Université Libanaise Faculté de Génie Branche III Département Électricité Et Électronique Informatique industrielle Projet de fin d'études Techniques Intelligentes pour la Poursuite du Point de Puissance Maximale d'un Système Photovoltaïque Préparé par: KANJ Bilal Supervisé par : Dr. HARKOUSS Youssef Juin 2012 Remerciements Je remercie tout d'abord Dr. HAMADAN Mohamad, le directeur de la faculté de génie, pour ses précieux conseils et ses suggestions avisés. Je remercie sincèrement DR. EL HAJJ Zouhair, chef du département électricité et électronique, pour ses conseils scientifiques qu'ils nous ont prodigués. J'adresse mes remerciements à Monsieur le docteur HARKOUSS Youssef, pour son soutien dans les moments difficiles, pour sa compétence et sa disponibilité tout au long du déroulement de ce projet. J'exprime également mes sincères remerciements aux membres de jury, pour l'honneur qu'ils nous font en acceptant de participer au jury de ce projet. Enfin, je souhaite exprimer toute ma reconnaissance à mes parents, a toute ma famille pour leur soutient constant et leur patience. Table des Matières Introduction générale ..............................................................................................................................................1 Chapitre 1 : Cellule photovoltaïque (PV) : définition et modélisation .............................................3 1.1 Introduction.................................................................................................................................................4 1.2 Principe de fonctionnement d'une cellule PV ............................................................................6 1.3 Modélisation d'une cellule PV ............................................................................................................7 1.3.1 Représentation des cellules PV .........................................................................................8 1.3.2 Modélisation Matlab/Simulink ......................................................................................10 1.4 Panneau solaire (PS) ou générateur PV (GPV) ...................................................................... 13 1.5 Protection d'un GPV .............................................................................................................................14 1.6 Conclusion .................................................................................................................................................15 Chapitre 2 : Poursuite du point de puissance maximale (PPPM) d'un aystème photovoltaïque ......................................................................................................................................................... 16 2.1 Introduction.............................................................................................................................................. 17 2.2 Perturbations du PPM .........................................................................................................................18 2.3 Algorithmes de recherche du PPM ...............................................................................................19 2.3.1 Algorithme de contrôle adaptif ......................................................................................19 2.3.2 Algorithme «Hill Climbing»..............................................................................................20 2.3.3 Algorithme « Incrémentation de conductance» ....................................................21 2.3.4 Algorithme « Perturbe et Observe P&O » ................................................................. 22 2.3.5 La commande floue .............................................................................................................. 21 2.3.5.1 Introduction ............................................................................................................. 25 2.3.5.2 Intérêt et utilisation de la logique loue pour le contrôle .................25 2.3.5.1 Contrôleur lou ........................................................................................................ 27 2.4 Convertisseur DC – DC de type Boost..........................................................................................33 2.5 Simulations et résultats ......................................................................................................................37 2.5.1 Simulations ...............................................................................................................................37 2.5.2 Résultats .................................................................................................................................... 39 2.6 Conculsion .................................................................................................................................................37 Chapitre 3 : Une technique hybride basée sur les réseaux de neurones et la logique floue pour la poursuite du point de puissance maximale d’un système photovoltaïque................. 44 3.1 Introduction.............................................................................................................................................. 45 3.2 Les réseaux de neurones ....................................................................................................................45 3.2.1 Qu'est ce qu'une réseau de neurones artificiels?..................................................45 3.2.2 Neurone biologique.............................................................................................................. 45 3.2.3 Neurone formel (artificiel)...............................................................................................47 3.2.4 Structure d'un réseau neuronal artificiel ................................................................. 49 3.2.5 Réseau multicouche (multilayer perceptron MLP)............................................. 50 3.2.6 Apprentissage .........................................................................................................................50 3.2 Technique hybride basée sur les réseaux de neurones et la logique floue.............. 51 3.3.1 Modèle hybride ......................................................................................................................51 3.3.2 Modélisation sous Matlab/Simulink ........................................................................... 52 3.3.2.1 Panneau solaire ...................................................................................................... 52 3.3.2.2 Commande floue .................................................................................................... 52 3.3.2.3 Réseau de neurones .............................................................................................52 3.3.2.4 Système complet sous Simulink..................................................................... 54 3.3.3 Simulations et résultats .......................................................................................................... 55 3.4 Conclusion .................................................................................................................................................59 Conclusion .................................................................................................................................................................. 60 Références .................................................................................................................................................................. 62 Liste des Tableaux Tableau 2.1 : Intervalles numériques des variables E, ΔE et dD : (a) E, (b) ΔE et (c) dD .................................................................................................................................................29 Tableau 2.2 : Base de règles ........................................................................................................................31 Tableau 3.1 : Analogie entre neurone biologique et neurone formel ..................................... 48 Université Libanaise – Faculté de Génie III Bilal Kanj Liste des figures Figure 1.1 : Une application des systèmes photovoltaïques .......................................................5 Figure 1.2 : Structure d'une cellule PV ...................................................................................................7 Figure 1.3 : Schéma du modèle à diode unique..................................................................................8 Figure 1.4 : Schéma du modèle à double diodes ...............................................................................9 Figure 1.5 : Modèle d'une cellule solaire ............................................................................................10 Figure 1.6 : Schéma d’un circuit représentant les caractéristiques I-V et P-V en fonction d'une charge variable.......................................................................................11 Figure 1.7 : Caractéristiques I-V et P-V en fonction de la température ..............................12 Figure 1.8 : Caractéristiques I-V et P-V en fonction du rayonnement................................. 12 Figure 1.9 : Rassemblement de cellules PV .......................................................................................13 Figure 1.10 : Association de deux modules PV avec leurs diodes de protection.............. 