𝑡 ) qui s’exprime comme suit :

142
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

𝑃𝑡−𝑚𝑎𝑥
𝑇𝑡−𝑜𝑝𝑡 = 𝜔𝑡
= 𝐾𝑜𝑝𝑡 . 𝜔𝑡 2
{ 1 𝐶𝑃−𝑚𝑎𝑥 (𝜆) (V.30)
Tel que 𝐾𝑜𝑝𝑡 = 2 𝜌𝐻𝑅4 𝜆3𝑜𝑝𝑡

Cette valeur du couple optimal 𝑇𝑡−𝑜𝑝𝑡 est donc définie comme la consigne du couple
électromagnétique de la génératrice synchrone dans le schéma de CCO i.e : 𝑇𝑒∗ = 𝐾𝑜𝑝𝑡 𝜔𝑡 2
𝑑𝜔𝑡
(voir figure (V.26)). En régime permanent (où 𝑑𝑡
≈ 0), sous une vitesse de vent constante,
∗
la technique de CCO assure que 𝑇𝑡 = 𝑇𝑒 = 𝑇𝑒 ce
qui signifie que le système a atteint le
PPM.
Alors, nous avons choisi d’appliquer cette méthode de MPPT en raison de sa simplicité
et la facilité de son implémentation. Des blocs de multiplication de XSG suffisent pour
implémenter ce contrôleur.
V.3.3.3. Schéma de contrôle à flux orienté
La technique de commande à flux orienté (FOC), connue ainsi sous le nom de
commande vectorielle, a été proposée en 1972 par F. Blaschke pour la commande des
machines électriques à CA [197]. Par rapport au schéma de DTC, elle permet d’obtenir des
meilleures performances dynamiques en accomplissant un contrôle découplé du flux et
du couple électromagnétique d’une machine à CA [69]. Dans cette étude, on choisit
d’appliquer la technique de commande par orientation indirecte du flux à la GSAP de
l’éolienne [67-69 ,50].
Comme le montre la figure (V.27), le schéma de FOC est établi dans le repère tournant
(dq) tel que, les courants des phases statoriques (abc) sont mesurés et transformés à des
composantes d et q dans le repère de Park (dq). Le contrôle séparé du flux et du couple
peut être achevé en agissant sur les composantes d et q du courant statorique. Le flux est
∗
orienté en maintenant la composante d du courant statorique constamment nulle ( 𝑖𝑠𝑑 =
0 ). Alors que, le couple électromagnétique est contrôlé en altérant indépendamment la
composante en quadrature du courant. Tel que, la consigne du courant q est calculée en
fonction de la référence du couple comme suit :
∗ 2 𝑇∗
𝑖𝑠𝑞 = 3𝑝𝜙𝑒 (V.31)
𝑟
Comme l’indique la figure (V.27), des contrôleurs PI s’occupent de la régulation des
erreurs des courants statoriques (𝑖𝑠𝑑 et 𝑖𝑠𝑞 ). On note que les paramètres de ces régulateurs
sont déterminés par la méthode de compensation des pôles. En tenant compte les termes
′ ′
de découplage, les tensions statoriques de référence (𝑣𝑠𝑑 et 𝑣𝑠𝑞 ) sont calculées comme suit :
′
𝑣 = 𝑣𝑠𝑑 + 𝐿𝑠 𝜔𝑒 𝑖𝑠𝑞
{ ′ 𝑠𝑑 (V.32)
𝑣𝑠𝑞 = 𝑣𝑠𝑞 − 𝐿𝑠 𝜔𝑒 𝑖𝑠𝑑 − 𝜔𝑟 ϕ𝑟
′ ′
Enfin, la transformée inverse de Park est appliquée aux composantes 𝑣𝑠𝑑 et 𝑣𝑠𝑞 pour
générer les signaux de commutation du redresseur à l’aide du modulateur SPWM.

143
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

UDC
isd
isabc abc
𝑳𝒔 𝝎𝒓 𝒊𝒔𝒒 r
dq isq
isd
isd* + - vsd + + 𝒗′𝒔𝒅
VW r PI dq
SPWM
Te* 𝟐 isq* + abc
CCO PI
𝟑𝒑𝝓𝒓 - vsq + - 𝒗′
ωt 𝒔𝒒
isabc
d/dt r isq 𝑳𝒔 𝝎𝒓 𝒊𝒔𝒅 + 𝝎𝒓 𝛟𝒓
r

Figure V.27 : Schéma de FOC appliqué au redresseur triphasé [68].

La figure (V.28.a) illustre le schéma de FOC développé dans Simulink à l’aide de XSG.
 Comme le montre la figure (V.28.b), chacun des contrôleurs PI des courants (𝑖𝑠𝑑 et 𝑖𝑠𝑞 )
est établi en utilisant une formule récurrente semblable à celle de l’équation (V.27).
 La figure (V.28.c) représente le bloc XSG du modulateur SPWM qui génère les signaux
de commande des interrupteurs du redresseur. Ce modulateur réalise une
comparaison entre un signal triangulaire symétrique HF (porteuse) et les tensions de
′ ′ ′
référence du redresseur (𝑣𝑠𝑎 , 𝑣𝑠𝑏 , 𝑣𝑠𝑐 ). Pour la génération de la porteuse à base de XSG,
nous avons adopté la même méthode présentée dans [185] :
Comme l’illustre la figure (V.28.c), on utilise cinq blocs XSG pour générer une
porteuse triangulaire de fréquence ftri =5kHz. Le décompteur (de 7bits) répète une
séquence de décomptage, à chaque période Ttri=(1/ftri)=0.2ms, ce qui permet de générer
un signal triangulaire asymétrique dont l’amplitude varie entre 127 et 0. On note ici
que la limite de décomptage est déterminée suivant la relation (V.28). En outre, le bloc
compteur/décompteur (de 9bits) génère un signal triangulaire symétrique
d’amplitude variable entre -32 et 32. Le bloc «Reinterpret» permet d’obtenir finalement
un signal triangulaire de fréquence 5kHz variant dans l’intervalle [-1,1].

1 In a z-3
cast a
ba  b x (-0.001953) In1
wt Gateway In2 Out1 a
x 0.007813 z
-3 a-b
Mult Convert1 In2 ab cast b
b
Kopt/(1,[Link]) PI controller CMult1 AddSub1
Convert3
Mult1 a
3 In a-b Out In2
MPPT par CCO iq Gateway In1 b
x 1.328 Gateway Out2
In1 Out1 1
AddSub2
5 In In1 CMult2 PWM
Out1 cast 2 In3
idref Gateway In4
In2 teta_m
Convert4 PWM generator
4 In PI controller1
Sy stem id Gateway In3 a
Generator a -3 a+b Out
z
ab cast b
x 0.007813 b Gateway Out1
Convert2 AddSub
Mult2
CMult3
Contrôleur PI

(a)

144
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

Delay1

-1 a
z
a>b sel
b
Sy stem x 230 a cast a d0 1
Generator Relational
a+b a a+b Out1
Convert2
Kp b a-b cast b d1
1000000
1 a sel
b a
AddSub4 Convert1 AddSub2 Uup1 Mux
In1 a-b x 0.01367
2 b a>b
-1 AddSub3 -1000000 b d0
z
In2
AddSub1 Ki*Ts Uup Relational1
Delay
d1

Mux1

(b)
1 a
a > b sel
Va 1 b
d0
U2 Rel ati onal 3
Sy s t em
a d1 Generat or Gateway Out2
sel
a > b a
b d0 M ux Out
-1 a  b
b
Rel ati onal 4
d1 Rel ati onal not Out
U1
M ux1 a Inverter2
Gateway Out1
a a  b Out
2 b 1
a > b sel Gateway Out3
Vb 1 b Rel ati onal 1 not Out Sabc
d0 Inverter Gateway Out5
Rel ati onal 5 a
U
d1 a  b
b Out
a
a > b sel Rel ati onal 2 Gateway Out6
b M ux3 not Out
-1 d0
Rel ati onal 6 Inverter1Gateway Out4
-2 d1

a M ux4
3
a > b sel  --  [a:b] not 
up rei nterpret
Vc 1 b
Sl i ce1 Inverter3 Rei nterpret
d0 Counter1 Counter2
1 Rel ati onal 7
a sel d1
b
a > b d0
M ux5
Bloc de génération du signal
-1
Rel ati onal 8 d1 triangulaire symétrique
-1
M ux6

(c)
Figure V.28: Blocs XSG du a) Schéma de FOC de la GSAP, b) Contrôleur PI du courant isd c)
Générateur des signaux MLI.

V.3.3.4. Schéma de VFOC basé sur le Backstepping

Comme déjà mentionné, la technique de VOC est largement utilisée pour la commande
des onduleurs connectés au réseau électrique. L’efficacité et les performances de ce schéma
de commande dépendent principalement de la qualité de contrôle du courant d’onduleur
[118]. En vue d’assurer des meilleures performances en présence de perturbation et des
incertitudes, différentes stratégies du contrôle de courant ont été proposées dans la
littérature [198]. Les méthodes de commande non linéaires basées sur le contrôle par mode
glissant [199,200] et l’approche de Backstepping [201-203] ont marqué un grand succès ces
dernières années. Elles se basent sur la théorie de stabilité de Lypunov et offrent des
algorithmes de commande simples et faciles à implémenter
V.[Link]. Approche de Backstepping
Le backstepping est une technique de commande non-linéaire apparue au début des
années 1990 [204]. Elle est basée sur la théorie de Lyapunov qui garantit la stabilité
asymptotique globale du système commandé. L’algorithme de backstepping, dit « multi-
étapes », consiste à concevoir d’une manière systématique une loi de commande non
linéaire tout en utilisant des variables de commande virtuelles et des fonctions de

145
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

Lyapunov appropriées [204,205]. Récemment, de nombreux travaux antérieurs ont adopté

l’approche de backstepping pour la commande des convertisseurs de puissance et des
machines électriques :
Dans [201], un schéma de contrôle basé sur backstepping est proposé pour la commande
d’un onduleur triphasé employé dans un SGEE. La stabilisation de la tension du bus CC et
le contrôle des courants active et réactive sont fixés comme objectifs de contrôle. Où, les
variations paramétriques et les perturbations externes de l’onduleur sont prises en
considération dans ce schéma. Les auteurs ont mené des comparaisons, via simulation,
entre le schéma de contrôle proposé et le schéma classique basé sur des correcteurs PI.
De même, l’approche de Backstepping est appliquée dans [205] pour la commande
d’une MSAP. Les régulateurs du courant et de la vitesse de la MSAP sont conçus à l’aide
de cette technique de commande. Les résultats de simulation sont présentés afin de valider
la structure de contrôle présentée.
Pour le pilotage d’un SGEE basé sur une génératrice asynchrone, une stratégie de
commande adaptative de type backstepping est également adoptée dans [206]. Les auteurs
ont validé pour différents scénarios le schéma de contrôle établi à l’aide de l’outil XSG.
Dans cette étude, la stratégie de commande vectorielle à FV orienté [167] est adoptée
pour le contrôle de l’onduleur côté réseau. La figure (V.29) montre que la boucle interne
de contrôle des courants (d et q) est conçue à base de la technique de Backstepping [201,
205] en éliminant les régulateurs PI du schéma classique. Le contrôle de la tension du bus
CC est accompli à l’aide d’un réseau ADALINE. La synchronisation avec le réseau est
assurée à l’aide de l’estimateur du FV du réseau.
igq
θg V * +
i gq* + - θg
DC
ADALINE
vgabc abc vgd - vq* va*
vgq dq
VDC Commande vb*
dq SPWM
vgq θg vgd Backstepping v c*
igα , igβ
abc
θg igabc abc igd igd*=0 + vd*
Sa Calcul des
Sb composantes
Sc αβ du FV dq igq igd -
VDC  gα gβ

Figure V.29 : Schéma de VFOC à base de Backstepping.