14 Figure 1.11 : Panneau solaire sous Matlab ...........................................................................................15 Figure 1.12 : Effet des diodes By-pass sur un GPV........................................................................... 15 Figure 2.1 : Schéma bloc d'un algorithme de recherche du PPM........................................... 17 Figure 2.2 : Recherche du PPM suite à une variation d'ensoleillement, de charge et de température .............................................................................................................................18 Figure 2.3 : Organigramme de l'algorithme de contrôle adaptif............................................ 19 Figure 2.4 : Caractéristique P-D .............................................................................................................. 20 Figure 2.5 : Organigramme de l'algorithme Hill Climing ...........................................................20 Figure 2.6 : Positionnement du PPM en fonction de ..........................................................21 Figure 2.7 : Organigramme de l'algorithme incrémentation de conductance ................21 Figure 2.8 : PPM en fonction de ∆P et ∆V ..........................................................................................22 Figure 2.9 : Organigramme de l'algorithme P&O ........................................................................... 23 Figure 2.10 : Bloc P&O sous Simulink ..................................................................................................... 24 Figure 2.11 : Schéma bloc d'un contrôleur flou .................................................................................27 Figure 2.12 : Régulateur flou adopté ....................................................................................................... 28 Figure 2.13 : Fonctions d'appartenance des variables d'entrées: (a) E et (b) ∆E ........... 28 Figure 2.14 : Fonctions d'appartenance de la variable de sortie ............................................. 29 Figure 2.15 : Caractéristique P-V d'un PS .............................................................................................30 Figure 2.16 : Base de règles sous Matlab ..............................................................................................31 Figure 2.17 : Résultat numérique fourni par le bloc d'inférence pour E=0 et ∆E = −0.5 .........................................................................................................................................................32 Figure 2.18 : Les tensions de sortie Vo et d’entrée Vi d’un convertisseur DC-DC ............ 34 Figure 2.19 : Principe de la modulation MLI .......................................................................................34 Figure 2.20 : Convertisseur de type Boost ...........................................................................................35 Figure 2.21 : Fonctionnement autour du PPM ...................................................................................36 Université Libanaise – Faculté de Génie III Bilal Kanj Figure 2.22 : Connexion directe à la charge ........................................................................................38 Figure 2.23 : Connexion à l’aide d'une commande P&O ...............................................................38 Figure 2.24 : Connexion à l’aide d'une commande floue .............................................................38 Figure 2.25 : Résultats de la connexion directe .................................................................................39 Figure 2.26 : Résultats de la commande P&O .....................................................................................40 Figure 2.27 : Résultats de la commande floue ....................................................................................41 Figure 2.28 : Tension aux bornes du PS en commande P&O et en commande floue ..... 42 Figure 2.29 : Puissance convertie en commande P&O et en commande floue ..................42 Figure 3.1 : Structure d'un neurone biologique .............................................................................. 46 Figure 3.2 : Modèle mathématique du neurone formel k d'un réseau neuronal ........... 47 Figure 3.3 : Fonction sigmoïde.................................................................................................................48 Figure 3.4 : Fonction linéaire....................................................................................................................48 Figure 3.5 : Structures des différents réseaux neuronaux ........................................................49 Figure 3.6 : Structure d'un réseau MLP...............................................................................................50 Figure 3.7 : Régions de fonctionnement de RN et de CF ............................................................51 Figure 3.8 : Base d'apprentissage........................................................................................................... 52 Figure 3.9 : Structure du réseau neuronal adopté......................................................................... 53 Figure 3.10 : Neural network fitting tool ..............................................................................................53 Figure 3.11 : Réseau neuronal implémenté sous Simulink .........................................................54 Figure 3.12 : Modèle hybride sous Simulink .......................................................................................54 Figure 3.13 : Système complet sous Simulink ....................................................................................55 Figure 3.14 : Caractéristique P-V de la première simulation ....................................................56 Figure 3.15 : Résultats de la première simulation .......................................................................... 56 Figure 3.16 : Caractéristique P-V de la deuxième simulation ...................................................57 Figure 3.17 : Résultats de la deuxième simulation ......................................................................... 57 Figure 3.18 : Caractéristique P-V de la troisième simulation ....................................................58 Figure 3.19 : Résultats de la troisième simulation .......................................................................... 58 Université Libanaise – Faculté de Génie III Bilal Kanj Liste des Abréviations PV : Photovoltaïque PPM : Point de puissance maximale PPPM : Poursuite du point de puissance maximale PPMG : Point de puissance maximale global PPML : Point de puissance maximale locale PS : Panneau solaire GPV : Générateur PV P&O : Perturbe et observe MLI : Modulations de la Largeur d'Impulsion SMPS : Switched-Mode Power Supply MLP : Multilayer perceptron GBP : Gradient Backpropagation RN : Réseau neuronal CF : Commande floue Université Libanaise – Faculté de Génie III Bilal Kanj 1 Introduction Générale Université Libanaise – Faculté de Génie III Bilal Kanj 2 L'énergie solaire est devenue une source alternative d'énergie de grande importance. Pour cela plusieurs efforts et recherches ont été concentrés sur l'amélioration de l'efficacité des systèmes photovoltaïques (PV) ainsi que l'accessibilité de cette technologie. Le système photovoltaïque est construit à l'aide d'un ou plusieurs panneaux solaires, d’une interface de puissance et d’une charge. Un convertisseur de puissance DC – DC est souvent utilisé comme interface entre le panneau PV et la charge qui admet un Point de Puissance Maximale (PPM) à une valeur de charge bien précise. Ce point n'est pas stable, il subit des modifications selon les paramètres qui modifient le comportement du système PV, comme le rayonnement solaire. Ce qui rend nécessaire d'utiliser une technique de contrôle capable d’agir sur le rapport cyclique du convertisseur DC – DC pour pouvoir poursuivre le PPM du système PV. Ce travail présente donc une approche intelligente pour pouvoir poursuivre le PPM à l'aide de l'utilisation des nouvelles technologies basées sur l'intelligence artificielle comme la logique floue et les réseaux de neurones. Ce rapport est divisé en trois chapitres. Le premier chapitre présente un rappel sur les systèmes PV, leurs importances, leurs limitations et le principe de fonctionnement des cellules PV. Ce chapitre présente encore les modèles qui seront utilisés pour simuler les cellules PV. Le deuxième chapitre est consacré à la présentation des algorithmes utilisés pour la poursuite du PPM (PPPM). Ce chapitre présente une comparaison détaillée entre les résultats obtenus en utilisant comme algorithme de commande le fameux algorithme « Perturbe et Observe » et les résultats obtenus en utilisant une technique basée sur la « logique floue ». Nous allons considérer seulement le cas où la courbe caractéristique P-V d’un système PV contient un seul sommet. Le troisième et le dernier chapitre présente une technique hybride basée sur la logique floue et les réseaux de neurones pour la recherche de PPM dans le cas où la courbe caractéristique P-V d’un système PV contient plusieurs sommets. Cette technique va résoudre le problème de pouvoir poursuivre le PPMG (PPM Global), lors de la présence des plusieurs PPML (PPM Local). Université Libanaise – Faculté de Génie III Bilal Kanj 3 Chapitre 1 Cellule Photovoltaïque Définitions et Modélisation Université Libanaise – Faculté de Génie III Bilal Kanj 4 1.1 Introduction Quotidiennement, le soleil fournit de l'énergie à la terre gratuitement. L’homme a commencé d’utiliser cette énergie libre grâce à une technologie appelée photovoltaïque, qui convertit l'énergie du soleil en électricité. Les systèmes photovoltaïques offrent aux consommateurs l’aptitude de produire de l’électricité d’une façon propre, silencieuse et fiable. Ces systèmes sont constitués de cellules photovoltaïques qui permettent de convertir directement l’énergie lumineuse en énergie électrique. Et comme la