V.[Link]. Conception de la commande par Backstepping

Selon le principe de la stratégie de VFOC, les courants d et q du réseau (igq et igd) doivent
être régulés pour suivre les consignes imposées (igq* et igd*respectivement) ; ce qui assure
le contrôle séparé des puissances active et réactive. Pour avoir un facteur de puissance
unitaire, la consigne de la variable d’état igd* est alors imposée nulle (igd*=0) [167]. Tandis
que, la référence de la composante q du courant est déterminée par le contrôleur
ADALINE (voir figure (V.29)). Les buts visés de la commande backstepping est d’éliminer
les erreurs de poursuite des références des courants direct et en quadrature. On réécrit

146
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

alors l’équation (III.34) en fonction des variables de contrôle (𝑖𝑔𝑞 = 𝑦1) et (𝑖𝑔𝑑 = 𝑦2) comme
suit :
1
𝑦̇ 1 = (−𝑅𝑦1 + 𝐿𝜔𝑦2 − 𝑣𝑔𝑞 + 𝑣𝑞 )
𝐿
{ 1 (V.33)
𝑦̇ 2 = 𝐿 (−𝑅𝑦2 − 𝐿𝜔𝑦1 − 𝑣𝑔𝑑 + 𝑣𝑑 )
La loi de commande de type backstepping est donc conçue étape par étape en utilisant
des fonctions candidates de Lyapunov qui assurent que les objectifs de contrôle
mentionnés ci-dessus soit atteints :
Etape 1 :
On définit l’erreur de régulation de la composante q du courant du réseau comme suit:
∗
𝑒𝑔𝑞 = 𝑖𝑔𝑞 − 𝑖𝑔𝑞 = 𝑦1∗ − 𝑦1 (V.34)
Sa dérivée temporelle est calculée, en tenant compte l’équation (III.34), comme suit :
𝑣𝑞 𝑅 𝑣𝑔𝑞
𝑒̇𝑔𝑞 = 𝑦̇ 1∗ − 𝑦̇ 1 = −𝑦̇ 1 = − 𝐿
+ 𝐿 𝑦1 − 𝜔𝑦2 + 𝐿
(V.35)
On définit la fonction de Lyapunov suivante :
2 1
𝑉1 = 𝑒𝑔𝑞 (V.36)
2
Sa dérivée est donc calculée comme suit :
𝑣 𝑅 𝑣𝑔𝑞
𝑉̇1 = 𝑒𝑔𝑞 . 𝑒̇𝑔𝑞 = 𝑒𝑔𝑞 (− 𝑞 + 𝑦1 − 𝜔𝑦2 + )
𝐿 𝐿 𝐿
(V.37)
Selon la condition de stabilité de Lyapunov [205], On doit avoir :
𝑣𝑞 𝑅 𝑣𝑔𝑞
− + 𝑦1 − 𝜔𝑦2 + = −𝑔1 . 𝑒𝑔𝑞 avec 𝑔1 > 0 (V.38)
𝐿 𝐿 𝐿
Pour que : 𝑉1̇ = −𝑔1 𝑒𝑔𝑞
2
soit négative. Ceci assure l’élimination de l’erreur du courant
en quadrature. Selon la procédure de backstepping [205], on définit vq comme entrée de
commande virtuelle qui est exprimée comme suit :
𝑣𝑞 = 𝑅𝑦1 − 𝜔𝐿𝑦2 + 𝑣𝑔𝑞 + 𝑔1 𝐿 𝑒𝑔𝑞 (V.39)
Etape 2 :
L’erreur du courant du réseau selon l’axe d est définie comme suit :
∗
𝑒𝑔𝑑 = 𝑖𝑔𝑑 − 𝑖𝑔𝑑 = 𝑦2∗ − 𝑦2 (V.40)
Sa dérivée est donc donnée comme suit :
𝑣𝑑 𝑅 𝑣𝑔𝑑
𝑒̇𝑔𝑑 = 𝑦̇ 2∗ − 𝑦̇ 2 = −𝑦̇ 2 = − 𝐿
+ 𝐿 𝑦2 + 𝜔𝑦1 + 𝐿
(V.41)
Pour ce sous système, on définit une deuxième fonction de Lyapunov comme :
2 1
𝑉2 = 𝑉1 + 2 𝑒𝑔𝑑 (V.42)
Sa dérivée est calculée comme suit :
𝑣 𝑅 𝑣𝑔𝑑
𝑉̇2 = −𝑔1 𝑒𝑔𝑞
2 2
+ 𝑒𝑔𝑑 . 𝑒̇𝑔𝑑 = −𝑔1 𝑒𝑔𝑞 + 𝑒𝑔𝑑 (− 𝑑 + 𝑦2 + 𝜔𝑦1 + )
𝐿 𝐿 𝐿
(V.43)
On doit avoir :
𝑣𝑑 𝑅 𝑣𝑔𝑑
−𝑔2 𝑒𝑔𝑑 = − 𝐿
+ 𝐿 𝑦2 + 𝜔𝑦1 + 𝐿
avec 𝑔2 > 0 (V.44)
Pour que la dérivée 𝑉̇2 soit négative : 𝑉̇2 = 2
−𝑔1 𝑒𝑔𝑞 2
− 𝑔2 𝑒𝑔𝑑 < 0.
La loi de commande 𝑣𝑑 est donc définie comme suit :
𝑣𝑑 = 𝑅𝑦2 + 𝐿𝜔𝑦1 + 𝑣𝑔𝑑 + 𝑔2 𝐿 𝑒𝑔𝑑 (V.45)

147
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

Cette loi de commande permet d’avoir 𝑉2 > 0 et 𝑉̇2 < 0 ce qui assure la convergence
asymptotique des erreurs des courants 𝑒𝑔𝑑 et 𝑒𝑔𝑞 vers le zéro.
Les équations (V.39) et (V.45) sont alors utilisées pour calculer les tensions de référence
(𝑣𝑑∗et 𝑣𝑞∗ ) fournies à l’entrée du modulateur SPWM (voir figure(V.29)).

V.[Link]. Contrôle de tension du bus CC à base d’ADALINE

Comme le montre la figure (V.29), nous avons adopté un réseau ADALINE pour la
régulation de la tension du bus CC. Les entrées choisies sont la consigne de tension
(VDC*(k)) et l’erreur précédente de tension eDC(k-1)(tel que eDC(k)=VDC(k)- VDC*(k)). Il envoie
en sortie la consigne du courant en quadrature. La règle d’adaptation des poids
d’ADALINE de l’équation (IV.20) est donc adoptée dans cette étude.
La figure (V.30) représente les différents composants constituant le bloc de commande
de l’onduleur construit à base de XSG :
 Les blocs de transformation des coordonnées sont représentés par les figures (V.30.a)
et (V.30.b).
 Le bloc XSG d’estimation du FV du réseau est illustré par la figure (V.30.c). Il est établi
en utilisant la méthode d’approximation numérique d’Euler [195] :
𝑉𝐷𝐶 (𝑘)
Ψ𝑔𝛼 (𝑘) = Ψ𝑔𝛼 (𝑘 − 1) + 𝑇𝑠 (2𝑆𝑎 − 𝑆𝑏 − 𝑆𝑐 ) − 𝐿 𝑖𝑐𝛼 (𝑘)
3
{ 𝑉𝐷𝐶 (𝑘) (V.46)
Ψ𝑔𝛽 (𝑘) = Ψ𝑔𝛽 (𝑘 − 1) + 𝑇𝑠 (𝑆𝑏 − 𝑆𝑐 ) − 𝐿 𝑖𝑐𝛽 (𝑘)
√3
La figure (V.30.d) montre le bloc XSG du contrôleur ADALINE proposé.

1 a -3
z
x2 Ial pha a  b a
1 b
a -b 1
a
ia 3 Mul t2 b id
CMult3 a-b x 0.3359 1 si n 4 a -3
a z AddSub3
2 b ialpha cos a  b
a+b b
ib CMult1 2
b AddSub1 Mul t1
3 Ibeta a -3
z
ic AddSub a  b a
b 2
a + b
a Mul t4 b iq
2 a
a-b x 0.5781 z-3 AddSub1
a  b
b ibeta b

AddSub2 CMult2 Mul t3

(a)
1 a 1 1
z-3
Id a  b ialpha ia
b a
3 a + b 1
Mult2
2 x 1.732 a
sin b ialpha
a -3
ibeta a-b x 0.5 2
z a  b AddSub1
b ib
b sqrt(3)
4
cos Mult1 AddSub1 CMult
a -3
z a  b a
2 a
b a -b 2
Iq a -3 b ibeta a+b x (-0.5) 3
z a  b Mult4
AddSub3
b ic
b

Mult3 AddSub CMult1

(b)

148
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

2 Out 3
4 a fluxi-alpha
z
-3 -0.572265625 a Gateway Out5 teta
1 x2 -1 cast a
vdc ab x 0.332 z x 2e-006 a
b a+b
Sa Constant b
a+b a -b
CMult a Convert2 cast b x_in x_out
Delay1 Delay2 b
a -b a Mult2 CMult3 Ts AddSub5
2 b Convert3 AddSub2 phase_out phase_in 4
a -b AddSub6
Sb b z-1 5 x 0.008057 Cos-Sin
AddSub y_in y_out
ilpha
3 AddSub3 a
z-3 CMult2
-1 CORDIC 4.0 CORDIC 4.0 1
Sc a ab x 0.5771 z x 2e-006 cast a a
a -b b
b a+b
Convert cast b a -b
Delay3 b
Mult1 CMult1 Ts1 1
AddSub1
Convert1 AddSub4
AddSub7 fluxi-beta
-1 CMult4
z System
6 x 0.008057 Generator
Delay4
ibeta

(c)

z-1 cast

Delay2 Convert3
a
a -3
1 a z a -b
x 0.5 b
a  b
Vdcref a -b b
gain1 b AddSub6
x 0.5 a -3 2 Mult2
z x 0.5
a  b AddSub4
gain2 b Vdc
gain
Mult3
w1 a
a x 0.4
-1 a
z a + b
a -b a + b b learning
b b
Delay w2 a -3
z AddSub3 AddSub5
AddSub2 a  b
b 1 -1 cast
a z
Iqref
a - bx (-0.002502) z-1 Mult1 Convert1
Delay1
b a
Kp Delay3 a -3
z a -b
AddSub7 a  b b
b
AddSub1
Mult4

(d)

ia
x 0.1875 a In ialpha
a+b a Gateway In1 ib
1 In a b a 3 In
Rg1 a+b
Id_ref Gateway In9 a -b b Iabc_inv Gateway In5 ic
ibeta
b AddSub4 a+b
b PMW
In
AddSub5 q VA Va
AddSub3 x 2.514 6 In Sabc 1 Gateway In14 abc/alpha-beta
[Id] In AddSub7
Vq Gateway In2 x8 d VB Vb
Gateway In8 Sa
Lg In flux-alpha 3
Sabcvf
2 In a In3 VC Vc Gateway In11 Sb
a g2*Lg flux-beta
Iq_ref Gateway In10 a -b x 0.1875 In
b a dq/abc control PWM
a -b Gateway In12 Sc
[Iq] b a In
In AddSub1 Rg a+b flux-beta 2
b Gateway In13 VDC
Gateway In4 AddSub2 a+b
x 2.514 b flux-alpha
AddSub6 5 In
4 In Ig alpha
AddSub8 Iabc Id [Id] Vdc Gateway In7
Lg1 Vd Gateway In3
x8 Sin_Cos
Ig beta
Backstepping
System Sin-cos Iq [Iq]
Generator g1*Lg estimation du FV
abc/dq

(e)
Figure V.30: Blocs XSG de : a) Transformation des coordonnées (abc/αβ)et (αβ/dq), b)
Transformation des coordonnées (dq/αβ) et (αβ/abc), c) Estimateur du FV du réseau, d) Contrôleur
ADALINE ,e) Schéma global de VFOC par Backstepping.

V.3.4. Résultats de simulation

Nous avons effectué deux tests de simulation XSG/Simulink afin de vérifier la
précision et l’efficacité du schéma de commande numérique établi à base de XSG :
 Le premier cas de simulation est accompli pour les conditions standards de test
(G=1000W/m2 et T=25°C) et la vitesse nominale du vent VW=12m/s. Les figures (V.31)

149
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

(V.32), (V.33) et (V.34) illustrent les résultats obtenus. On constate que les blocs de
contrôle de XSG ont réussi à commander correctement les convertisseurs de
puissance du SEH. Les contrôleurs P&O et CCO déterminent correctement les
points de fonctionnement optimal des SERs. La figure (V.31) montre qu’il existe une
grande ressemblance entre les résultats obtenus avec l’algorithme P&O établi à
l’aide des blocs de Simulink et celui établi à base de XSG. Néanmoins, la figure
(V.32.c) montre que les amplitudes des oscillations statiques du couple
électromagnétique en utilisant les modules de XSG sont plus importantes que celles
obtenues avec les blocs de Simulink. Ceci est dû à l’erreur de quantification
introduite par la représentation numérique à point fixe. D’autre part, la figure
(V.33.c) montre que le régulateur ADALINE adopté a parfaitement maintenu la
tension du bus continu constante à la valeur désirée (400V). La puissance active
générée par le SEH est totalement injectée au réseau électrique comme l’indique la
figure (V.34.a). Tandis que, la puissance réactive est gardée quasiment nulle ce qui
permet d’obtenir un facteur de puissance unitaire. Le taux de distorsion harmonique
du courant d’onduleur est d’environ 2.71%, ce qui répond bien aux exigences de
connexion au réseau (𝑇𝐻𝐷𝐼 < 5%). Ce résultat affirme que la commande
Backstepping a atteint les objectifs visés. La figure (V.34.c) confirme ainsi que
l’estimation du FV du réseau est réalisée correctement.
Current(A)

3.8

3.7

3.6

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4

t(s)
(a)
200
PV voltage(V)

150 205
PV voltage (V)

100 200
Vpv-Simulink
50
Vpv-XSG 195
Vpv-Simulink
0 190
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 Vpv-XSG
t(s) 185
0 0.05 0.1 0.15 0.2 0.25
(b) t(s)
Voltage reference (V)

200 205
Voltage reference (V)

150
200
100 Vpvref-Simulink
Vpvref-XSG 195 Vpv-Simulink
50
Vpv-XSG

0 190 0.3
0 0.05 0.1 0.15 0.2 0.25 0.04 0.06 0.35
0.08 0.4
0.1 0.12 0.14 0.16 0.18
t(s) t(s)
(c)

Figure V.31: Performances de poursuite du PPM du GPV dans le premier cas de simulation.

150
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

805 30

Pt(W) 804.5

804 Te-XSG
25
Te-Simulink
803.5 Tt

Te et Tt (Nm)
803
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 20

t(s)
(a)
13.6
15
13.5
wt(rad/s)

13.4
10
13.3

13.2
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45
t(s) t(s)
(b) (c)

Figure V.32: Performances de poursuite du PPM du GE dans le premier cas de simulation.

500
q-axis stator current (A)

0
Isq-XSG 450
Isq-Simulink
-5 400

-10 350
DClink voltage (V)

300
-15
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45
t(s) 250
(a)
d-axis stator current (A)

10 200

0 150

-10 Isd-XSG 100

Isd-Simulink
-20 50

-30 0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0 0.1 0.2 0.3 0.4 0.5 0.6
t(s) t(s)
(b) (c)

Figure V.33: Evolution de : a) Composantes q du courant statorique, b) Composantes d du courant

statorique de la GSAP, c)Tension du bus CC durant le premier test.
5000 0.6
Active power (W)

4000

3000 0.4

2000

1000
0.2
0
beta-axis VF

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
t(s) 0
(a)
Reactive power (VAr)

0 -0.2

-5000 -0.4

-10000
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 -0.6 -0.4 -0.2 0 0.2 0.4 0.6
t(s) alpha-axis VF
(b) (c)

Figure V.34 : Evolution de a) Puissance active b) Puissance réactive d’onduleur, c) Composantes αβ du

FV du réseau durant le premier test.

151
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

 Dans le deuxième test, le SEH subit une variation graduelle du niveau d’irradiation
de 0.6kW/m2 vers 0.9kW/m2 puis, un changement soudain à l’instant t=0.7s au
niveau de 0.5kW/m2. La vitesse de vent est maintenue constante à VW=10m/s. Les
figures (V.35) et (V.36) montrent les résultats de simulation obtenus à l’aide de XSG.
On constate que le système de commande adopté a assuré des performances
satisfaisantes pour un niveau d’irradiation variable. Le contrôleur P&O converge
rapidement au PPM correspondant à chaque niveau d’irradiation comme l’illustre
la figure (V.35). Les erreurs statiques des courants direct et en quadrature sont
éliminées grâce à l’action de la commande Backstepping (voir figure (V.36.a) et
(V.36.b)). L’estimateur du FV a garanti la synchronisation du courant d’onduleur
(phase a) avec la tension du réseau comme le montre la figure (V.36.c). En outre,
l’ADALINE numérique a stabilisé la tension du bus CC à la valeur de référence avec
un dépassement atténué (d’environ 479.2V) (voir figure (V.36.d)).
210
Vref
PV voltage (V)

205 Vpv

200

195

190
0 0.2 0.4 0.6 0.8 1
t(s)
(a)
PV current (A)

2.5

0 0.2 0.4 0.6 0.8 1

t(s)
(b)
Figure V.35: Performances de poursuite du PPM du GPV dans le deuxième cas de simulation.
80
d-axis current (A)
d-axis current (A)

2
60 1
0
40
-1

20 -2

0 0.01 0.02 0.03 0.04 0.05 0.06

0
t(s)
0 0.2 0.4 0.6 0.8 1 (a)
t(s)
q-axis current (A)

2
(a) 1
80 0
q-axis current (A)

-1
60
-2

40 0 0.01 0.02 0.03 0.04 0.05 0.06

t(s)
20 (b)

0
0 0.2 0.4 0.6 0.8 1
t(s)
(b)

152
 Chapitre V : Commande à FV orienté des systèmes PV hybrides

Vgrid (V) and Igrid (A)

200 Vgrid
10*Igrid
100

-100

-200
0.45 0.5 0.55 0.6
t(s)
(c)
500
DC-link voltage (V)

400

300

200

100

0
0 0.2 0.4 0.6 0.8 1
t(s)
(d)

Figure V.36 : Performances du schéma VFOC dans le deuxième cas de simulation.

V.3.5. Conclusion 2
Dans cette partie du chapitre, l’objectif a été d’examiner la procédure de conception
d’un circuit de commande d’un SEH, à l’aide de XSG, dans le but de l’implémenter sur
une carte FPGA. Les contrôleurs locaux des SERs ont été développés en adoptant des
algorithmes classiques de MPPT. En outre, le contrôle de l’onduleur a été assuré via un
schéma de VFOC établi à base de la commande Backstepping. Le choix porté à ces
techniques de contrôle se justifie par la simplicité de leurs algorithmes ce qui assure une
faible consommation des ressources du circuit FPGA. La simulation XSG/Simulink a été
accomplie afin de valider le schéma de commande construit à base de l’outil XSG. Les
résultats obtenus ont démontré la précision et la faisabilité du circuit numérique
développé. Cette étape nous permettra alors de passer directement à l’étape de réalisation
pratique et de validation expérimentale du système de commande étudié.

153
 Conclusion générale

Les travaux scientifiques qui ont été présentés dans cette thèse sont le fruit d’un long travail
de recherche réalisé au niveau du laboratoire des énergies renouvelables de l’université de
Jijel. Ils peuvent être positionnés à l’intersection de deux principaux axes : la commande des
systèmes PV hybrides et l’intelligence artificielle. En effet, la stratégie de gestion/commande
est l’élément essentiel d’un système énergétique multi-sources sans lequel un fonctionnement
correct à haut rendement ne peut avoir lieu. La présence de sources énergétiques de nature
différente au sein du même système exige leur pilotage d’une manière adéquate en assurant
une bonne coordination entre elles. En outre, les systèmes de stockage d’énergie à base de
batteries doivent être soigneusement contrôlés afin de respecter certaines contraintes de
fonctionnement en vue de les protéger et de prolonger leur durée de vie. Alors, le rôle attribué
à un tel système de commande consiste à assurer la supervision du flux énergétique et à traiter
de manière optimale les non-linéarités du SEH pour différentes conditions de fonctionnement.
D’ailleurs, les algorithmes de commande doivent se baser sur des mécanismes susceptibles
d’améliorer leur efficacité.
Dans nos travaux, différentes structures de systèmes énergétiques interconnectés au réseau
électrique ont été étudiées. L’accent a été mis sur les TIAs qui présentent un moyen pertinent
pour l’optimisation des schémas de commande classiques en vue de leur permettre d’agir
intelligemment sur les SEHs dynamiques. Plusieurs aspects de la problématique de
commande des systèmes de production d’énergie électrique ont été traités :
La poursuite du PPM : Un régulateur MPPT d’une SER (PV ou éolienne) a pour rôle de
suivre le point d’opération optimal qui change sa position conformément aux conditions
climatiques. Dans cette thèse, la tâche de contrôle MPPT, pour chacune des sources PV et
éolienne, a été affectée à des RNAs adaptatifs qui utilisent des algorithmes d’apprentissage en
temps réel. À l’inverse du RNA entrainé hors-ligne, le RNA qui apprend en-ligne ne requiert
pas une connaissance à priori du système commandé. En outre, il n’exige qu’un minimum
d’information provenant du système commandé contrairement au CLF. Les résultats de
simulation obtenus démontrent la supériorité des suiveurs neuronaux, adoptés pour les GPV
et GE, par rapport aux régulateurs MPPT classiques. Les oscillations statiques sont
 Conclusion générale

considérablement réduites et les vitesses de convergence vers les PPMs sont améliorées d’une
manière satisfaisante.
Le réglage des paramètres des régulateurs PI classiques : L’algorithme de PSO a été
appliqué dans le chapitre III pour l’ajustement hors-ligne des gains proportionnel et intégral
des contrôleurs PI utilisés au sein des schémas de commande conventionnels. Dans un SPVCR,
la synthèse du contrôleur PI de la tension du bus CC est accomplie à l’aide de la technique
PSO. En outre, les régulateurs PI inclus dans les schémas de contrôle DTC et VOC, qui sont
adoptés pour un SGEE, sont ajustés hors-ligne via l’algorithme PSO. Cette technique de
réglage de paramètres est simple et ne requiert pas un modèle mathématique du système
contrôlé. Elle permet de trouver les gains PI optimaux en vérifiant hors-ligne un ensemble de
solutions éventuelles. Des bonnes réponses en régimes transitoire et statique ont été obtenues
en exprimant le coût de l’algorithme de PSO en fonction des performances de contrôle qu’on
désire les optimiser.
D’autre part, dans le chapitre V, des RGNFs ont été introduits afin d’assurer l’adaptation
des gains des contrôleurs PI des composantes d et q du courant d’onduleur dans un SEH.
L’apprentissage de l’ANFIS est accompli hors-ligne à l’aide d’une base de données, ce qui lui
permet d’acquérir des connaissances à priori sur le système commandé. En outre, un
régulateur flou a été utilisé pour décider, en se basant sur les entrées d’erreur et de variation
d’erreur, les valeurs des gains des contrôleurs de la PAC-OS et du SSEB. Les superviseurs flous
adoptés performent alors une auto-adaptation en temps réel des paramètres PI permettant de
s’affranchir de la linéarité des correcteurs PI à gains fixes.
La substitution des contrôleurs classiques : En vue d’améliorer les performances des
schémas de commande traditionnels, des régulateurs PI ont été remplacés par des contrôleurs
intelligents basés sur la LF et les RNAs. Un CFMG a été utilisé pour la régulation de la tension
bus CC du système PV hybride adopté dans le chapitre V. Dans le chapitre IV, un schéma de
commande basé sur des RNAs adaptatifs a été élaboré afin d’assurer la supervision d’un MR
hybride. Où, des contrôleurs neuronaux ajustés en-ligne, à l’aide de l’algorithme d’AI, sont
proposés pour optimiser les performances du schéma de DPC de l’onduleur. En outre, des
régulateurs locaux de type ADALINE ont été adoptés pour assurer le contrôle du GE et des
sources d’appoint du MR. Un superviseur central du flux d’énergie a été établi à base de la LF
afin d’assurer l’alimentation continue des charges de consommation. Les simulations
accomplies prouvent la supériorité et l’efficacité des contrôleurs intelligents adoptés en
comparaison avec les contrôleurs classiques.
Conception d’un circuit de commande numérique pour une future implémentation sur
FPGA: Dans la deuxième partie du dernier chapitre, un schéma de commande simplifié d’un
système PV-éolien a été établi à l’aide de l’outil de développement XSG. Les étapes de
conception ont été présentées et les résultats de simulation ont été fournis afin de valider le
circuit numérique ainsi développé.
De nombreuses perspectives de recherche sont envisagées afin d’améliorer et compléter les
travaux menés dans cette thèse. Nous suggérons particulièrement de :

156
 Conclusion générale

 Améliorer les performances des contrôleurs neuronaux en utilisant des techniques

d’optimisation basés sur l’intelligence en essaim (tel que les algorithmes de PSO, de
colonie de fourmis, etc) comme des algorithmes d’apprentissage.
 S’intéresser aux nouvelles techniques de contrôle par LF comme celles de la logique
floue de type II, etc.
 Tester et optimiser les neuro-contrôleurs MPPT des GPVs dans le cas d’ombrage
partiel.
 Procéder à la réalisation pratique des schémas de commande adoptés dans cette thèse.

157
 Annexe A
 Les caractéristiques électriques du module BPMSX 120, fournies par le datasheet, sont
récapitulées dans tableau suivant :
Caractéristiques électriques BPMSX 120
Puissance maximale (Pmax) 120 W
Nombre de cellules en série (NS) 72
Tension au point de puissance maximale (VPPM) 33.7 V
Courant au point de puissance maximale (IPPM) 3.56 A
Courant de court-circuit (ICC) 3.87 A
Tension en circuit ouvert (VCO) 42.1 V
Coefficient de température de la puissance -(0. 5±0.05) %/°C
Coefficient de température du courant de court-circuit (0.065±0.015)%/°C
Coefficient de température de la tension de circuit ouvert -(80±10) mV/°C
NOCT 47±2 °C

 Le coefficient de puissance de la TE tripale à axe horizontal (adoptée dans le chapitre 3 et 4)

se calcule comme suit :
𝐶2 −𝐶5
𝐶𝑃 (𝜆, 𝛽) = 𝐶1 ( − 𝐶3 𝛽 − 𝐶4 ) 𝑒 𝜆𝑖 + 𝐶6
𝜆𝑖
Tel que: 𝐶1 = 0.5176,𝐶2 = 116,𝐶3 = 0.4, 𝐶4 = 5, 𝐶5 = 21, 𝐶6 = 0.0068
1 1 0.035
= −
𝜆𝑖 𝜆 + 0.08𝛽 𝛽3 + 1
𝛽 est l’angle d’orientation des pales.
Symbole Description Valeur
Paramètres de la GSAP de 10kW
Rs Résistance statorique 0.00829 Ω
Lsd Inductance statorique selon l’axe d 0.174mH
Lsq Inductance statorique selon l’axe q 0.174mH
r Flux des aimants permanents 0.071wb
p Nombre de pairs de pôles 6
J Coefficient d’inertie totale 0.089kg.m2
F Coefficient de frottement total 0.005Nm.s
Pnom Puissance nominale 10kW
Paramètres de la TE de 10kW
R Rayon de la pale 2m
𝝆 Masse volumique de l’air 1.225kg.m3

 Le coefficient de puissance de la turbine Darrieus (adoptée dans la partie 2 du chapitre 5) se

calcule à l’aide de la fonction polynômiale suivante [67]:
4

𝐶𝑃 (𝜆) = ∑ 𝐶𝑘 𝜆𝑘
𝑘=0
Tel que: 𝐶0 = 0.110898,𝐶1 = −0.02493,𝐶2 = 0.057456, 𝐶3 = −0.01098, 𝐶4 = 0.00054.