source de lumière est généralement le soleil, ils sont appelés « Cellules Solaires ». Le terme « photovoltaïque » provient de « photo » qui signifie la lumière et « voltaïque », qui désigne la production d’électricité. Par conséquent, le processus « photovoltaïque » désigne la production d’électricité directement à partir de la lumière du soleil. Ce terme, « photovoltaïque » est souvent désigné par « PV ». A nos jours, les systèmes PV sont installés par les personnes qui se dotent par un réseau public mais veillent commencer à vivre d’une manière autonome ou qui sont intéressés de l’environnement. Souvent, les systèmes PV se trouvent dans beaucoup d’applications. Pour certaines applications où les petites quantités d’électricité sont nécessaires, comme les boites d’appel d’urgence, les systèmes PV sont utilisés, même lorsque le réseau électrique n’est pas très loin. Pour les applications nécessitantes de plus grandes quantités d’électricité et sont situées loin des lignes électriques existantes, les systèmes PV peuvent dans de nombreux cas être l’option la plus viable, et le moins cher. La figure 1.1 illustre une application des systèmes PV. Université Libanaise – Faculté de Génie III Bilal Kanj 5 Figure 1.1 : Une application des systèmes photovoltaïques Ces systèmes sont en usage aujourd’hui sur les lampes public et même pour générer de l’électricité pour les chalets éloignés et les résidences. Ils gagnent une grande popularité autour du monde comme leurs pris décroit et leurs efficacités augmentent en fonction du temps. Mais quelles sont les avantages et les limitations des systèmes PV ? Les systèmes PV, comme tous les systèmes existants présentent des avantages et des limitations. Nous allons présenter quelques avantages et quelques limitations de ces systèmes avant d’expliquer leur principe de fonctionnement. Les systèmes PV offrent beaucoup d’avantages, comprenant ce qui suit : 1. Ils sont sûrs, propres et calmes pour fonctionner. 2. Ils sont très fiables. 3. Ils ne nécessitent pas pratiquement d’entretiens. 4. Ils fonctionnent de manière rentable dans les régions éloignées et pour de nombreuses applications résidentielles et commerciales. 5. Ils sont flexibles et peuvent être étendues à tout moment pour répondre à vos besoins électriques 6. Ils vous donnent une plus grande autonomie, une indépendance du réseau électrique, et vous sauvegardent en cas de panne. Université Libanaise – Faculté de Génie III Bilal Kanj 6 En plus des avantages, il faut tenir compte des limitations pratiques des systèmes PV : 1. Les systèmes PV ne sont pas bien adaptés pour des utilisations très consommatrices d’énergie comme le chauffage. 2. L’énergie solaire dépend de la présence du soleil, parfois les systèmes PV ne produisent aucune énergie à cause de l’absence du soleil ce qui conduit à une manque d’énergie. En quelques mots, les systèmes d’alimentation PV, vous permettent d’exploiter l’énergie solaire pour de nombreux objectifs. Ces systèmes présentent une source très fiable et propre d’électricité qui peut convenir à un large éventail d’applications. 1.2 Principe de fonctionnement d’une cellule PV La cellule PV produit un effet qui permet de convertir directement l’énergie solaire en une énergie électrique par le biais d’un matériau semi-conducteur transportant les charges électriques. Elle est décomposée en deux parties, la première présente un excès d’électrons et l’autre un excès de trous dites dopées respectivement de type n et de type p comme illustre la figure 1.2 [1]. Lorsque les rayonnements traversent la cellule PV, les photons arrachent des électrons ce qui crée des électrons libres et des trous. Les électrons s’accumulent dans la couche n, tandis que les trous dans la couche p. Ce qui donne naissance à une différence de potentielle et par suite la circulation d’un courant entre les deux couches de la cellule. La zone dopée P joue le rôle du pôle positif et la zone dopée n joue le rôle du pôle négatif. Par suite, la croissance de l’intensité de la lumière va provoquer l’augmentation de l’émission des photoélectrons dans le matériel PV. Université Libanaise – Faculté de Génie III Bilal Kanj 7 Figure 1.2 : Structure d’une cellule PV Les cellules PV sont en généralement recouvertes par un matériel anti-réflective pour qu’elles puissent absorber la plus grande quantité possible de radiation solaire. Dans la pratique, la lumière absorbée par la cellule solaire sera la combinaison des rayonnements solaires directs en plus des rayonnements diffusés rebondîtes de la surface environnante. 1.3 Modélisation d’une cellule PV La modalisation des cellules PV est nécessaire pour pouvoir étudier et analyser le comportement de ces cellules lors de leur fonctionnement. Une cellule PV est équivalente à un générateur de courant auquel nous avons adjoint une diode en parallèle [2]. La sortie du générateur de courant est directement proportionnelle à la lumière tombante sur la cellule. Durant l'obscurité, la cellule solaire n'est pas un dispositif actif, elle fonctionne comme une diode, elle ne produit ni un courant, ni une tension. Cependant, Si elle est reliée à une alimentation externe (tension importante), elle génère un courant ID appelé courant d’obscurité. Université Libanaise – Faculté de Génie III Bilal Kanj 8 1.3.1 Représentation des cellules PV Les cellules PV sont représentées par deux différents modèles : Modèle à diode unique Modèle à double diodes Modèle à diode unique : Dans ce modèle, la cellule PV est représentée par une source de courant parallèle à une diode [3]. La source de courant est représentée par un courant généré par la lumière, IPH, ce courant varie linéairement avec la variation du rayonnement solaire. La figure 1.3 présente ce modèle. Figure 1.3 : Schéma du modèle à diode unique L’équation caractéristique de ce modèle est la suivante : I= I − I exp V+R I V+R I −1 − VN R Modèle à double diodes : Ce modèle a en plus une deuxième diode attachée en parallèle à la source de courant [4]. Cette diode est utilisée pour améliorer la précision des caractéristiques de la cellule PV. En plus elle prend en considération la différence dans le flux de courant lorsque le courant est faible à cause de la recombinaison des charges dans la zone de déplétion du semi-conducteur. La figure 1.4 présente ce modèle. Université Libanaise – Faculté de Génie III Bilal Kanj 9 Figure 1.4 : Schéma du modèle à double diodes unique L’équation caractéristique de ce modèle est la suivante : I= I − I exp V+R I −1 − I VN exp V+R I V+R I −1 − VN R Iph est le courant généré par la lumière : I = I × I I Ir : rayonnement (intensité de la lumière) en W/m2 capté par la cellule. Iph0 : courant généré mesuré pour un rayonnement Ir0. ID, ID1 et ID2 : courants de saturation des diodes D, D1 et D2. N,N1 et N2 : facteurs de puretés respectives des diodes D, D1 et D2. I : courant de sortie de la cellule PV. V : tension aux bornes de la sortie de la cellule PV. Rpa et Rse : résistance parallèle et résistance série qui représentent les pertes de la cellule PV. Vt = KT/q : tension thermique. k = 1.38 × 10 j/°K : constante de Boltzmann. q = 1.67 × 10 coulomb C’ : charge d’un électron élémentaire. Université Libanaise – Faculté de Génie III Bilal Kanj 10 T : température ambiante en °K. Les paramètres de la cellule PV présentent une dépendance de la température. Cette dépendance est présentée par l’équation suivante : I (T) = I × (1 + KT × (T-TRef)) KT : coefficient de température pour IPH. TRef : température de référence normalement égale à 298°K. L'expression du courant de saturation de la diode en fonction de la température est donnée par : T I (T) = I × T T −1 T × exp V × N×V ID : courant de saturation d’une diode. Ke : coefficient de température pour Is. Vg : tension de la bande interdite. 1.3.2 Modélisation Matlab/Simulink La librairie Simscape dans Simulink nous présente une modélisation complète d’une cellule solaire sous le nom «Solar Cell». Cette représentation prend en considération toutes les équations citées ci-dessus. Ce bloc admet trois bornes (figure 1.5). Figure 1.5 : Modèle d’une cellule PV Université Libanaise – Faculté de Génie III Bilal Kanj 11 ∇ représente le rayonnement solaire, + représente le potentiel positif de la cellule PV et − représente le potentiel négatif de cette cellule. Le circuit ci-dessus (figure 1.6) présente la cellule liée à une charge variable. Figure 1.6 : Schéma d’un circuit représentant les caractéristiques I-V et P-V en fonction d'une charge variable En outre, la forme des courbes caractéristique I-V et P-V peuvent être modifiées sous l'effet de la température et sous l'effet de changement du rayonnement absorbé par la cellule. Les figures 1.7 et 1.8 illustrent les variations des courbes caractéristiques lorsqu'il y a changement de la température ou bien un changement du rayonnement absorbé par la cellule. Université Libanaise – Faculté de Génie III Bilal Kanj 12 Figure 1.7 : Caractéristiques I-V et P-V en fonction de la température température La figure 1-7 montre l’influence de la température sur la cellule PV. Nous remarquons que lorsque la température ambiante augmente, ICS augmente et VCO diminue selon le coefficient de température de la cellule, par suite il y en a une augmentation du PPM d'une façon négligeable. Figure 1.8 : Caractéristiques I-V et P-V en fonction du rayonnement température La figure 1.8 montre les caractéristiques de la cellule en fonction du rayonnement absorbé par la cellule PV. Lorsque le taux de rayonnement augmente, Ics augmente et la puissance maximale subit une augmentation importante. Université Libanaise – Faculté de Génie III Bilal Kanj 13 1.4 Panneau solaire (PS) ou générateur PV (GPV) La cellule PV est l’unité de base d’un panneau solaire, mais elle est destinée à produire