Symbole Description Valeur

Paramètres de la GSAP de 900W
Rs Résistance statorique 0.23 Ω
Lsd Inductance statorique selon l’axe d 8mH
Lsq Inductance statorique selon l’axe q 8mH
r Flux des aimants permanents 0.166Wb
p Nombre de pairs de pôles 8

158
 J Coefficient d’inertie totale 5kg.m2
F Coefficient de frottement total 9.08 10-3Nm.s
Pnom Puissance nominale 900W
Paramètres de la turbine Darrieus
R Rayon de la turbine 1m
H Hauteur 2m

 Les paramètres de la PAC-OS de puissance nominale de 100kW (adoptée dans le chapitre 2

et 3) sont donnés comme suit [33] :
Symbole Description Valeur
Paramètres de la PAC-OS de 100kW
T Température absolue 1273 K
Pnom Puissance nominale 100 kW
F Constante de Faraday 96.487e6 (C/mol)
R Constante universelle des gaz 8314 J/(kmolK)
E0 Potentiel standard idéal 1.18V
N0 Nombre de cellules en série dans le stack 384
(Umax,Umin,Uf) Utilisation maximale, minimale et optimale du {0.9,0.8,0.85}
combustible
r Résistance correspondante aux pertes ohmiques 0.126 Ω
(τH2, τH2O, τo2) Temps de réponse pour le débit d’hydrogène, d’eau et {26.1s,78.3s,2.91s}
d’oxygène
KH2, KH2O, Ko2 Constante molaire de la valve pour l’hydrogène, l’eau {8.43e-4,2.81e-4, 2.52e-3}en
et l’oxygène (kmol/(s atm)
Te Temps de réponse électrique 0.8s
Tf Temps de réponse du processeur de combustible 5s

 Le modèle dynamique du convertisseur abaisseur (illustré par la figure ci-dessous) est

donné comme suit [20,81]:
𝑑𝑣1
𝑖𝐿 = 𝑖1 − 𝐶1
𝑑𝑡
𝑑𝑣
𝑖2 = 𝐷2 𝑖𝐿 − 𝐶2 𝑑𝑡2
𝑑𝑖𝐿
{𝑣1 = 𝐷2 𝑣2 + 𝐿 𝑑𝑡
D2 est le rapport cyclique du commutateur Q2.
i1 iL L i2

Q2
D
V1 C1 C2 V2

Figure : Circuit électrique d’un convertisseur dévolteur [20].

 Les transformées de Clarke direct et inverse sont définies comme suit [84]:
1 1
1 0
1 −2 −2 𝑥𝑎 𝑥𝑎
𝑥𝛼 1 √3 𝑥𝛼
𝑇𝛼𝛽→𝑎𝑏𝑐 [𝑥𝑏 ] = − 2
2
𝑇𝑎𝑏𝑐→𝛼𝛽 = [𝑥 ] = 3 [ √3 √3
] . [𝑥𝑏 ] et 2 [𝑥 ]
𝛽 𝛽
0 − 𝑥𝑐 𝑥𝑐 1 √3
2 2
[− − ]
2 2
 Paramètres de simulation
Symbole Description Valeur
Paramètres du MR étudié dans le chapitre 4
Q Capacité nominale 20 Ah
E0 Tension nominale 240 V
Rb Résistance interne 0.12 Ω
VDC* Consigne de tension du bus CC 800V
N0 Nombre de cellules en série dans le stack 384
PAC-OS de 10kW

159
 Paramètres du MR étudié dans le chapitre 5
Q Capacité nominale 50 Ah
E0 Tension nominale 288 V
Rb Résistance interne 0.0576 Ω
VDC* Consigne de tension du bus CC 900V
r Résistance de la PAC-OS de 50kW 3.2813e-4 Ω
VRMS RMS de la tension du réseau 380V
CDC Capacité du bus CC 1200µF

Annexe B
 Calcul des dérivées partielles d’équation (III.29) :
(2) (2)
𝜕𝜎𝜔 (𝑘) 𝜕𝜎𝜔 (𝑘) 𝜕𝑆𝜔 𝜕𝑦 (3) 𝜕𝑦𝑗 𝜕𝑁𝑗
𝑛
𝜕𝑤𝑖𝑗
= 𝜕𝑆𝜔 𝜕𝑦 (3) 𝜕𝑦 (2) 𝜕𝑁 (2) 𝜕𝑤𝑖𝑗
𝑛
𝑗 𝑗
𝜕𝜎𝜔 (𝑘) 𝜕𝜎𝜔 (𝑘) 𝜕𝑆𝜔 𝜕𝑦 (3) j=1,2,3, i=1,2
𝜕𝑤0𝑛
= 𝜕𝑆𝜔 𝜕𝑦 (3) 𝜕𝑤0𝑛
𝜕𝜎𝜔 (𝑘) 𝜕𝜎𝜔 (𝑘) 𝜕𝑆𝜔 𝜕𝑦 (3)
𝜕𝑤𝑗𝑛
= 𝜕𝑦 (3) 𝜕𝑤𝑗𝑛
{ 𝜕𝑆𝜔
(2) (2)
−𝑁 2
(2) (2) (2) 1−𝑒 𝑗 𝜕𝑦𝑗 1 (2)
Sachant que : 𝑦𝑗 (𝑘) = 𝑔𝑗 (𝑁𝑗 ) = (2) ⟹ (2) = 2 [1 − (𝑦𝑗 ) ],
−𝑁 𝜕𝑁𝑗
1+𝑒 𝑗
(2)
𝜕𝜎𝜔 𝜕𝑦 (3) 𝜕𝑁𝑗 (1)
𝜕𝑆𝜔
= 𝑆𝜔 , (2) = 𝑤𝑗𝑛 et 𝑛
𝜕𝑤𝑖𝑗
= 𝑦𝑖 .
𝜕𝑦𝑗

 Calcul des puissances active et réactive en fonction du FV

Les puissances active et réactive sont définies par [118]:

3 3
𝑃 = 𝑅𝑒(𝑣𝑔 . 𝑖𝑐∗ ) et 𝑄 = 𝐼𝑚(𝑣𝑔 . 𝑖𝑐∗ )
2 2
Où, le vecteur de tension du réseau peut être calculé en fonction du FV comme suit [118]:
𝑑Ψ𝑔 𝑑 𝑑Ψ𝑔 𝑗𝜔𝑡
𝑣𝑔 = = (Ψ𝑔 𝑒 𝑗𝜔𝑡 ) = 𝑒 + 𝑗𝜔Ψ𝑔
𝑑𝑡 𝑑𝑡 𝑑𝑡
Ψ𝑔 est le module du vecteur du FV.
𝑑Ψ𝑔 𝑑Ψ𝑔
𝑣𝑔 . 𝑖𝑐∗ = [ | +𝑗 | + 𝑗𝜔(Ψ𝑔𝛼 + 𝑗Ψ𝑔𝛽 )] (𝑖𝑐𝛼 − 𝑗𝑖𝑐𝛽 )
𝑑𝑡 𝛼 𝑑𝑡 𝛽
Donc, les puissances P et Q peuvent être calculées en fonction des composantes du FV comme
suit :
3 𝑑Ψ𝑔 𝑑Ψ𝑔
𝑃= [ | 𝑖𝑐𝛼 + | 𝑖 + 𝜔Ψ𝑔𝛼 𝑖𝑐𝛽 − 𝜔Ψ𝑔𝛽 𝑖𝑐𝛼 ]
2 𝑑𝑡 𝛼 𝑑𝑡 𝛽 𝑐𝛽
3 𝑑Ψ𝑔 𝑑Ψ𝑔
𝑄= [ | 𝑖 − | 𝑖 + 𝜔Ψ𝑔𝛼 𝑖𝑐𝛼 + 𝜔Ψ𝑔𝛽 𝑖𝑐𝛽 ]
2 𝑑𝑡 𝛽 𝑐𝛼 𝑑𝑡 𝛼 𝑐𝛽
𝑑Ψ 𝑔 𝑑Ψ 𝑔
Pour des tensions des phases équilibrées et sinusoïdales, on aura 𝑑𝑡
| = 𝑑𝑡 𝛽
| = 0 ; On obtient
𝛼
donc le système d’équations (IV.27).

160
 Calcul des dérivées partielles d’équation (V.6) :
(4) (4) (2) (2)
𝜕𝜎𝑒 𝜕𝜎𝑒 𝜕𝑒𝑆 𝜕𝑧𝑜 𝜕𝑛 𝜕𝑧𝑗 𝜕𝑛𝑗
𝑐 = . . . . (2) .
(4)
𝜕𝑤𝑖𝑗 𝜕𝑒𝑆 𝜕𝑧𝑜 𝜕𝑛 (4)
𝜕𝑧
(2)
𝜕𝑛 𝜕𝑤𝑖𝑗𝑐
𝑗 𝑗
(4) (4)
𝜕𝜎𝑒 (𝑘) 𝜕𝜎𝑒 𝜕𝑒𝑆 𝜕𝑧𝑜 𝜕𝑛
= . (4) . (4) .
𝜕𝑤0 𝜕𝑒𝑆 𝜕𝑧𝑜 𝜕𝑛 𝜕𝑤0
(4) (4)
𝜕𝜎𝑒 (𝑘) 𝜕𝜎𝑒 𝜕𝑒𝑆 𝜕𝑧𝑜 𝜕𝑛
= . (4) . (4) .
{ 𝜕𝑤𝑗 𝜕𝑒𝑆 𝜕𝑧𝑜 𝜕𝑛 𝜕𝑤𝑗
(2) (2)
−𝑛 2
(2) (2) (2) 1−𝑒 𝑗 𝜕𝑧𝑗 1 (2)
Sachant que : 𝑧𝑗 (𝑘) = 𝑆𝑗 (𝑛𝑗 ) = (2) ⟹ (2) = 2 [1 − (𝑧𝑗 ) ] ,
−𝑛 𝜕𝑛𝑗
1+𝑒 𝑗
(4) (4) (2)
𝜕𝑧𝑜 (4) (4) 𝜕𝜎 𝜕𝑛 𝜕𝑛𝑗 ( )
(4) = 𝛽𝑧𝑜 [1 − 𝑧𝑜 ] , 𝑒 = 𝑒𝑆 (𝑘), (2) = 𝑤𝑗 , 𝑐 = 𝑧𝑖 1
𝜕𝑛 𝜕𝑒𝑆 𝜕𝑧𝑗 𝜕𝑤𝑖𝑗

Annexe C
 Architecture d’ANFIS : On considère une base de règles floues constituée de deux règles Si-
Alors qui sont exprimées comme suit [89] :
Règle 1: Si y1 est A1 et y2 est B1, Alors f1=p1 y1+q1 y2 +r1.
Règle 2: Si y1 est A2 et y2 est B2, Alors f2=p2 y1+q2 y2 +r2.
Avec (A1, A2) et (B1, B2) sont, respectivement, les labels linguistiques associés à chacune des
entrées y1 et y2. {𝑝𝑗 , 𝑞𝑗 , 𝑟𝑗 } (j=1,2) est l’ensemble des coefficients linéaires du polynôme de
conclusion de la règle j. Les nœuds de la même couche sont définis par des fonctions
semblables. Les informations suivantes sont compilées des références [89,95] :

Couche 1 : La sortie de chaque nœud i dans la couche d’entrée, notée 𝑂𝑖1 est donnée par :
𝑂𝑖1 = 𝜇𝐴𝑖 (𝑦1 ) 𝑝𝑜𝑢𝑟 𝑖 = 1,2.
Ou 𝑂𝑖1 = 𝜇𝐵𝑖−2 (𝑦2 ) 𝑝𝑜𝑢𝑟 𝑖 = 3,4.
Avec 𝑂𝑖1
représente le degré d’appartenance d’une entrée (y1 ou y2) à un ensemble flou (A1 ,
A2 ou B1, B2). La fonction d’appartenance 𝜇𝐴𝑖 (𝑦𝑖 ) est souvent choisie d’être une fonction en
forme de cloche (Generalized–bell function) qui est définie comme suit :
1
𝜇𝐴𝑖 (𝑦𝑖 ) =
𝑦𝑖 − 𝑐𝑖 2𝑏𝑖
1+( 𝑎 )
𝑖
{𝑎𝑖 , 𝑏𝑖 , 𝑐𝑖 } est l’ensemble des paramètres non-linéaires qui altère la forme de la fonction
d’appartenance à l‘ensemble flou Ai. Les paramètres de cette couche sont dits paramètres de la
partie prémisse.
Couche 2 : Chaque nœud i de cette couche effectue le produit des signaux d’entrée comme:
𝑂𝑖2 = 𝑤𝑖 = 𝜇𝐴𝑖 (𝑦1 ) × 𝜇𝐵𝑖 (𝑦2 ) , 𝑖 = 1,2
La sortie de chaque nœud de cette couche représente le degré d’activation d’une règle.
Couche 3 : Le nœud i dans cette couche calcule le rapport entre le degré d’activation de la
règle i et la somme des degrés d’activation de toutes les règles :
𝑤𝑖
𝑂𝑖3 = 𝑤
̅𝑖 = , 𝑖 = 1,2.
𝑤1 + 𝑤2
Cette couche renvoie alors en sortie des degrés d’activation normalisés.
Couche 4 : La fonction linéaire de chaque nœud i adaptatif, dans cette couche, est définie par:
𝑂𝑖4 = 𝑤
̅ 𝑖 𝑓𝑖 = 𝑤
̅ 𝑖 (𝑝𝑖 𝑦1 + 𝑞𝑖 𝑦2 + 𝑟𝑖 )
̅ 𝑖 est la sortie de chaque nœuds i de la couche 3, et {𝑝𝑖 , 𝑞𝑖 , 𝑟𝑖 }, 𝑖 = 1,2 présente
Avec 𝑤
l’ensemble des paramètres de la partie conclusion.

161
 Couche 5 : Le nœud fixe de la couche de sortie calcule la somme de tous les signaux d’entrée
comme suit :
∑𝑖 𝑤𝑖 𝑓𝑖
𝑂15 = ∑ 𝑤
̅ 𝑖 𝑓𝑖 =
∑𝑖 𝑤𝑖
𝑖
 Principe du contrôle par mode glissant

La commande par mode glissant est une technique de commande non linéaire qui permet
de forcer l’état d’un système de suivre une trajectoire qui conduit, dans un temps fini, à une
surface de glissement. On considère un système non linéaire ayant la forme suivante [199]:
𝑥̇ = 𝑓(𝑥, 𝑡) + 𝑔(𝑥). 𝑢(𝑡)
x est le vecteur d'état et f (x,t) est la fonction décrivant l'évolution du système au cours du temps.
Les étapes principales pour la conception d’une loi de commande par mode glissant peuvent
être résumées comme suit [199]:
 La première étape est la sélection de la surface de commutation 𝜎 (𝑥, 𝑡) = 0 qui fournie le
comportement asymptotique désiré.
 Le calcul de la commande équivalente 𝑢𝑒𝑞 (𝑡) en prenant en considération les conditions
d’invariance suivantes :
𝜎 (𝑥, 𝑡) = 0 𝑒𝑡 𝜎̇ (𝑥, 𝑡) = 0 , avec 𝑢(𝑡) = 𝑢𝑒𝑞 (𝑡)
L’existence de la commande équivalente assure la faisabilité du mouvement glissant sur la
surface de commutation 𝜎 (𝑥, 𝑡) = 0 .
 Finalement, nous choisissons une entrée de commande non linéaire 𝑢𝑛 (𝑡) qui doit vérifier
le critère de stabilité de Lyapunov c.à.d. 𝜎̇ 𝜎 < [Link] contrôle 𝑢𝑛 (𝑡) , dit attractif, permet de
contrôler le système en régime transitoire de telle sorte que les grandeurs contrôlées
tendent vers leurs références.

162
 Références Bibliographiques
[1] N. Bizon , H. Shayeghi, N. M. Tabatabaei, “Analysis, Control and Optimal Operations in Hybrid Power
Systems Advanced Techniques and Applications for Linear and Nonlinear Systems” Green Energy and
Technology, Springer, London, 2013, ISBN 978-1-4471-5537-9.
[2] S. Upadhyay , M.P. Sharma, “A review on configurations, control and sizing methodologies of hybrid
energy systems”, Renewable and Sustainable Energy Reviews , vol. 38, pp.47–63, 2014.
[3] P. [Link]ٌno , A. J. Gil-Mena , F. [Link] , C. A. [Link], L. M. Fernandez-Ramirez , F. Jurado,
“Power control based on particle swarm optimization of grid-connected inverter for hybrid renewable
energy system”, Energy Conversion and Management, vol.91 , pp.83–92,2015.
[4] Nicola Femia, Giovanni Petrone, Giovanni Spagnuolo, and Massimo Vitelli, “Power Electronics and
Control Techniques for Maximum Energy Harvesting in Photovoltaic Systems”, Taylor & Francis
Group, LLC, 2013, ISBN 978-1-4665-0691-6.
[5] G. Dileep, [Link], “ Maximum power point tracking of solar photovoltaic system using modified
perturbation and observation method , Renewable and Sustainable Energy Reviews, vol. 50, pp.109–
129, 2015.
[6] A. [Link] , [Link] , A. Cheriti , [Link], P. Sicard , M. Benghanem, A survey on control
of electric power distributed generation systems for microgrid applications, Renew. Sustain. Energy
Review, vol. 44 , pp.751–766, 2015.
[7] M. H. Nehrir, C. Wang, K. Strunz, H. Aki, R. Ramakumar, J. Bing, Z. Miao, and Z. Salameh, “A Review
of Hybrid Renewable/Alternative Energy Systems for Electric Power Generation: Configurations,
Control, and Applications”, IEEE Transactions on sustainable energy, vol. 2, no. 4, pp. 392-403, October
2011.
[8] M. S. Carmeli , F. [Link] , M. Mauri , G. Marchegiani , D. Rosati, « Control strategies and
configurations of hybrid distributed generation systems”, Renewable Energy, vol. 41, pp. 294-305, 2012.
[9] F. Blaabjerg, R. Teodorescu, M. Liserre, A.V. Timbus, “Overview of Control and Grid Synchronization
for Distributed Power Generation Systems”, IEEE Transactions on industrial electronics, vol. 53, no. 5,
pp.1398- 1409, 2006.
[10] L. Hassaine , [Link] , [Link] , [Link], “Overview of power inverter topologies and control
structures for grid connected photovoltaic systems “, Renewable and Sustainable Energy Reviews,
vol.30, pp.796–807, 2014.
[11] H. M. Jabr, D. Lu, N. C. Kar, Design and Implementation of Neuro-Fuzzy Vector Control for Wind-
Driven Doubly-Fed Induction Generator, IEEE Trans. Sustain. Energy, vol.2, pp.404-413, 2011.
[12] T.O. Kowalska, F. Blaabjerg, J. Rodríguez, “Advanced and Intelligent Control in Power Electronics and
Drives,” Studies in Computational Intelligence, Vol.531, Springer [Link] Switzerland, 2014,
ISBN 978-3-319-03400-3.
[13] G. Bartolini ; A. Ferrara ; A.A. Stotsky, “Robustness and performance of an indirect adaptive control
scheme in presence of bounded disturbances”, IEEE Transactions on Automatic Control, Vol.44, Issue.
4, Apr 1999.
[14] A. Labouret , M. Villoz, “Solar Photovoltaic Energy”, IET renewable energy series 9, London, United
Kingdom,2010, ISBN 978-1-84919-154-8.
[15] M. R. Patel, «Wind and Solar Power Systems: Design, Analysis, and Operation» 2ème edition, Taylor
& Francis Group, 2006, ISBN 978-0-8493-1570-1.
[16] A. Labouret , P. Cumunel, J.P. Braun , B. Faraggi, « Cellules solaires : Les bases de l’énergie
photovoltaïque » 5ème édition ETSF , Dunod, Paris,2010, ISBN 978-2-10-055598-7.
[17] A. Cid Pastor, “Conception et réalisation de modules photovoltaïques électroniques», Thèse de Doctorat,
Institut des Sciences Appliquées de Toulouse, 2006.
[18] S. Chakraborty, M. G. Simُ oes, W. E. Kramer , « Power Electronics for Renewable and Distributed
Energy Systems : A Sourcebook of Topologies, Control and Integration», Green Energy and
Technology, Springer, 2013, ISBN 978-1-4471-5103-6.
[19] M. H. Quang, »Optimisation de la production de l'électricité renouvelable pour site isolé» Thèse de
Doctorat, Université de Reims Champagne-Ardenne,2013.
[20] Q.C. Zhong, T. Hornik, « Control of power inverters in renewable energy and smart grid integration»
IEEE Press, John Wiley & Sons, Ltd, 2013, ISBN: 978-0-470-66709-5.
[21] H. Abu-Rub, M. Malinowski, K. Al-Haddad, « Power Electronics For Renewable Energy Systems,
Transportation And Industrial Applications» IEEE Press and John Wiley & Sons Ltd, 2014, ISBN 978-
1-118-63403-5.

163
[22] M. Nadjah, M. Khechana, L. Laiche, T. Ouksel, C. Mahfoudi, «Etude de l’hélice d’une éolienne de 5
kW » Revue des Energies Renouvelables CISM’08 Oum El Bouaghi , pp. 257 – 264, 2008.
[23] D. Rekioua, «Wind Power Electric Systems: Modeling, Simulation and Control», Green Energy and
Technology, Springer-Verlag, London, 2014, ISBN 978-1-4471-6424-1.
[24] Siegfried Heier, «Grid integration of wind energy: onshore and offshore conversion systems», Third
Edition, John Wiley & Sons, Ltd, 2014, ISBN 978-1-119-96294-6.
[25] D. Kumar, K. Chatterjee, «A review of conventional and advanced MPPT algorithms for wind energy
systems», Renewable and Sustainable Energy Reviews vol.55, pp. 957–970,2016.
[26] M.A. Abdullah, A.H.M. Yatim, C.W. Tan, R. Saidur, «A review of maximum power point tracking
algorithms for wind energy systems», Renewable and Sustainable Energy Reviews vol.16, pp.3220–
3227, 2012.
[27] Z. Zeng, [Link], [Link], [Link], «Topologies and control strategies of multi-functional grid-
connected inverters for power quality enhancement: A comprehensive review «, Renewable and
Sustainable Energy Reviews vol. 24, pp.223–270, 2013.
[28] G. Hoogers, «fuel cell technology handbook», CRC Press LLC, 2003, ISBN 0-8493-0877-1.
[29] M. H. Nehrir, C. Wang, «Modeling and control of fuel cells: distributed generation applications», IEEE
Press, A John Wiley & Sons, Inc., Publication, 2009, ISBN 978 0 470 23328 3.
[30] Pierre Mayé, “Générateurs électrochimiques : piles, accumulateurs et piles à combustibles” Dunod, Paris,
2010, ISBN 978-2-10-055564-2.
[31] Y. Zhu, K. Tomsovic, “Development of models for analyzing the load-following performance of
microturbines and fuel cells”, Electric Power Systems Research Vol.62, pp.1-11, 2002.
[32] B. Huang, Y. Qi, A. M. Murshed,, “ dynamic modelling and predictive control in solid oxide fuel cells:
first principle and data-based approaches”, John Wiley & Sons Ltd, 2013, ISBN 978-0-470-97391-2.
[33] E. F. MOGOŞ, « Production Décentralisée dans les Réseaux De Distribution. Etude Pluridisciplinaire
De La Modélisation Pour Le Contrôle Des Sources »,Thèse de doctorat ,Ecole Supérieure d’Arts et
Métiers Centre de Lille,2005.
[34] Y. H. Li, S. Rajakaruna, S. S. Choi, « Control of a Solid Oxide Fuel Cell Power Plant in a Grid-Connected
System”, IEEE Transactions on Energy Conversion, Vol. 22, No. 2, June 2007, pp. 405-413.
[35] A. Chauhan , [Link], “A review on Integrated Renewable Energy System based power generation for
stand-alone applications : Configurations ,storage options, sizing methodologies and control”,
Renewable and Sustainable Energy Reviews, vol.38, pp 99–120, 2014.
[36] S. Sumathi, L. Ashok Kumar , P. Surekha, “Solar PV and Wind Energy Conversion Systems An
Introduction to Theory, Modeling with MATLAB/SIMULINK, and the Role of Soft Computing
Techniques”, Green Energy and Technology, Springer International Publishing Switzerland, 2015, ISBN
978-3-319-14940-0.
[37] A. Dhaker, « Contribution au dimensionnement et à l'optimisation des systèmes hybrides éoliens-
photovoltaïques avec batteries pour l'habitat résidentiel autonome », Thèse de doctorat, université de
Poitiers, 2012.
[38] D. Rekioua , E. Matagne, “ Optimization of Photovoltaic Power Systems: Modelization, Simulation and
Control”, Green Energy and Technology, Springer, 2012, ISBN 978-1-4471-2348-4.
[39] N. Karami , N. Moubayed , R. Outbib, “Energy management for a PEMFC–PV hybrid system”, Energy
Conversion and Management, vol.82 , pp.154–168, 2014.
[40] [Link], [Link], [Link] “Control strategies for a hybrid renewable energy
system: A review”, Renewable and Sustainable Energy Reviews, vol. 42, pp.597–608, 2015.
[41] L. Stoyanov, « Structures de systèmes hybrides à sources d’énergie renouvelables », Revue de Génie
Industriel, vol 5, pp.1-19, 2010, ISSN 1313-8871.
[42] L. Stoyanov « Etude de Différentes Structures de Systèmes Hybrides à Sources D’énergie Renouvelables
«, Thèse de Doctorat, Université Technique de Sofia ,2011.
[43] Y.M. Chen, C.S. Cheng, H.C. Wu, “Grid-Connected Hybrid PV/Wind Power Generation System with
Improved DC Bus Voltage Regulation Strategy”, IEEE Twenty first annual applied power electronics
conference and exposition, APEC’06, pp.1088-1094, 2006.
[44] N.A. Ahmed, A.K. Al-Othman, M.R. AlRashidi, “Development of an efficient utility interactive
combined wind/photovoltaic/fuel cell power system with MPPT and DC bus voltage regulation”, Electric
Power Systems Research, vol. 81, pp. 1096–1106, 2011.
[45] J.E. Paiva , A.S. Carvalho, “Controllable hybrid power system based on renewable energy sources for
modern electrical grids”, Renewable Energy, vol.53, pp.271-279, 2013.
[46] M. Mohammadi, M. Nafar, Fuzzy sliding-mode based control (FSMC) approach of hybrid micro-grid in
power distribution systems, Electrical Power and Energy Systems, Vol. 51 , pp. 232–242, 2013.