une petite puissance de quelques watts. Le besoin de grandes puissances provoque la nécessité du rassemblement de cellules identiques pour former un module ou un panneau solaire, afin d’accroitre la puissance générée. La figure 1.9 présente un rassemblement typique de cellule PV. La mise en série de plusieurs cellules solaires permet d’augmenter facilement la tension, tandis que la mise en parallèle conduit à une sommation des courants en conservant la tension. Donc une combinaison série-parallèle est utilisée pour obtenir un PS aux caractéristiques désirées c'est-à-dire à une tension et un courant désirés. Figure 1.9 : Rassemblement de la cellule PV La plupart des modules solaires PV destinés à un usage sont composé s de 36 cellules rassemblées en série. Ces modules sont décomposés en sous-réseaux qui correspondent à un compromis économique entre protection et perte d’une partie importante du PS en cas de défaut partiel d’ombrage. Ces modules sont après mis en parallèle pour former un PS comme indique la figure 1.10. Université Libanaise – Faculté de Génie III Bilal Kanj 14 Figure 1.10 : Association de deux modules PV avec leurs diodes de protection 1.5 Protection d’un GPV A in d’assurer une longue durée de vie pour les GPV qui tend vers 25 ans, il est nécessaire d’ajouter quelques protections afin d’éviter des pannes destructives résultantes de l’association des cellules en série et de modules en parallèle. Souvent, nous rencontrons les diodes By-pass et les diodes anti-retours. Les diodes anti-retours : La figure 1.10 représente des modules associés en série avec des diodes anti-retours. Sous l’effet du soleil tant que la tension produite par le GPV est supérieure à celle de la batterie, la batterie se charge. Cependant, lorsque l’obscurité aura lieu, aucune tension n'est produite du GPV, la tension de la batterie causerait un courant qui va s’écouler dans le sens inverse à travers les panneaux ce qui peut conduire à la destruction du GPV. D’où l’utilisation des diodes anti-retours sera bénéfique pour bloquer le courant écoulé et protéger les GPV. Les diodes By-pass : Ces diodes sont représentées encore par la figure 1.10. La diode By-pass est connectée en parallèle mais en polarité inverse à une cellule PV. En fonctionnement normal, chaque cellule solaire est polarisée en direct et par conséquent la diode By-pass sera polarisée en inverse et se comporte comme un circuit ouvert. Toutefois, une cellule est polarisée inversement à cause d’un courtcircuit entre les cellules, la diode By-pass conduit tout en laissant le courant de Université Libanaise – Faculté de Génie III Bilal Kanj 15 passer à partir des cellules solaires bonnes vers les circuits externes. Alors, la polarisation inverse maximale à travers la faible cellule est réduite à environ une chute de tension d’une diode unique, limitant ainsi le courant, et l’atténuation des points chauds. La igure 1.11 montre la modélisation Matlab du PS avec des diodes By-pass. Figure 1.11 : Panneau Solaire sous Matlab Les courbes ci-dessus (figure 1.12) présentent l’effet des diodes By-pass sur les GPV. Figure 1.12 : Effet des diodes By-pass sur un GPV 1.6 Conclusion Dans ce chapitre, nous avons montré l’importance d’une cellule PV, son modèle et ses caractéristiques. Nous avons ensuite abordé le principe de construction du PS et sa méthode de protection. Nous avons vu que la courbe caractéristique P-V présente un point de puissance maximale (PPM) sous une charge bien précise. Ce point subit des modifications sous l'effet de la variation du rayonnement. Dans les deux chapitres 2 et 3, nous allons donc essayer de poursuivre ce point quelque soit la charge à l’aide d’une commande convenable de poursuite du PPM (PPPM). Université Libanaise – Faculté de Génie III Bilal Kanj 16 Chapitre 2 Poursuite du Point de Puissance Maximale PPPM d’un système photovoltaïque Université Libanaise – Faculté de Génie III Bilal Kanj 17 2.1Introduction L’énergie solaire est la source alternative d’énergie la plus préférable à cause des avantages qu’elle offre comme la propreté, la fidélité et sa gratuité. Cependant, il y en un facteur très important qui limite la performance de cette source, c’est l’efficacité de la conversion de l’énergie qui est liée à la charge. Donc il faut utiliser une technique qui assure la conversion du maximum de puissance du panneau solaire vers la charge en effectuant une recherche du PPM. Cette recherche est faite par l’association d’un convertisseur continu DC-DC entre le panneau solaire et la charge. La figure 2.1 montre le schéma principe d’un tel fonctionnement. Figure 2.1 : Schéma bloc d’un algorithme de recherche du PPM Cette technique de contrôle consiste à agir sur le rapport cyclique du convertisseur DC-DC, pour aboutir à une variation de charge effective attachée au PS d’une manière automatique, et ceci pour amener le GPV au PPM quelque soient les variations brutales de la charge à n’importe quel instant. Dans ce chapitre nous allons illustrer les différents types des perturbations qui peuvent agir sur le PPM. Nous allons présenter les différents algorithmes utilisés pour la recherche du PPM, puis nous allons décrire en détail l’algorithme le plus utilisé «Perturbe et Observe» et l’algorithme basé sur la logique floue en utilisant Matlab/Simulink. Université Libanaise – Faculté de Génie III Bilal Kanj 18 2.2 Perturbations du PPM Durant le fonctionnement du GPV, plusieurs perturbations peuvent modifier le PPM. La figure 2.2 illustre trois cas de perturbations. Le point de fonctionnement optimal change du PPM1 vers un nouveau point non optimal, selon le type de perturbation observée. Dans le premier cas (a), lorsque l’ensoleillement varie à température et charge constantes, PPM1 tombe vers P1. Pour revenir au fonctionnement optimal et monter vers PPM2, nous avons donc besoin d’une variation du rapport cyclique et de même pour les deux autres cas illustrés (b) et (c). Figure 2.2 : Recherche du PPM suite à une variation d’ensoleillement, de la charge et de la température En conclusion, la poursuite du PPM est réalisée en modifiant le rapport cyclique du convertisseur DC-DC pour assurer un fonctionnement optimal de GPV. Université Libanaise – Faculté de Génie III Bilal Kanj 19 2.3 Algorithmes de recherche du PPM Plusieurs algorithmes ont été exposés pour la recherche du PPM, comme l’algorithme du contrôle adaptif, la méthode «Hill Climbing», la méthode «Incrémentation de Conductance», et l’algorithme «Perturbe et Observe P&O». Dans ce chapitre, nous allons réaliser une étude détaillée, qui va mettre en œuvre une comparaison entre les performances du fonctionnement du GPV en utilisant une commande basée sur l’algorithme «P&O» et une autre commande basée sur l’intelligence artificielle en se basant sur la technologie «Logique Floue». 2.3.1 Algorithme de contrôle adaptif Cet algorithme est élaboré par A.F. Boehringer [6]. Il permet de maintenir le système au PPM. La figure 2.3 illustre le fonctionnement de cet algorithme. Figure 2.3 : Organigramme de l’algorithme de contrôle adaptif Cet algorithme consiste à calculer la puissance à l’instant ti à partir des mesures de IPV et VPV, et de la comparer à celle stockée en mémoire. Par suite, et selon la variation de la puissance, un rapport cyclique D est calculé et est appliqué au convertisseur statique. Université Libanaise – Faculté de Génie III Bilal Kanj 20 2.3.2 Algorithme «Hill Climbing» Cette méthode est basée sur la relation qui existe entre la puissance et le rapport cyclique illustrée par la figure 2.4 [7]. La variable P dans la figure 2.5 correspond à une valeur « -1 » ou « 1 » selon le signe de la pente rapport cyclique désirée. Le PPM est atteint lorsque et d symbolise la variation du atteint zéro comme indique la igure 2.4. Figure 2.4 : Caractéristique P-D Figure 2.5 : Organigramme de l’algorithme Hill Climbing Université Libanaise – Faculté de Génie III Bilal Kanj 21 2.3.3 Algorithme «Incrémentation de conductance» Cet algorithme est basé sur l’observation que l’équation suivante tient le PPM : = Lorsque le point de fonctionnement optimal dans le plan P-V est à droite du PPM, nous avons < , alors que lorsque le point de fonctionnement optimal est à gauche du PPM, nous avons conductance instantanée le signe de − > . Ainsi Le PPM peut être suivi en comparant la à la conductance incrémentielle . Par conséquent, indique le sens correct de la perturbation qui conduit au PPM. Une fois le PPM est atteint, la perturbation est arrêtée. Les figures 2.6 et 2.7 présentent respectivement le positionnement du PPM et l’organigramme de l’algorithme de cette méthode [8]. Figure 2.6 : Positionnement du PPM en fonction de Figure 2.7 : L'organigramme de l'algorithme incrémentation de conductance Université Libanaise – Faculté de Génie III Bilal Kanj 22 2.3.4 Algorithme «Perturbe et Observe P&O» Le principe de ce type de commande, et comme indique son nom est basé sur la perturbation de la valeur de la tension du GPV et l’observation du comportement de la puissance qui en résulte [9]. L’exemple dans la figure 2.8 illustre ce principe d’une façon simple. Nous pouvons remarquer de la courbe caractéristique P-V, que si une incrémentation de la tension entraîne une incrémentation dans la puissance, cela signifie que nous sommes à gauche du PPM et nous avons besoin d’incrémenter en plus la tension. Si au contraire, la puissance décroit, cela implique que nous avons dépassé le PPM donc nous avons besoin de décrémenter la tension. D’après l’analyse de ce comportement, il est devenu facile de présenter un algorithme qui fait converger le point de fonctionnement vers le PPM dans n’importe qu’elle situation. Figure 2. 