164
[47] [Link], M. Cebeci, “Grid connected fuel cell and PV hybrid power generating system design with
Matlab Simulink”, international journal of hydrogen energy, Vol. 39, pp.8803-8812,2014.
[48] T. Vigneysh, N. Kumarappan, Autonomous operation and control of photovoltaic/solid oxide fuel cell/
battery energy storage based microgrid using fuzzy logic controller, Hydrogen Energy,vol.41, No.3,
pp.1877-1891, 2016.
[49] P. Thounthong, A. Luksanasakul, P. Koseeyaporn, B. Davat, “Intelligent Model-Based Control of a
Standalone Photovoltaic/Fuel Cell Power Plant With Supercapacitor Energy Storage”, IEEE transactions
on sustainable energy, vol. 4, no. 1,pp.240-249 , january 2013.
[50] G. Boukettaya, L. Krichen, “A dynamic power management strategy of a grid connected hybrid
generation system using wind, photovoltaic and Flywheel Energy Storage System in residential
applications”, Energy, vol. 71, pp.148-159, 2014.
[51] N. Mezzai , D. Rekioua , T. Rekioua , A. Mohammedi , K. Idjdarane , S. Bacha, “Modeling of hybrid
photovoltaic/wind/fuel cells power system”, international journal of hydrogen energy vol.39, pp.15158-
15168,2014.
[52] V. Dash , P. Bajpai, “Power management control strategy for a stand-alone solar photovoltaic-fuel cell.
battery hybrid system”, Sustainable Energy Technologies and Assessments, vol.9, pp.68–80,2015.
[53] Tareq Alnejaili , Said Drid , Driss Mehdi , Larbi Chrifi-Alaoui , Rafik Belarbi , Aziz Hamdouni,
“Dynamic control and advanced load management of a stand-alone hybrid renewable power system for
remote housing”, Energy Conversion and Management vol.105 , pp.377–392, 2015.
[54] C.M. Hong , T.C. Ou , K.H. Lu, « Development of intelligent MPPT (maximum power point tracking)
control for a grid-connected hybrid power generation system”, Energy, vol.50, pp.270-279, 2013.
[55] F. Baghdadi , K. Mohammedi , S. Diaf , O. Behar, “Feasibility study and energy conversion analysis of
stand-alone hybrid renewable energy system”, Energy Conversion and Management, vol.105 pp. 471-
479, 2015.
[56] M. Kalantar , S.M. [Link] , “Dynamic behavior of a stand-alone hybrid power generation system of
wind turbine, microturbine, solar array and battery storage”, Applied Energy, vol. 87, pp.3051–
3064,2010.
[57] M. Parvez , M.F.M. Elias , N.A. Rahim , N. Osman, « Current control techniques for three-phase grid
interconnection of renewable power generation systems: A review”, Solar Energy , vol.135, pp.29–42,
2016.
[58] E. Félice, P. Révilla, “ Qualité des réseaux électriques et efficacité énergétique », Dunod, Paris, ISBN
978-2-10-054618-3, 2009.
[59] F. Spertino , G. Graditi, « Power conditioning units in grid-connected photovoltaic systems: A
comparison with different technologies and wide range of power ratings”, Solar Energy, vol.108, pp.
219–229, 2014.
[60] A. Hajizadeh , M. [Link], ‘Intelligent robust control of hybrid distributed generation system under
voltage sag”, Expert Systems with Applications, vol.37 pp.7627–7638, 2010.
[61] L. Belhadji , « Optimisation du contrôle commande d'un système hydraulique réversible à vitesse
variable », Engineering Sciences, Université de Grenoble, 2013. French. <tel-00881633v1>.
[62] R. Kadri, H. Andrei, J.P. Gaubert, T. Ivanovici, G. Champenois, P. Andrei, « Modeling of the
photovoltaic cell circuit parameters for optimum connection model and real-time emulator with partial
shadow conditions, Energy , Vol.42, pp. 57-67, 2012.
[63] K. Ishaque , Z. Salam, H. Taheri, Syafaruddin, “Modeling and simulation of photovoltaic (PV) system
during partial shading based on a two-diode model”, Simulation Modelling Practice and Theory, vol.19,
pp.1613–1626, 2011.
[64] G. Walker, “Evaluating MPPT converter topologies using a Matlab PV Model”, Journal of Electrical
and Electronics Engineering, Australia, January 2001.
[65] S. Roy Chowdhury, [Link], “Maximum power point tracking of partially shaded solar photovoltaic
arrays”, Solar Energy Materials & Solar Cells , Vol.94, pp.1441-1447, 20.
[66] D. Lalili, A. Mellit, N. Lourci, B. Medjahed, C. Boubakir, « State feedback control and variable step size
MPPT algorithm of three-level grid-connected photovoltaic inverter”, Solar Energy, Vol. 98, pp.561–
571, 2013.
[67] [Link]ée , F. Auger , M. Macé , L. Loron,” Design of an efficient small wind-energy conversion system
with an adaptive sensorless MPPT strategy”, Renewable Energy, vol.86 pp. 280-291,2016.
[68] J. Brahmi, L. Krichen , A. Ouali, « A comparative study between three sensorless control strategies for
PMSG in wind energy conversion system”, Applied Energy, vol.86,pp. 1565–1573, 2009.
[69] B. Wu, Y. Lang, N. Zargari, S. Kouro ,“Power conversion and control of wind energy systems,” John
Wiley & Sons Inc. and IEEE Press; 2011, ISBN: 978-1-118-02900-8.
[70] T. GHENNAM, « Supervision d’une ferme éolienne pour son intégration dans la gestion d’un réseau
électrique, Apports des convertisseurs multi niveaux au réglage des éoliennes à base de machine
asynchrone à double alimentation », Thèse de doctorat, Ecole Militaire Polytechnique d’Alger et Ecole
Centrale de Lille, 2011.
[71] [Link]é, « Aide mémoire Electrotechnique », DUNOD, Paris, 2006, ISBN 2 10 049578 X.

165
[72] J. Rodriguez , P. Cortes, “Predictive control of power converters and electrical drives”,IEEE A John
Wiley & Sons, Ltd.,2012, ISBN 978-1-119-96398-1.
[73] M. M. M. EZZAT , “Commande non lineaire sans capteur de la machine synchrone a aimants
permanents”, Thèse de Doctorat, école centrale de nantes,2011.
[74] Jean-Paul Louis,” Modélisation des machines électriques en vue de leur commande : concepts
généraux », Lavoisier, 2004, ISBN 2-7462-0916-0.
[75] J. Padulles, G.W. Ault, J.R. McDonald, “An integrated SOFC plant dynamic model for power systems
simulation,” Journal of Power Sources vol.86, pp.495–500, 2000.
[76] Y. Zhu, K. Tomsovic, “Development of models for analyzing the load-following performance of
microturbines and fuel cells”, Electric Power Systems Research, vol. 62, pp.1-11,2002.
[77] O. Tremblay, L.A. Dessaint, A.I. Dekkiche, A Generic Battery Model for the Dynamic Simulation of
Hybrid Electric Vehicles, In: IEEE Proc. Vehicle Power and Propulsion Conf.2007, pp.284-289.
[78] H. S.-Ramirez , R.S.-Ortigoza, “Control Design Techniques in Power Electronics Devices”, Springer,
2006, ISBN-13: 9781846284588.
[79] F. L. Luo , [Link], « Renewable energy systems advanced conversion technologies and applications”, by
Taylor & Francis Group, LLC, 2013, ISBN: 978-1-4398-9110-0.
[80] C. Kong Tse, “Complex behavior of switching power converters”, CRC Press, 2004, ISBN 0-8493-
1862-9.
[81] H. R. Karshenas, H. Daneshpajooh, A. Safaee, P. Jain, A. Bakhshai, “Bidirectional DC-DC Converters
for Energy Storage Systems”, Energy Storage in the Emerging Era of Smart Grids, pp161-178, Prof.
Rosario Carbone (Ed.), ISBN: 978-953-307-269-2, InTech.
[82] El Fadil, H., Giri, F., & Guerrero, J. M. ,” Lyapunov based control of hybrid energy storage system in
electric vehicles”, In Proceedings of the American Control Conference (ACC), 2012, pp. 5005-5010,
Montreal, QC: IEEE Press.
[83] [Link], “ Développment d’un superviseur flou appliqué à la commande d’un moteur à induction “,
These de doctorat, université M’HAMED bougara-Boumerdes, 2013-2014.
[84] G. Abad, [Link], M. A. Rodrıguez, L. Marroyo, G. Iwanski, “Doubly Fed Induction Machine Modeling
And Control For Wind Energy Generation”, IEEE press, John Wiley & Sons, Inc.,2011, ISBN: 978-1-
118-10494-1.
[85] J. Rodríguez, S. Bernet, [Link], J. O. Pontt, [Link],” Multilevel Voltage-Source-Converter Topologies
for Industrial Medium-Voltage Drives”, IEEE Transactions on Industrial Electronics, Vol. 54, No. 6,
pp2930-2945 , 2007.
[86] G. Dreyfus,G. Dreyfus, J.-M. Martinez, M. Samuelides, M. B. Gordon, F. Badran, S.
Thiria, « Apprentissage statistique : Réseaux de neurones, Cartes topologiques, Machines à vecteurs
supports», Éditions Eyrolles, ISBN : 978-2-212-11464-5.
[87] L. Zadeh (1965) Fuzzy sets. Information and Control, Vol. 8, pp.338–353.
[88] C. Pappis, C. Siettos (2005) Fuzzy reasoning. In: Burke, E.K., Kendall, G. (eds.) Search Methodologies:
Introductory Tutorials in Optimization and Decision Support Techniques, chapter. 15, pp.437–474.
Springer.
[89] [Link], [Link], [Link] “Neuro-Fuzzy and Soft Computing : a computational approach to
learning and machine intelligence”,Prentice Hall, 1997,ISBN 0-13-261066-3.
[90] N. Siddique “Intelligent Control:A Hybrid Approach Based on Fuzzy Logic, Neural Networks and
Genetic Algorithms”,Springer , 2014, ISBN 978-3-319-02134-8.
[91] [Link], “Fuzzy logic in control systems : Fuzzy logic controller –Part I”, IEEE transactions on systems
, man, and cybernetics , vol 20, no.2, 1990.
[92] M.N. Cirstea, A. Dinu, J.G. Khor, M. McCormick, “Neural and Fuzzy Logic Control of Drives and
Power Systems”, Elsevier, 2002, ISBN 0 7506 55585.
[93] T. Takagi, M. Sugeno (1985) Fuzzy Identification of Systems and Its Applications to Modeling and
Control. IEEE Transactions on Systems Man and Cybernetics, Vol. 15, N.1, pp. 116-132.
[94] P. P.-Cruz, F. D. R.-Figueroa, “Intelligent Control Systems with LabVIEW”, Springer,2010, ISBN 978-
1-84882-683-0.
[95] E. Czogalat . J. Leski, “Fuzzy and Neuro-Fuzzy Intelligent Systems”, A Springer-Verlag Company,
2000, ISBN 978-3-662-00389-3.
[96] [Link], [Link], [Link]ège, « Les réseaux de neurones : Présentation et applications », Edition
Technip, 2007, ISBN :978-2-7108-0896-1.
[97] [Link] “Neural Networks : A comprehensive Foundation”, deuxième edition, Pearson Education,
Inc.,1999, ISBN:81-7808-300-0.
[98] O. GUENOUNOU, « Méthodologie de conception de contrôleurs intelligents par l'approche génétique-
application à un bioprocédé », Thèse de doctorat, Université De Toulouse, 2009.
[99] A. S. Poznyak, E. N. Sanchez, Wen Yu, “Differential neural networks for robust nonlinear control”,
2001, ISBN 981-02-4624-2.
[100] K. Karabacak, [Link], “Artificial neural networks for controlling wind–PV power systems: A
review”, Renewable and Sustainable Energy Reviews, Vol.29, pp.804–827, 2014.

166
[101] J. Liu, « Radial Basis Function (RBF) Neural Network Control for Mechanical Systems : Design,
Analysis and Matlab Simulation »,Springer, 2013, ISBN 978-7-302-30255-1.
[102] M. Ünal, A. Ak, V. Topuz, H. Erdal, “Optimization of PID Controllers Using Ant Colony and
Genetic Algorithms”, Springer, 2013, ISBN 978-3-642-32899-2.
[103] F.-J. Lin, Y.C. Hung, S.-Yi Chen, “FPGA-Based Computed Force Control System Using Elman
Neural Network for Linear Ultrasonic Motor”, IEEE Transactions On Industrial Electronics, Vol. 56,
No. 4, pp.1238 -1253, 2009.
[104] [Link], “ RESEAUX DE NEURONES” , Université de LAVAL,2004.
[105] [Link] Nguyen, “Approche neuromimétique pour l’identification et la commande des systèmes
électriques : application au filtrage actif et aux actionneurs Synchrones”, These de doctorat, Université
De Haute-Alsace, Mulhouse, 2010.
[106] Krose.B., P.van_der_Smagt, “An introduction to Neural Networks », Eighth edition , November
1996.
[107] W.Y. Han, S. M. Kim, S.J. Kim, C.G. Lee, “Sensorless Vector Control of Induction Motor using
Improved Self-Tuning Fuzzy PID Controller”, SICE Annual Conf. in Fukui-Japan, August 4-6 (2003)
3112-3117.
[108] F. BLAYO,M. VERLEYSEN, « Les réseaux de neurones artificiels », Presses Universitaires de
France, 1996, isbn 2 13 047355 5.
[109] M._Gupta,_L._Jin,_N._Homma, “Static and dynamic neaural networks: from fundamentals to
advanced theory”, IEEE Press , A JOHN WILEY SONS, INC.2003,ISBN 0-471-21948-7.
[110] T.O. Kowalska, F. Blaabjerg, J. Rodríguez, “Advanced and Intelligent Control in Power
Electronics and Drives,” Studies in Computational Intelligence, Vol. 531, Springer, 2014.
[111] M. Parvez , M.F.M. Elias , N.A. Rahim , N. Osman, « Current control techniques for three-phase
grid interconnection of renewable power generation systems: A review”, Solar Energy, vol.135, pp.29–
42, 2016.
[112] N. Chettibi, A. Mellit, “PSO based Direct Power Control of grid connected photovoltaic
system“, 4th International Conference on Electrical Engineering (ICEE), PP.1-6, DOI:
10.1109/INTEE.2015.7416732 , 2015.
[113] T. Esram, P. L. Chapman, “Comparison of Photovoltaic Array Maximum Power Point Tracking
Techniques”, IEEE Transactions on energy conversion, vol. 22, no. 2, 439-449, June 2007.
[114] K.H. Hussein, I. Muta , T. Hoshino, M. Osakada «Maximum photovoltaic power tracking: an
algorithm for rapidly changing atmospheric conditions » IEE Proc.-Gener. Transm Distrib, Vol. 142, No.
1 , pp.59-,64, January I995.
[115] A. Safari, S. Mekhilef,” Simulation and Hardware Implementation of Incremental Conductance
MPPT With Direct Control Method Using Cuk Converter”, IEEE Transactions On Industrial Electronics,
Vol. 58, No. 4, pp.1154-1161,April 2011.
[116] T. Noguchi, H. Tomiki, S. Kondo, T. Takahashi, "Direct Power Control of PWM Converter
Without Power-Source Voltage Sensors", IEEE Transactions on industry applications, vol. 34, No. 3,
pp.473-479, 1998.
[117] A. L. de Heredia Bermeo, “ Commandes avancées des systèmes dédiés a l'amélioration de la qualité
de l'énergie : de la basse tension a la montée en tension », Thèse de doctorat, Institut polytechnique de
Grenoble, 2006.
[118] M. Malinowski, [Link], M. P. Kazmierkowski, “Simple Direct Power Control of Three-Phase
PWM Rectifier Using Space-Vector Modulation (DPC-SVM)”, IEEE Transactions on industrial
electronics, vol. 51, no. 2, pp.447-454, 2004.
[119] M. Cichowlas, M. Malinowsk, M. Jasinsk ,M. P. Kazmierkowsk,” DSP Based Direct Power
Control for three-phase PWM Rectifier with Active Filtering Function”, IEEE International Symposium
on Industrial Electronics ISIE, 2003.
[120] M. Malinowski, M. P. Kazmierkowski, , S. Hansen, F. Blaabjerg, G. D. Marques, "Virtual-Flux-
Based Direct Power Control of Three-Phase PWM RectifIers", IEEE transactions on industry
applications, vol.37, No. 4, pp. 10 19-1027 , 200 1.
[121] A. Bouafla, J-P. Gaubert, F. Krim, "Predictive Direct Power Control of Three-Phase Pulsewidth
Modulation (PWM) RectifIer Using SpaceVector Modulation (SVM)", IEEE Transactions on Power
Electronics, Vol. 25, No. I ,pp. 228- 236, January 20 10.
[122] L. Zhang , G. Zheng , L. Jishun, "Direct Power Control Strategy of Three-phase PWM RectifIer",
Journal ofTnformation & Computational Science 10:9 , pp 2807-2813 ,10 June 20 13.
[123] M. Malinowski, S. Bernet, “ Simple Control Scheme of Three-Level PWM Converter Connecting
Wind Turbine with Grid”, [Link]
[124] 1. Kennedy, [Link], "Particle swarm optimization", IEEE International Conference on Neural
Networks, Perth, W A, vol.4, pp. 1942-1948, 1995.
[125] A. EL DOR, "Perfectionnement des algorithmes d'Optimisation par Essaim Particulaire :
Applications en segmentation d' images et en electronique ",These de doctorat, UNIVERSITÉ PARIS-
EST, 2012.

167
[126] V. Rajinikanth , K. Latha, “Tuning and Retuning of PID Controller for Unstable Systems Using
Evolutionary Algorithm”, International Scholarly Research Network, ISRN Chemical Engineering, Vol.
2012, ID 693545, doi:10.5402/2012/693545.
[127] S. S. Patnaik , A.K. Panda, “Particle SwarmOptimization and Bacterial Foraging Optimization
Techniques for Optimal Current Harmonic Mitigation by Employing Active Power Filter”, Applied
Computational Intelligence and Soft Computing, Hindawi Publishing Corporation, Vo1.20 12, Article
ID 897127.
[128] Y. H. Liu, S. C. Huang, 1. W. Huang, W. C. Liang, "A Particle Swarm Optimization-Based
Maximum Power Point Tracking Algorithm for PV Systems Operating Under Partially Shaded
Conditions", IEEE Transactions On Energy Conversion, Vol. 27, No. 4, pp. 1027-1035, 2012.
[129] C.C. Kao, C. W. Chuang, R. F. Fung , "The self-tuning PID control in a slider-crank mechanism
system by applying particle swarm optimization approach", Journal of Mechatronics, Vol. 16, No.8, pp.
5 13-522, 2006.
[130] Y. Shi, R.C. Eberhart, "Empirical study of particle swarm optimization", in Proceeding of the 1999
Congress on Evolutionary Computation, Washington, Vol.3, pp. 1945-1950, 1999.
[131] I. Takahashi and T. Noguchi, “A new quick response and high efficiency strategy of an induction
motor,” in Conf. Rec. IEEE-IAS Annu. Meeting, 1985, pp. 495–502.
[132] L. Zhong, M. F. Rahman, W. Y. Hu, and K. W. Lim,” Analysis of Direct Torque Control in
Permanent Magnet Synchronous Motor Drives”, IEEE Transactions on Power Electronics, Vol. 12,
No.3,pp. 528-536, May 1997.
[133] B. Bossoufi, M. Karim, A. Lagrioui, B. Bossoufi, S. Ioniţă “ Performance Analysis of Direct
Torque Control (DTC) for Synchronous Machine Permanent Magnet (PMSM) », 2010 IEEE 16th
International Symposium for Design and Technology in Electronic Packaging (SIITME), 23-26 Sep
2010, Pitesti, Romania.
[134] [Link], L. Zhong, M. F. Rahman, Y. Hu, “A Novel Direct Torque Control for Interior Permanent-
Magnet Synchronous Machine Drive With Low Ripple in Torque and Flux—A Speed-Sensorless
Approach”, IEEE Transactions On Industry Applications, Vol. 39, No. 6, pp. 1748 -1756, 2003.
[135] N. Khalil, “ Stratégies de commande et techniques intelligentes appliquées aux machines de type
synchrone », Thèse de doctorat,Universite Mentouri, Constantine,2010.
[136] H. Merabet Boulouiha , A. Allali , M. Laouer , A. Tahri , M. Denaï, A. Draou, « Direct torque
control of multilevel SVPWM inverter in variable speed SCIG-based wind energy conversion system”,
Renewable Energy, Vol. 80, pp.140-152, 2015.
[137] J. Zhang, M. Faz Rahman, [Link] “A New Scheme to Direct Torque Control of Interior
Permanent Magnet Synchronous Machine Drives for Constant Inverter Switching Frequency and Low
Torque Ripple”, IEEE, IPEMC 2006.
[138] C.-Yi Chen, C.-H. Hsu, S.H. Yu, C.F. Yang, H.H. Huang,” Cascade PI Controller Designs for
Speed Control of Permanent Magnet Synchronous Motor Drive Using direct torque approach”, IEEE
Fourth International Conference on Innovative Computing, Information and Control, pp. 938-941,2009.
[139] K. Chikh, M. Khafallah , A. Saâd, “Improved DTC Algorithms for Reducing Torque and Flux
Ripples of PMSM Based on Fuzzy Logic and PWM Techniques”, MATLAB – A Fundamental Tool for
Scientific Computing and Engineering Applications, Vol. 1. Chapitre 8, INTECH.
[140] A. Boubakir, F. Boudjema, [Link], “A Neuro-fuzzy-sliding Mode Controller Using Nonlinear
Sliding Surface Applied to the Coupled Tanks System”, International Journal of Automation and
Computing,Vol.6, no.1, pp.72-80, February 2009.
[141] R. Teodorescu, M. Liserre, P. Rodriguez, Grid converters for photovoltaic and wind power systems,
IEEE John Wiley & Sons, Ltd , 2011, ISBN 978-0-470-05751-3.
[142] M. A. GOLKAR, A. HAJIZADEH, “Control strategy of hybrid fuel cell/battery distributed
generation system for grid-connected operation”, Journal of Zhejiang University SCIENCE A, Vol.10,
no.4, pp. 488-496, 2009.
[143] N. Chettibi, A. Mellit, G. Sulligoi, A. Massi Pavan, “Fuzzy-based power control for
distributed generators based on solid oxide fuel cells”, International Conference on Clean
Electrical Power (ICCEP), PP. 580 - 585, DOI: 10.1109/ICCEP.2015.7177550, 2015.
[144] E. Unamuno , J. A. Barrena, Hybrid ac/dc microgrids—Part II: Review and classification of control
strategies, Renew. Sustain. Energy Rev. 52 (2015) 1123–1134.
[145] F. Nejabatkhah, Y.W. Li, “Overview of Power Management Strategies of Hybrid AC/DC
Microgrid”, IEEE Trans. Power Electronics, Vol 30, no.12,pp.7072-7089, 2015.
[146] X. Liu, P. Wang, P. C. Loh, “A Hybrid AC/DC Microgrid and Its Coordination Control,” IEEE
Trans. Smart Grid, vol. 2, no. 2, pp. 278- 286 , June 2011.
[147] A. Choudar , D. Boukhetala , S. Barkat , J.-M. Brucker, “A local energy management of a hybrid
PV-storage based distributed generation for microgrids”, Energy Conversion and Management, vol. 90,
pp. 21–33, 2015.