8 : PPM en fonction de ∆ ∆ En quelques mots, lorsque la puissance augmente suite à une perturbation de la tension, la direction de cette perturbation est maintenue, si non elle est inversée pour reprendre la convergence vers le nouveau PPM. Université Libanaise – Faculté de Génie III Bilal Kanj 23 Figure 2.9 : Organigramme de l’algorithme d’une commande P&O La igure 2.9 présente l’algorithme associé à une commande P&O. On note que nous avons besoin de deux capteurs pour mesurer la puissance du GPV en fonction du temps. Aujourd’hui, l’algorithme P&O est largement utilisé à cause de sa simplicité et de la facilité de son implémentation. Mais dans un autre sens, il présente quelques inconvénients, par exemple selon la courbe caractéristique P-V du GPV nous ne pouvons jamais atteindre ∆ =0. Chaque fois que V augmente ou diminue la puissance va être modifiée ce qui rend l’implémentation de l’étape = dans l’algorithme sans profit. Cette instabilité dans la valeur de P va conduire à une instabilité autour de la valeur optimale de la puissance. Cependant cette instabilité peut être réduite en minimisant la valeur d’incrémentation de l’algorithme de Université Libanaise – Faculté de Génie III Bilal Kanj 24 recherche. En plus, si nous diminuons la valeur d’incrémentation nous ralentissons cet algorithme, par suite nous avons besoin d’un compromis entre la rapidité et la précision, c’est ce que nous allons voir dans l’implémentation de la commande basée sur la logique floue. L’algorithme de commande de type «P&O» est représenté sous Matlab par un bloc à deux entrées et une sortie. Ce bloc est illustré par la figure 2.10. Figure 2.10: Bloc P&O sous Simulink Il admet comme entrées la puissance et la tension du GPV et comme sortie la variation du rapport cyclique dD. Notons que la variation de la tension dans l’algorithme «P&O» est représentée par une variation du rapport cyclique dans le même sens. Université Libanaise – Faculté de Génie III Bilal Kanj 25 2.3.5 La commande floue 2.3.5.1 Introduction La logique floue s’affirme comme une technique opérationnelle. Utilisée à côté d’autres techniques de contrôle avancé, elle fait une entrée discrète mais appréciée dans les automatismes de contrôle industriel. La logique floue ne remplace pas nécessairement les systèmes de régulation conventionnels, elle est complémentaire. La logique floue est une technique très puissante issue de la théorie des ensembles flous, pour combler la lacune entre la précision de la logique classique et l’imprécision du monde réel. Sa caractéristique fondamentale est l’utilisation des variables linguistiques au lieu des variables numériques dans des situations conditionnelles floues. La logique floue est très utile dans des situations où il y a de larges incertitudes et de variations inconnues dans les paramètres et la structure du système, ou bien, lorsque des experts humains sont disponibles pour fournir des descriptions subjectives et qualitatives du comportement du système avec des termes en langage naturel. Cette technique a pris naissance avec Pr. Lotfi A, Zadeh en Californie [10]. Il a introduit la notion des variables linguistiques. L’évolution des microcontrôleurs a rendu l’implémentation de la logique floue plus populaire. A nos jours, la logique floue est une réalité. Elle se trouve dans une vaste gamme de nouveaux produits. Dans l’industrie, le traitement des eaux, les grues portuaires, les métros, les systèmes de ventilation et de climatisation sont touchés. Enfin, des applications existent dans des domaines très différents tels que la finance et le diagnostic médical. 2.3.5.2 Intérêt et utilisation de la logique floue pour le contrôle Intérêt La logique floue trouve ses origines dans un certain nombre de constatations : Université Libanaise – Faculté de Génie III Bilal Kanj 26 a) La connaissance que l’être humain a d’une situation quelconque est généralement imparfaite, elle peut être incertaine (il doute de sa validité), ou imprécise (il a du mal à l’exprimer clairement). b) L’être humain résout souvent des problèmes complexes à l’aide de données approximatives : la précision des données est souvent inutile; par exemple pour choisir un appartement, il pourra prendre en compte la surface, la proximité de commerces, la distance du lieu de travail, le loyer, sans pour autant avoir besoin d’une valeur très précise de chacune de ces données. c) Dans l’industrie où les techniques, les opérateurs résolvent souvent des problèmes complexes de manière relativement simple et sans avoir besoin de modéliser le système. De même, tout le monde sait qu’un modèle mathématique n’est pas nécessaire pour conduire une voiture et pourtant une voiture est un système très complexe. d) Plus la complexité d’un système augmente, moins il est possible de faire des affirmations précises sur son comportement. De ces constatations viennent naturellement les déductions suivantes : a) Plutôt que de modéliser le système, il est souvent intéressant de modéliser le comportement d’un opérateur humain face au système. b) Plutôt que par des valeurs numériques précises, le fonctionnement doit être décrit par des qualificatifs globaux traduisant l’état approximatif des variables. Utilisation pour le contrôle La logique floue est bien connue des automaticiens pour ses applications dans le contrôle-commande de procédés, appelé alors couramment «contrôle flou». Tout comme un contrôleur (ou correcteur) classique, le contrôleur flou s’insère dans la boucle de régulation et calcule la commande à appliquer au procédé suivant une ou plusieurs consignes et une ou plusieurs mesures effectuées sur celui-ci. Les bases de règles floues sont intéressantes en commande car elles permettent : a) de prendre en compte une expertise existante de nature qualitative, b) de prendre en compte des variables que l’on sait difficilement intégrer dans la boucle, Université Libanaise – Faculté de Génie III Bilal Kanj 27 c) d’améliorer le fonctionnement de contrôleurs classiques, par : - autoréglage hors ligne ou en ligne des gains de ces contrôleurs, modification de leur sortie (feed forward) en fonction d’événements qui ne peuvent pas être pris en compte par une technique classique. 2.3.5.3 Contrôleur flou La igure 2.11 montre le schéma bloc d'un contrôleur basé sur la logique loue ou d'un contrôleur flou. Ce contrôleur est décomposé de trois blocs : la fuzzification, l'inférence et la défuzzification. Figure 2.11 : Schéma-bloc d'un contrôleur flou Bloc 1 : « La fuzzification » Cette partie transforme les entrées numériques en grandeurs floues. Les entrées sont transformées en des variables linguistiques décrites par des fonctions d’appartenances. Ces fonctions peuvent avoir plusieurs formes : triangulaire, trapézoïdale, d’une cloche ou d’autres. Notre contrôleur flou utilise des fonctions d’appartenance trapézoïdale et triangulaire. Les variables d’entrée et de sortie seront transformées en utilisant les variables linguistiques suivantes : NG : Négatif Grand NM : Négatif Moyen N : Négatif ZE : Zéro P : Positif PM : Positif Moyen PG : Positif Grand Université Libanaise – Faculté de Génie III Bilal Kanj 28 La première entrée du contrôleur floue E représente la pente de la courbe caractéristique P-V : E(k) = P(k + 1) − P(k) V(k + 1) − V(k) La deuxième entrée ∆E est donnée par : ∆E = E(k + 1) − E(k) Le paramètre de sortie dD représente la variation du rapport cyclique. Le schéma de notre régulateur sous Matlab est donné par la figure 2.12. Figure 2.12 : Régulateur flou adopté Les igues 2.13 et 2.14 montrent les fonctions d’appartenance des différentes variables. (a) (b) Figure 2.13 : Fonctions d’appartenance des variables d'entrées : (a) E et (b) ΔE. Université Libanaise – Faculté de Génie III Bilal Kanj 29 Figure 2.14 : Fonctions d’appartenance de la variable de sortie dD Les Tableaux 2.1 (a), (b) et (c) donnent les intervalles numériques des différentes variables. E Borne Borne Inferieure Supérieure Fonction ΔE d’app. Borne Borne Inferieure Supérieure Fonction d’app. NG -10 -1 Trap. NG -10 -2 Trap. NM -4 -0.2 Triang. NM -4 -0.4 Triang. N -1 0 Triang. N -2 0 Triang. ZE -0.2 0.2 Triang. ZE -0.4 0.4 Triang. P 0 1 Triang. P 0 2 Triang. PM 0.2 4 Triang. PM 0.4 4 Triang. PG 1 10 Trap. PG 2 10 Trap. Borne Fonction (a) (b) dD Borne Inferieure Supérieure d’app. Tableau 2.1 : Intervalles numériques des variables E, ΔE et dD : (a) E, (b) ΔE et (c) dD NG -1 -0.5 Trap. (Trap : trapézoïdale et Triang : triangulaire) NM -0.75 -0.08333 Triang. N -0.5 0 Triang. ZE -0.08333 0.08333 Triang. P 0 0.5 Triang. PM 0.08333 0.75 Triang. PG 0.5 1 Trap. (c) Université Libanaise – Faculté de Génie III Bilal Kanj 30 Bloc 2 : « L'inférence » L'inférence donne une relation entre les variables d’entrée et de sortie d'un contrôleur flou en forme linguistique. Il existe plusieurs méthodes d’inférence : MAX-MIN, MAX-PROD, SOMME-PROD et d’autres. Chaque méthode admet ses propres opérateurs. Le bloc inférence doit contenir une base de règles. Cette base est écrite par l'utilisateur. Chaque règle à la forme suivante : Si (Condition), ALORS (Conclusion) La méthode utilisée par notre contrôleur flou est la méthode MAX-MIN. Dans cette méthode les opérateurs ET, OU et ALORS, sont représentés par les fonctions MIN et MAX : Au niveau de la condition : ET → MIN et OU → MAX Au niveau de la conclusion : OU → MAX et ALORS → MIN La base de règles de notre contrôleur flou à la forme suivante : Si ( « E Condition 1 » ET « ∆E Condition 2 » ) ALORS « Conclusion 1» OU Si ( « E Condition 1 » ET « ∆E Condition 3 » ) ALORS « Conclusion 2» OU ……………………………………………………………………… Avant de donner la base des règles, nous allons expliquer en un petit exemple comment nous avons raisonné pour remplir cette base. Figure 2.15 : Caractéristique P-V d’un PS Université Libanaise – Faculté de Génie III Bilal Kanj 31 La figure 2.15 présente deux pentes successives E(k) et E(k-1). Nous