168
[148] [Link] , F. Pourfayaz, Optimal sizing of autonomous hybrid photovoltaic/wind/battery power
system with LPSP technology by using evolutionary algorithms, Solar Energy, vol. 115, pp. 471–483,
2015.
[149] M.S. Ismail, M. Moghavvemi, T.M.I. Mahlia, Genetic algorithm based optimization on modeling
and design of hybrid renewable energy systems, Energy Conversion Management , vol.85, pp.120-130,
2014.
[150] [Link] , [Link], L.M. Fernandez, F. Llorens, [Link] , ANFIS-Based Control of a Grid-
Connected Hybrid System Integrating Renewable Energies, Hydrogen and Batteries, IEEE Transaction
on Industrial Information, vol 10,no. 2, pp. 1107 – 1117, 2014.
[151] O. Erdinc, M. Uzunoglu, ‘The importance of detailed data utilization on the performance evaluation
of a grid-independent hybrid renewable energy system’, Hydrogen energy, vol.36, pp.12664-12677,
2011.
[152] H. M. Hasanien, S.M. Muyeen, “Speed control of grid-connected switched reluctance generator
driven by variable speed wind turbine using adaptive neural network controller”, Electric Power Systems
Research, vol. 84, pp. 206– 213,2012.
[153] C. H. Chen, C.-M. Hong, F.S. Cheng,” Intelligent speed sensorless maximum power point tracking
control for wind generation system”, Electrical Power and Energy Systems, vol. 42, pp. 399–407,2012.
[154] C.-M. Hong, C.-H. Chen , C.S. Tu, « Maximum power point tracking-based control algorithm for
PMSG wind generation system without mechanical sensors”, Energy Conversion and Management, vol.
69, pp. 58–67, 2013.
[155] T.C. Ou , C.M. Hong, “ Dynamic operation and control of microgrid hybrid power systems”,
Energy, Vol.66, pp.314-323, 2014.
[156] S. [Link], G. Scelba, “ANN based MPPT method for rapidly variable shading conditions”,
Applied Energy, vol. 145 , pp. 124–132, 2015.
[157] A. I. Dounis , P. Kofinas, G. Papadakis, C. Alafodimos, “A direct adaptive neural control for
maximum power point tracking of photovoltaic system”, Solar Energy, vol. 115, pp.145–165,2015.
[158] N. Chettibi , [Link] , G. Sulligoi , A. M. Pavan “Adaptive Neural Network-Based Control
of a Hybrid AC/DC Microgrid”, IEEE Transactions on Smart Grid, PP.1-13 DOI:
10.1109/TSG.2016.2597006, 2016.
[159] P. K. Dash, S. Mishra, and G. Panda, “A Radial Basis Function Neural Network Controller for
UPFC,” IEEE Trans. Power Syst., vol. 15, no. 4, November 2000.
[160] W.M. Lin, C.M. Hong, C.H. Chen, “Neural-Network-Based MPPT Control of a Stand-Alone
Hybrid Power Generation System,” IEEE Trans. Power Electron., Vol. 26, No. 12, pp. 3571-3581,
December 2011.
[161] A. Bouafia, J.P. Gaubert, F. Krim, “Predictive Direct Power Control of Three-Phase Pulsewidth
Modulation (PWM) Rectifier Using Space-Vector Modulation (SVM), ” IEEE Trans. Power Electron.,
Vol. 25, No. 1, pp.228-236, January 2010.
[162] P. Cortés, M. P. Kazmierkowski, R. M. Kennel,D. E. Quevedo, José Rodríguez, “Predictive Control
in Power Electronics and Drives”, IEEE Trans. Indus. Electron., Vol. 55, No. 12, pp. 4312-4324, 2008.
[163] N. Li ,Y. Ming, X. Dian-guo, “Predictive Current Control for Permanent Magnet Synchronous
Motor Based on deadbeat Control”, 7th IEEE Conf. on Industrial Electronics and Applications (ICIEA),
2012.
[164] D. Ould Abdeslam, P. Wira, D. Flieller, J. Mercklé, "Artificial Neural Networks to Control an
Inverter in a Harmonic Distortion Compensation Scheme," in ISIE'2008, Cambridge, UK, 2008,
pp.1873-1878, 2008.
[165] D. Biel, F. Guinjoan, E. Fossas, J. Chavarria, “Sliding-Mode Control Design of a Boost–Buck
Switching Converter for AC Signal Generation”, IEEE Trans. circuits and systems—I, Vol. 51, No. 8,
pp. 1539-1551, August 2004.
[166] M. Malinowski, M.P. Kazmierkowski, S. Hansen, F. Blaabjerg, G.D. Marques, Virtual-Flux-Based
Direct Power Control of Three-Phase PWM Rectifiers, IEEE Trans. Indus. Appl. 37 (2001)1019-1027.
[167] M. Malinowski, M. P. Kazmierkowski, A. M. Trzynadlowski, A Comparative Study of Control
Techniques for PWM Rectifiers in AC Adjustable Speed Drives, IEEE Trans. Power Electron. 18 No. 6
(2003) 1390- 1396.
[168] H. [Link], D. A. Khaburi, V. E. Torbati, Dead Beat Control of Three Phase PWM Rectifier
Using Virtual Flux Based Direct Power Control (DPC) and with no Line Voltage Measurements, 6th
conf. Power Electronics, Drives systems & Technologies PEDSTC (2015).
[169] J.A. Suul, A. Luna, P. Rodriguez, T. Undeland, Virtual-Flux-Based Voltage-Sensor-Less Power
Control for Unbalanced Grid Conditions, IEEE Transactions Power Electronics, Vol.27, No.9, pp.4071-
4087, 2012.
[170] R. Teodorescu, M. Liserre, P. Rodriguez, Grid converters for photovoltaic and wind power systems,
IEEE John Wiley & Sons, Ltd., 2011, ISBN:978-0-470-05751-3.
[171] L. A. Serpa, S. D. Round, J. W. Kolar, A Virtual-Flux Decoupling Hysteresis Current Controller
for Mains Connected Inverter Systems, IEEE Transactions Power Electronics, 22-5 (2007) 1766-1777.

169
[172] R.D. Brandt, F. Lin, “Adaptive interaction and its application to neural networks,” Information
Science, vol. 121, pp.201–215, 1999.
[173] X. Li, Z.Q. Chen, Z.Z. Yuan, “Generating chaos by an Elman network,” IEEE Transaction on
Circuit System I: Fundam. Theory Application, Vol. 48, pp.1126–1131, 2001.
[174] J. G. de Matos, F.S. F. e Silva, L.A. de S. Ribeiro, “Power Control in AC Isolated Microgrids With
Renewable Energy Sources and Energy Storage Systems”, IEEE Trans. Indus. [Link]. 62,
No.6,pp.3490-3498, June 2015.
[175] [Link],[Link],.[Link], “Fuzzy gain scheduling of PID controllers”, IEEE transactions on
systems man and cybernetics, vol.23,[Link].1392-1398,1993.
[176] A. I. Dounis, P. Kofinas, C. Alafodimos, D. Tseles, Adaptive fuzzy gain scheduling PID controller
for maximum power point tracking of photovoltaic system, Renewable Energy, vol. 60, pp. 202-214,
2013.
[177] [Link], Y. Yali, Z. Guosheng, S. Xiaoliang, Fuzzy Auto-adjust PID Controller Design of
Brushless DC Motor, Inter. Conf. Medical Physics and Biomedical Engineering, Physics Procedia, vol.
33 ,pp. 1533 – 1539, 2012.
[178] L. Gil-Antonio, M. B. Saldivar-Marquez, [Link]-Rodriguez, “ Maximum power point tracking
techniques in photovoltaic systems: A brief review”,13th International Conference on Power Electronics
(CIEP), 2016.
[179] M. [Link], L. Mathew, “Different Kinds of Maximum Power Point Tracking Control Method for
Photovoltaic Systems: A Review”, Springer, Arch Computat Methods Eng.,2016.
[180] [Link], Z. Salam, A critical evaluation on maximum power point tracking methods for partial
shading in PV systems, Renew. Sustain. Energy Rev. 47 (2015) 933–953.
[181] G. Tsengenes, G. Adamidis”, “A multi-function grid connected PV system with three level NPC
inverter and voltage oriented control”, Solar Energy, vol. 85, pp.2595–2610,2011.
[182] S.W. Kim, J.J. Lee, Design of a fuzzy controller with fuzzy sliding surface, Fuzzy Sets Syst. 71
(1995) 359-367.
[183] B. Allaoua, A. Laoufi, “A Novel Sliding Mode Fuzzy Control based on SVM for Electric Vehicles
Propulsion System” TerraGreen 13 International Conference - Advancements in Renewable Energy and
Clean Environment, Energy Procedia, vol.36 , pp.120 – 129, 2013.
[184] Y. Liu, Q. Zhang, C. Wang, N. Wang, “A control strategy for microgrid inverters based on adaptive
three-order sliding mode and optimized droop controls”, Electric Power Systems Research vol.117 ,
pp.192–201, 2014.
[185] R. Selvamuthukumaran, R. Gupta, “Rapid prototyping of power electronics converters for
photovoltaic system application using Xilinx System Generator”, IET Power Electron., 2014, Vol. 7, Iss.
9, pp. 2269–2278.
[186] Y. S. K. BABU, G. T. R. DAS, “The use of field programmable gate array (FPGA) in direct torque
control of induction motor”J Control Theory Appl 2013 11 (4) 642–650.
[187] S. Krim, S. Gdaim, A. Mtibaa, M. F. Mimouni, “Design and Implementation of Direct Torque
Control Based on an Intelligent Technique of Induction Motor on FPGA”, J Electr Eng Technol.2015;
10: 30-40.
[188] N. SGHAIER, [Link], S. GDAIM, B. BOSSOUFI, M. F. MIMOUNI, “Vector control for
induction motor with rotor flux oriented using xilinx system generator”, Journal of Theoretical and
Applied Information Technology, Vol. 54 No.2, August 2013.
[189] R. Faraji, A. Rouholamini, H. R. Naji, R. Fadaeinedjad, M. R. Chavoshian, “FPGA-based real
time incremental conductance maximum power point tracking controller for photovoltaic systems”, IET
Power Electron., 2014, Vol. 7, Iss. 5, pp. 1294–1304.
[190] S. Krim, S. Gdaim, A. Mtibaa, M. F. Mimouni “FPGA implementation of the Direct Torque
Control with constant switching frequency of induction motor”, 12th International Multi-Conference on
Systems, Signals & Devices, 2015.
[191] K. Murugesan, R. Muthu, S. Vijayenthiran, J.B. Mervin, “Prototype hardware realization of the
DSTATCOM for reactive power compensation”, Electrical Power and Energy Systems, vol.65, pp. 169–
178, 2015.
[192] B. Bossoufi , [Link] , A. Lagrioui , M. Taoussi , A. Derouich, « Observer backstepping control
of DFIG-Generators for wind turbines variable-speed: FPGA-based implementation,” Renewable
Energy, vol.81, 903-917, 2015.
[193] M. Knezevic, “An introduction to Xilinx System Generator”, http:/[Link].
[194] “Xilinx System Generator v2.1 Reference Guide”,
[Link]
[195] [Link], Z. Miao, L. Piyasinghe, L. Fan, “Real-time digital simulation-based modeling of a
single-phasesingle-stage PV system”, Electric Power Systems Research, vol.123, pp.85–91, 2015.
[196] K. Yenduri , [Link],” Maximum Power Point Tracking of Variable Speed Wind Turbines
With Flexible Shaft”, IEEE Transactions on sustainable energy, vol. 7, no. 3, pp.956-965, JULY 2016.

170
[197] [Link] , «The principal of field orientation on applied to the transvector closed loop control
system for rotating field machines”, Siemens , review, vol.34, pp.217-220, may 1972.
[198] M. Parvez, M.F.M. Elias , N.A. Rahim, N. Osman, “Current control techniques for three-phase grid
interconnection of renewable power generation systems: A review”, Solar Energy, vol. 135, pp. 29–42,
2016.
[199] Il-Song Kim, “Robust maximum power point tracker using sliding mode controller for the three-
phase grid-connected photovoltaic system”, Solar Energy, vol. 81, pp. 405–414, 2007.
[200] M.W. Naouar , B. Ben Hania , I. Slama-Belkhodja , E. Monmasson, A.A. Naassani, “FPGA-based
sliding mode direct control of single phase PWM boost rectifier”, Mathematics and Computers in
Simulation, vol.91, pp.249–261, 2013.
[201] G.-D. Wang, R.-J. Wai, Y. Liao, “Design of backstepping power control for grid-side converter of
voltage source converter-based high-voltage dc wind power generation system”,IET Renew. Power
Gener., Vol.7, Issue 2, pp. 118–133, 2013.
[202] C. Aouadi, A. Abouloifa, « Backstepping Based Control of PV system Connected to the Grid”,
International Journal of Computer and Information Technology (ISSN: 2279 – 0764) ,Vol. 03, Issue 05,
2014.
[203] K. Naoufel, M. Zazi, H. Mahmoudi, “Grid-Connected Photovoltaic System Using An Advanced
Backstepping Approach”, Journal of Theoretical and Applied Information Technology, Vol.79. No.2,pp.
330-337 , September 2015.
[204] J. Zhou, C. Wen, « Adaptive Backstepping Control of Uncertain Systems: Nonsmooth
Nonlinearities, Interactions or Time-Variations”, Springer-Verlag Berlin Heidelberg, 2008, ISBN 978-
3-540-77806-6.
[205] C.-X. Chen; Y.-X. Xie, Y.-H. Lan, “Backstepping Control of Speed Sensorless Permanent Magnet
Synchronous Motor Based on Slide Model Observer”, International Journal of Automation and
Computing, Vol. 12, Issue.2, pp.149-155, April 2015.
[206] B. Bossoufi , [Link], A. Lagrioui, M. Taoussi, A. Derouich, « Observer backstepping control
of DFIG-Generators for wind turbines variable-speed: FPGA-based implementation”, Renewable
Energy, vol. 81, pp. 903-917,2015.

171