remarquons que lorsque : E(k) >0 et ∆E(k) <0, nous allons augmenter la tension et nous sommes en un point proche du PPM. Donc les variations de la tension dépendent de la différence de position entre le point de fonctionnement et le PPM. Lorsque nous nous approchons de ce point, il faut affiner l’incrémentation de la tension afin d’atteindre l’état le plus stable. Notons que la variation de la tension est représentée par une variation du rapport cyclique dans le mêmes sens. Après avoir étudié tous les cas nous avons adopté la base de règles du tableau 2.2. dD E ∆E NG NM N ZE P PM PG NG NG NG NG NG NM NM N NM NG NM NM NM NM N N N NM NM N ZE ZE P P ZE NM NM N ZE P PM PM P P P ZE ZE P PM PM PM P P PM PM PM PM PG PG PS PM PM PG PG PG PG Tableau 2.2 : Base de règles Cette base de règles présente la variation de la conclusion (dD) en fonction des variations de E et ∆E. La igure 2.16 montre la base de règles implémentée sous Matlab en utilisant le toolbox «Fuzzy Logic». Figure 2.16 : Base de règles sous Matlab Université Libanaise – Faculté de Génie III Bilal Kanj 32 Bloc 3 : « La défuzzification » Dans ce bloc, le résultat flou fourni par l’inférence de la sortie dD est converti en valeur réelle ou en grandeur numérique. Nous distinguons plusieurs méthodes de défuzzification : la méthode du maximum, la méthode de la moyenne pondérée, la méthode simplifiée du centroïde, la méthode du centroïde et d’autres. La méthode utilisée par notre contrôleur flou est la méthode du centroïde. Cette méthode va donc convertir le résultat flou de la variable de sortie dD en des variations du rapport cyclique qui seront acceptables par le convertisseur. La méthode du centroïde calcule le centre de gravité de la surface floue fournie par le bloc d'inférence. Exemple de fonctionnement du contrôleur flou sous Matlab : Si E = 0 et ∆E = −0.5 alors dD = −0.22 La igure 2.17 présente le résultat fourni par le bloc d'inférence sous Matlab. Cette figure montre le résultat numérique. Figure 2.17 : Résultat numérique fourni par le bloc d'inférence pour E = 0 et ∆ = − . Université Libanaise – Faculté de Génie III Bilal Kanj 33 2.4 Convertisseur DC – DC de type Boost L’objectif du convertisseur DC-DC [10] est de fournir une tension de sortie continue réglée à une résistance de charge. Les convertisseurs DC-DC sont couramment utilisés dans les applications qui nécessitent des puissances continues régulées comme les batteries. A nos jours, les convertisseurs DC-DC sont connus sous le nom « Hacheurs », ils sont réglés avec des MLI (Modulations de la Largeur d'Impulsion) [10] pour limiter la tension de sortie. Les hacheurs se trouvent sous diverses fonctions : 1. Augmenter une tension à courant continu variable pour produire une tension régulée. 2. Abaisser une tension à courant continu variable pour produire une tension régulée. 3. Augmenter ou abaisser une tension à courant continu variable pour produire une tension régulée. 4. Invertir une tension à courant continu. 5. Produire multiple tension de sortie à l’aide d’une combinaison des topologies SMPS (Switched-Mode Power Supply). La régulation de la tension moyenne à la sortie d’un convertisseur DC-DC est une fonction du temps de fermeture ton de l’interrupteur, de la largeur de l’impulsion et de la fréquence de fonctionnement ( igure 2.18). Université Libanaise – Faculté de Génie III Bilal Kanj 34 Figure 2.18 : Les tensions de sortie Vo et d’entrée Vi d’un convertisseur DC-DC La modulation MLI est la méthode la plus utilisée à nos jours pour contrôler la tension de sortie du convertisseur DC-DC. Le principe du MLI est donné par la igure 2.19. Figure 2.19 : Principe de la modulation MLI La tension de sortie du hacheur dépend du rapport cyclique choisi. Le rapport cyclique est défini par l’équation suivante : D= t V = T V ôé é ton est le temps de fermeture de l’interrupteur et Ts est la période du hacheur. Durant la modulation MLI, une tension triangulaire Vrepétitive est comparée à une Université Libanaise – Faculté de Génie III Bilal Kanj 35 tension de référence V contrôlée. Tant que la référence Vcontrôlée est plus grande que la tension triangulaire, tant que l’interrupteur est fermé, et quand elle devient plus petite l’interrupteur sera ouvert. Nous allons utiliser dans notre projet un convertisseur DC-DC de type Boost. Figure 2.20 : Convertisseur de type Boost La figure 2.20 montre le circuit électrique du convertisseur DC-DC de type Boost implémenté en utilisant Simulink. Le convertisseur de type Boost est un élévateur de la tension. Dans ce convertisseur la valeur de la tension de sortie est toujours plus grange que celle de l’entrée. Lorsque la commutation est ON (l'interrupteur idéal est fermé), la diode est polarisée en inverse, alors elle isole le condensateur et la charge. L’inductance à ce temps emmagasine de l’énergie. Lorsque la commutation sera OFF (l'interrupteur idéal est ouvert), la charge recevait cette énergie en plus de l’énergie du GPV. Dans ce type de convertisseur, si nous considèrons que VGPV est la tension du GPV, VOut est la tension de la charge et d est le rapport cyclique, alors la relation entre ces tensions et la charge se traduit par la relation suivante : V = 1 V 1−d La variation de la tension du GPV sera exprimée par une variation du rapport cyclique. Dans cette partie nous allons donc expliquer comment créer la relation qui existe entre le rapport cyclique et la tension désirée. D’abord, une variation de rapport cyclique du convertisseur va varier son point de fonctionnement de telle sorte que la tension d’entrée du GPV varie (figure 2.21). Université Libanaise – Faculté de Génie III Bilal Kanj 36 Figure 2.21 : Fonctionnement autour du PPM Dans la figure 2.21, les points de fonctionnement P 1 et P2 correspondent respectivement aux tensions V1 et V2 qui représentent les rapports cyclique D1 et D2. Etant le convertisseur de type Boost, la relation entre VIn et VOut est de la forme : VIn = VOut (1-d) Nous supposons que nous allons passer du point de fonctionnement P1 à un point de fonctionnement P2 par une incrémentation du rapport cyclique D en utilisant l’équation suivante : D(t) = D1 + dD Ou dD est une constante positive. Alors : VIn(t) = VOut (1-D1-dD) et V1 = VOut (1-D1) A partir des relations précédentes nous constatons que : VIn(t) = VOut (1-D1-dD) = V1 – VOut × dD Par suite, nous constatons qu’une incrémentation du rapport cyclique, se traduit par une diminution de la tension du GPV. Et au contraire une diminution du rapport cyclique se traduit par une augmentation de la tension du GPV. Pour traduire cette Université Libanaise – Faculté de Génie III Bilal Kanj 37 relation dans le modèle Matlab nous avons multiplié la sortie de l’algorithme de commande « P&O » et celui du régulateur flou par le signe « - ». Dans la suite, nous allons présenter les modèles Matlab des deux commandes et comparer les différents résultats obtenus. 2.5 Simulations et résultats 2.5.1 Simulations Les figures 2.22, 2.23 et 2.24 illustrent les trois modèles utilisés pour faire les différentes simulations. La figure 2.22 présente une résistance connectée directement au GPV. La figure 2.23 présente la même résistance connectée au GPV à l’aide d’un convertisseur DC-DC de type Boost mais avec une commande de PPPM (poursuite du PPM) de type P&O. La figure 2.24 présente cette même résistance connectée au GPV mais cette fois en utilisant la commande floue. Le panneau solaire est représenté par un bloc Simulink, il est construit à partir de trois modules connectés en parallèle où chacun est formé de 36 cellules connectées en série, il donne une puissance maximale de 249.86 W pour une tension de 18 V, la charge est représentée par une résistance R de 5 Ω, et le convertisseur DC-DC est déjà décrit ci-dessus dans la figure 2.20. La fréquence du générateur d’impulsions choisie est de 20 KHZ et les paramètres du convertisseur choisi sont respectivement C = 25 μF et L = 400 μH. Le bloc commande PPPM présente la commande utilisée, le bloc RC prend du bloc commande PPPM la variation du rapport cyclique, calcule ce rapport et l’envoie vers une fonction VRC de type ‘S-Funcion’ qui admet comme rôle de varier ce rapport dans le générateur d’impulsions. Université Libanaise – Faculté de Génie III Bilal Kanj 38 Figure 2.22 : Connexion directe à la charge Figure 2.23 : Connexion à l’aide d'une commande P&O Université Libanaise – Faculté de Génie III Bilal Kanj 39 Figure 2.24 : Connexion à l’aide d’une commande floue Université Libanaise – Faculté de Génie III Bilal Kanj 40 2.5.2 Résultats D’abord nous allons montrer les variations de VPV, IPV, PPV, VR et la variation du rapport cyclique en fonction du temps, puis nous allons faire une comparaison entre les résultats obtenus. La igure 2.25 montre les résultats de la connexion directe: Figure 2.25 : Résultats de la connexion directe Université Libanaise – Faculté de Génie III Bilal Kanj 41 La igure 2.26 montre les résultats du deuxième cas, c'est-à-dire avec commande P&O : Figure 2.26 : Résultats de la commande P&O Université Libanaise – Faculté de Génie III Bilal Kanj 42 La igure 2.27 montre les résultats du troisième cas, c'est-à-dire avec commande floue: Figure 2.27 : Résultats de la commande floue Université Libanaise – Faculté de Génie III Bilal Kanj 43 Nous remarquons que du point de vue efficacité, l’utilisation d’un convertisseur de type Boost manipulé avec une commande de PPPM donne une très grande efficacité. Sans l’utilisation de ce convertisseur la puissance convertie était 89.38 W tandis qu’avec ce convertisseur la puissance reçue est de 248 W pour la commande loue et 246 W pour la commande P&O. Du point de vue du fonctionnement optimal, les deux commandes donnent un fonctionnement optimal mais la commande floue donne une grande précision. Les figures 2.28 et 2.27 présentent un « Zoom» des différents résultats. Ces figures montrent clairement la différence entre la précision de la commande floue et celle de la commande P&O. Figure 2.28 : Tensions aux bornes du PS en commande P&O et en commande floue Figure 2.29 : Puissance convertie en commande P&O et en commande floue Université Libanaise – Faculté de Génie III Bilal Kanj 44 2.6 Conclusion Dans ce chapitre, nous avons présenté les différents algorithmes de commande de PPPM, puis nous avons fait une comparaison entre une connexion directe du PS à la charge avec une implémentation d’une commande de type P&O et de type flou. Nous pouvons conclure que : 1. L’utilisation d’un convertisseur de type Boost manipulé avec une commande PPPM donne une grande efficacité. 2. La commande floue offre une grande précision. La poursuite présentée dans ce chapitre est appliquée sur une courbe caractéristique P-V contient un seul sommet, ce qui n’est pas réellement très ef icace. Pour cela, et dans le chapitre 3, nous allons donc essayer de résoudre le problème de la recherche de PPM dans le cas où la caractéristique P-V contient plusieurs sommets en utilisant une technique hybride basée sur la logique floue et les réseaux de neurones. Université Libanaise – Faculté de Génie III Bilal Kanj 45 Chapitre 3 Une Technique hybride basée sur les réseaux de neurones et la logique floue pour la Poursuite du Point de Puissance Maximale d’un Système Photovoltaïque Université Libanaise – Faculté de Génie III Bilal Kanj 46 3.1 Introduction Dans le chapitre précédent, nous avons proposé plusieurs méthodes de PPPM mais ces méthodes sont appliquées seulement à la caractéristique P-V contenant un seul sommet. Mais comme nous avons dit précédemment que ce résultat n’est pas efficace surtout lorsque la caractéristique P-V contient plusieurs PPML (Point de Puissance Maximale Local) et un PPMG (Point de Puissance Maximale Global). En se profitant de la précision de la commande floue, nous allons donc essayer de présenter un nouveau modèle hybride basé sur les réseaux de neurones et la logique floue pour résoudre le problème de la recherche de PPMG. Dans ce qui suit, nous allons donner une explication brève des réseaux de neurones, ensuite nous allons d’une part illustrer le fonctionnement détaillé de notre modèle hybride et d’autre part présenter les différents résultats obtenus. 3.2 Les réseaux de neurones 3.2.1 Qu’est ce qu’un réseau de neurones artificiels ? Un réseau de neurones artificiels est un système basé sur le fonctionnement du réseau de neurones biologiques, en d'autres termes, est une émulation du système neuronal biologique. Mais Pourquoi serait-il nécessaire la mise en œuvre de réseaux de neurones artificiels? Les réseaux de neurones ont d'abord été développés pour résoudre des problèmes de contrôle, de reconnaissance de formes ou de mots, de décision, de mémorisation comme une alternative à l'intelligence artificielle, et en relation plus ou moins étroite avec la modélisation de processus cognitifs (capable de connaître ou faire connaître) [11]. Université Libanaise – Faculté de Génie III Bilal Kanj 47 3.2.2 Neurone biologique Les réseaux neuronaux artificiels sont nés avec l’introduction de McCulloc et Pitts [12] d’un ensemble de neurones simplifiés en 1943. Ces neurones ont été présentés comme des modèles très simplifiés de réseaux biologiques. Le modèle de base du neurone artificiel est fondé sur la fonctionnalité du neurone biologique. La figure 3.1 montre la structure d’un neurone biologique. La cellule nerveuse possède le corps cellulaire comportant un noyau, centre des réactions électrochimiques. Du corps cellulaire partent des prolongements courtes appelés dendrites et un prolongement long appelés axone se terminant par des synapses. Les dendrites, selon leurs longueurs et leurs perméabilités, affectent la quantité d’influx nerveux qui se rend au noyau. Le corps cellulaire participe aux régions électrochimiques avec le noyau. Les synapses transmettent l’influx nerveux provenant de l’axone vers d’autres cellules à partir de neurotransmetteurs inhibiteurs ou excitateurs. L’axone et les synapses d’autres cellules nerveuses apportent des influx nerveux venant exciter ou inhiber l’activité du neurone. Le noyau est le centre des réactions électrochimiques. Si les stimulations externes sont suffisantes, le noyau provoque l’envoi d’un influx nerveux électrique à travers l’axone. Figure 3.1 : Structure d'un neurone biologique Université Libanaise – Faculté de Génie III Bilal Kanj 48 3.2.3 Neurone formel (artificiel) Pour construire un neurone formel nous devons prendre en considération quatre composants fondamentaux : les dendrites, les synapses, l’axone et le noyau. D’abord, les synapses du neurone biologique vont êtres modélisées par les poids de connexions qui existent entre le neurone formel et les autres neurones du réseau. Pour un neurone formel le poids de connexion sera une modalisation numérique de la synapse. Les dendrites et l’axone vont être modélisés par les connexions du neurone. Le noyau sera modélisé par une fonction d’activation linéaire ou non linéaire. La table 3.1 résume cette modélisation d’un neurone biologique. Neurone Biologique Neurone Formel Synapses Poids de connexions Dendrites Connexions d'autres neurones vers le neurone k Axone Connexions du neurone k vers d'autres neurones du réseau Noyau Fonction d’activation Tableau 3.1 : Analogie entre le neurone biologique et le neurone formel La figure 3.2 illustre une représentation mathématique d’un neurone formel. Figure 3.2 : Modèle mathématique du neurone formel k d'un réseau neuronal Université Libanaise – Faculté de Génie III Bilal Kanj 49 Les signaux d'entrée et les synapses sont des nombres réels. La fonction d’activation φ permet de définir l’état interne du neurone en fonction de son entrée totale. Il y a plusieurs types des fonctions d’activation. Mais la fonction d’activation utilisée dans notre réseau de neurones, qui est un réseau de neurones multicouches, est la fonction sigmoïde pour la couche cachée et la fonction linéaire pour la couche de sortie. La fonction sigmoïde ( igure 3.3) est définie par l’équation suivante : F(x) = 1−e 1+e La fonction d’activation linéaire (figure 3.4) est définie par : Figure 3.3 : Fonction sigmoïde simplifiée F(x) = x Figure 3.4 : Fonction linéaire La sortie du neurone k est donné par : = ( ) Université Libanaise – Faculté de Génie III avec = ∑ Bilal Kanj 50 3.2.4 Structure d’un réseau neuronal artificiel Un réseau de neurones artificiels est un ensemble de neurones appartenant à des couches différentes reliés entre eux à partir des connexions représentées par des poids. Ce réseau est chargé de recevoir des signaux d’entrée et de fournir un signal de sortie en fonction de ces signaux. La structure des connections entre ces différents neurones détermine la topologie du réseau. Nous distinguons plusieurs topologies : Réseau neuronal multicouche de type feedforward Réseau récurent (réseau bouclé) Réseau cellulaire La figure 3.5 montre les structures des différents réseaux neuronaux. Figure 3.5 : Structures des différents réseaux neuronaux Le réseau de neurones utilisé dans notre projet est le réseau multicouche de type feedforward. Université Libanaise – Faculté de Génie III Bilal Kanj 51 3.2.5 Réseau multicouche (multilayer perceptron MLP) Figure 3.6 : Structure d’un réseau MLP Un réseau MLP (figure 3.6) est formé de plusieurs couches : d’une couche cachée, d’une ou plusieurs couches cachées ou intermédiaires et d’une couche de sortie.. Deux couches successives sont complètement connectées et toutes les connexions sont unidirectionnelles. Dans un tel réseau, il n’y a pas des connexions entre deux neurones d’une même couche. Un MLP a donc : Une couche d’entrée qui reçoit les données à traiter, Une ou plusieurs couches intermédiaires ou cachées effectuant le traitement spécifique du réseau, Une couche de sortie qui présente les réponses du réseau. 3.2.6 Apprentissage Le but de l’apprentissage est l’estimation des paramètres du réseau (poids de connexions) en minimisant une fonction d’erreur. L’apprentissage est supervisé. La fonction d’erreur représente donc la distance qui existe entre la réponse calculée du réseau et sa réponse désirée. L’apprentissage consiste à appliquer au réseau des couples d’entrées et des sorties (sorties désirées), puis en appliquant un algorithme d’apprentissage pour modifier les différents paramètres du réseau. L’algorithme d’apprentissage utilisé pour ce type de réseau est la rétropropagation du gradient (Gradient Backpropagation GBP). Un petit résumé de cet algorithme est décrit par les étapes suivantes : Université Libanaise – Faculté de Génie III Bilal Kanj 52 Initialiser les différents paramètres (poids) du réseau. Choisir un exemple d’apprentissage (une couple d’entrées et des sorties) de la base d’apprentissage. Appliquer cet exemple au réseau MLP et calculer les sorties de tous les neurones (neurones cachés et neurones de sortie) du réseau. Notons que les neurones de la couche d’entrée du réseau ne font pas des calculs. Calculer les termes d’erreur de la couche de sortie. Mise à jour des poids de la couche de sortie et des couches cachées. Choisir un autre exemple de la base d’apprentissage et répéter ce processus jusqu'à atteindre une erreur acceptable. 3.3 Technique hybride basée sur les réseaux de neurones et la logique floue 3.3.1 Modèle hybride Le modèle hybride est composé d’un modèle neuronal et d’un contrôleur flou. Le rôle du modèle neuronal est la recherche de la région où se trouve le PPMG et le contrôleur flou aide à trouver le PPM dans cette région. La figure 3.7 illustre l’état de fonctionnement de chaque commande. La région jaune représente l’espace de fonctionnement du réseau neuronal (RN) et la région bleue est l’espace de fonctionnement de la commande floue (CF). Figure 3.7 : Régions de fonctionnement de RN et de CF Université Libanaise – Faculté de Génie III Bilal Kanj 53 3.3.2 Modélisation sous Matlab/Simulink 3.3.2.1 Panneau solaire Dans cette partie nous allons utiliser trois PS mis en parallèles avec des diodes Bypass. La courbe P-V, c'est à dire le nombre des PPML, varie selon la variation de l’ensoleillement de chaque PS. 3.3.2.2 Commande floue La commande floue utilisée dans cette partie est la même commande utilisée dans le chapitre 2, mais dans cette partie (dans le modèle hybride), nous allons diminuer le pas du rapport cyclique car nous avons besoin d’une grande précision. 3.3.2.3 Réseau de neurones Le rôle du réseau de neurones est de faire diriger le contrôleur vers la région où se trouve le PPMG. Donc il faut d’abord construire le réseau neuronal c'est à dire préparer une base d’apprentissage et faire l’apprentissage du réseau, puis implémenter ce réseau neuronal dans le circuit de commande. Base d’apprentissage La base d’apprentissage préparée est un tableau qui indique pour chaque ensoleillement des PS où sera le PPMG. Par suite et avec une marge d’erreur nous pouvons préciser la région du PPMG. Cette base est préparée avec un pas d’ensoleillement de 100 W/m2. La figure 3.8 montre une partie de la base d’apprentissage. Le réseau neuronal possède donc trois entrées (trois ensoleillements des PS E1, E2 et E3) et une seule sortie (la tension V). Figure 3.8 : Base d’apprentissage Université Libanaise – Faculté de Génie III Bilal Kanj 54 Structure du réseau neuronal Figure 3.9 : Structure du réseau neuronal adopté La figure 3-9 montre la structure du réseau neuronal utilisé dans le système de commande. Ce réseau possède une couche d'entrée contenant 3 entrées, une couche cachée de 10 neurones et une couche de sortie contenant un seul neurone. Apprentissage Le Matlab présente le toolbox « Neural Network » dans laquelle le tool « Neural Network Fitting Tool » (figure 3.10) peut être utilisé pour faire l’apprentissage de notre réseau. Dans ce tool, nous avons créé le réseau (préciser le nombre de neurones cachés) et faire son apprentissage par l’algorithme la rétropropagation du gradient. Figure 3.10 : Neural network fitting tool Université Libanaise – Faculté de Génie III Bilal Kanj 55 A la fin de la phase d’apprentissage, nous obtenons le réseau neuronal final (figure 3.11) qui nous donne une valeur très proche de la valeur exacte du PPMG. Il admet comme entrées les trois ensoleillements et comme sortie la tension proche du PPMG. Figure 3.11 : Réseau neuronal implémenté sous Simulink 3.3.2.4 Système complet sous Simulink La figure 3.12 montre notre modèle hybride sous Simulink. Figure 3.12 : Modèle hybride sous Simulink Le rôle du bloc ordre neuronal sera de conduire le système vers le PPMG avec une marge d’erreur de 1 V déjà choisie, et ensuite la commande loue commence à fonctionner pour stabiliser ce système au PPMG. La figure 3.13 montre le schéma du système complet. Université Libanaise – Faculté de Génie III Bilal Kanj 56 Figure 3.13 : Système complet sous Simulink Dans ce modèle, la fréquence utilisée vaut 40 KHZ, la résistance est de 50 Ω, le condensateur vaut 25μF et l’inductance vaut 400 μH. 3.3.3 Simulations et résultats Dans cette section, nous allons présenter 3 simulations différentes. Les valeurs d'ensoleillements des deux premières simulations (figures 3.15 et 3.17) se trouvent dans la base d'apprentissage du réseau neuronal, tandis que les valeurs d'ensoleillements de la troisième simulation (figures 3.19) ne se trouvent pas dans la base et le réseau va lui-même reconnaître la région du PPMG. Université Libanaise – Faculté de Génie III Bilal Kanj 57 Simulation 1 : La figure 3.14 montre la courbe caractéristique P-V du système photovoltaïque sous les ensoleillements suivants : E1 = 1000, E2 = 700 et E3 = 300 W/m2. Figure 3.14 : Caractéristique P-V de la première simulation Figure 3.15 : Résultats de la première simulation Selon les résultats présentés ci-dessus (figure 3.15), nous remarquons que la technique hybride a réussi de trouver le PPMG et de se stabiliser sur se point. Université Libanaise – Faculté de Génie III Bilal Kanj 58 Simulation 2 : La figure 3.16 montre la courbe caractéristique P-V du système photovoltaïque sous les ensoleillements suivants : E1 = 700, E2 = 400 et E3 = 300 W/m2. Figure 3-16 : Caractéristique P-V de la deuxième simulation Figure 3.17 : Résultats de la deuxième simulation De même, selon les résultats présentés ci-dessus (figure 3.17), nous remarquons que le technique hybride a réussi de trouver le PPMG et de se stabiliser sur se point. Université Libanaise – Faculté de Génie III Bilal Kanj 59 Simulation 3 : La figure 3.18 montre la courbe caractéristique P-V du système photovoltaïque sous les ensoleillements suivants : E1 = 750, E2 = 950 et E3 = 525 W/m2. Figure 18 : Caractéristique P-V de la troisième simulation Figure 3.19 : Résultats de la troisième simulation De même, selon les résultats présentés ci-dessus (figure 3.19), nous remarquons que la technique hybride a réussi de trouver le PPMG et de se stabiliser sur se point. Université Libanaise – Faculté de Génie III Bilal Kanj 60 3.4 Conclusion Ce chapitre a présenté une technique hybride basée sur les réseaux neuronaux et la logique floue pour la poursuite du point de puissance maximale d’un système photovoltaïque. Cette technique est appliquée au cas où la caractéristique P-V contient plusieurs PPML et un PMMG. Le réseau de neurones utilisé dans notre système de commande est un réseau neuronal multicouche de type Feedforward et son apprentissage est supervisé. Nous avons testé la technique hybride en choisissant des ensoleillements de la base d’apprentissage et des ensoleillements qui ne se trouvent pas dans la base. Les résultats obtenus sont encourageants et satisfaisants. Université Libanaise – Faculté de Génie III Bilal Kanj 61 Conclusion Université Libanaise – Faculté de Génie III Bilal Kanj 62 Les travaux présentés dans ce rapport se focalisent sur la poursuite de point de puissance maximale PPPM d'un système photovoltaïque. Dans ce rapport, nous avons montré l'importance des systèmes photovoltaïques, leurs propriétés, leur fonctionnement, leurs modélisations, leurs caractéristiques P-V et les variations de ces caractéristiques sous l'effet de la variation de la température et du rayonnement surtout au niveau du point de puissance maximale. Nous avons présenté une comparaison détaillée entre les résultats obtenus en utilisant une commande basée sur la fameuse commande P&O et les résultats d’une commande basée sur la logique floue. La courbe caractéristique P-V possède dans ce cas un seul sommet. Nous avons ensuite appliquée une technique hybride basée sur la logique floue et les réseaux de neurones pour la recherche d’un point de puissance maximale global PPMG, lors de la présence de plusieurs points de puissance maximal et locaux PPML. Les différentes simulations faites en utilisant Matlab/Simulink nous ont permis de conclure les points suivants : 1. la logique floue assure une précision importante. 2. les réseaux de neurones donnent des résultats parfaits dans la reconnaissance des régions de PPMG. Enfin, et en quelques mots, ce travail a présenté une nouvelle technique de recherche de PPM. Cette technique est basée sur l’intelligence artificielle, la logique floue assure d’une part la précision souhaitée et les réseaux de neurones facilitent d’autre part la recherche de la région de PMMG. Les résultats obtenus dans ce rapport ont été encourageants et satisfaisants. Université Libanaise – Faculté de Génie III Bilal Kanj 63 Références [1] A. Cid-Pastor, "Conception et réalisation de modules photovoltaïque électroniques", Thèse de doctorat, Université Paul Sabatier, Toulouse 2006. [2] F. Lasnier, T. G. Ang, "Photovoltaic Engineering Handbook", IOP Publishing Ltd.1980, ISBN 0-85274-311-4. [3] R. Sridhar, Dr. Jeevananathan, N.Thamizh Selvan, Saikat Banerjee, "Modeling of PV Array and Performance Enhancement by MPPT Algorithm", International Journal of Computer Application (0975 – 8887), Vol. 7, No. 5, September 2010. [4] Gow, J.A. and C.D. Manning, "Development of a Photovoltaic Array Model for Use in Power-Electronics Simulation Studies", IEE Proceedings of Electric Power Applications, Vol. 146, No. 2, pp. 193–200, March 1999. [5] L. Protin, S. Astier, "Convertisseurs photovoltaïques", Technique de l’Ingénieur, Ref : D 3360, 1997. [6] A. F. Boehinger, "Self-adaptive DC converter for solar spacecraft power supply", IEEE Transactions On Aerospace and Electronic Systems, pp. 102-111, 1968. [7] W. J. A. Teulings, J. C. Marpinard, A. Capel, and D. O’Sullivan, "A new maximum power point tracking system", IEEE Power Electronics Specialists Conference 1993, PESC’93, pp. 833-838, June 1993. [8] J. H. Lee, H. B. Bo, H. Cho, "Advanced incremental conductance MPPT algorithm with a variable step size", Power Electronics and Motion Control Conference, 2006, EPE-PEMC 2006. 12th International, pp. 603-607, Aug. 2006. [9] N. Femia, G. Petrone, G. Spagnuolo and M. Vitelli, “Optimization of Perturb and Observe Maximum Power Point Tracking Method”, IEEE Transactions On Power Electronics, Vol. 20, No. 4, pp. 16-19, March 2004. [10] The Power Electronics Handbook, Industrial Electronics Series, edited by Timothy L. Skvarenina, 2002. [11] S. Haykin, "Neural Networks: A Comprehensive Foundation", Second Edition, 1999. Université Libanaise – Faculté de Génie III Bilal Kanj 64 [12] W.S. McCulloch and W. Pitts, "A Logical Calculus of Ideas Immanent in Nervous Activity", Bull. Mathematical Bio- physics, Vol. 5, 1943. Université Libanaise – Faculté de Génie III Bilal Kanj