1 Etude et simulation de différant méthode MPPT par Matlab. MEKHLOUFI M.A, Laboratoire de UKM-Ouargla Algérie. [email protected]; Sommer - divers point maximum de puissance (MPPT) basées sur le nombre de sondes exigées, la vitesse de la convergence, la capacité d'exécuter dans des conditions bruyantes et ambiant variables a été simulées et discutées. La stabilité du point maximal sans osciller autour de la crête a été décrite. Keywords : Photovoltaïque (PV); point puissance maximal (maximum power point tracking-MPPT); Contrôleur logique floue (Fuzzy Logic ControllerFLC);Algorithme Génétique (AG). I. INTRODUCTION Jusqu'ici, un certain nombre d'algorithmes de MPPT ont été proposés dans la littérature, incluant la méthode perturber-et observent P&O [1], méthode open- et short-circuit [2], algorithme incrémental conductance I&C [3], et logique floue FLC [4]et artificiel neural network –réseau de neurone-. [5] II. METHODES EXISTANTES DE MPPT II.1. Perturb-observe (P&O) La méthode d'perturber-et-observer, également connue sous le nom de méthode de perturbation, est l'algorithme le plus généralement utilisé de MPPT dans les produits commerciaux de PV. C'est essentiellement une méthode d'épreuve et d'erreur ".Le contrôleur de PV augmente la référence pour la puissance de rendement d'inverseur par un peu, et puis détecte la puissance réelle de rendement. Si la puissance de rendement est en effet augmentée, elle augmentera encore jusqu'à ce que la puissance de rendement commence à diminuer, à laquelle le contrôleur diminue la référence pour éviter l'effondrement de l'en raison produit par PV de la caractéristique fortement non linéaire de PV. Bien qu'il soit facile mettre en application l'algorithme de P&O, il a un certain nombre de problèmes, y compris 1) le système de PV ne peut pas toujours fonctionner au point maximum de puissance dû au processus lent d'épreuve et d'erreur, et l'énergie solaire des rangées de PV ne sont pas entièrement utilisées ainsi; 2) le système de PV peut toujours fonctionner en mode d'oscillation même avec un état équilibré de soleil, menant au rendement de fluctuation d'inverseur; et 3) l'opération du système de PV peut ne dépiste pas le point maximum de puissance dû aux changements soudains du soleil. [6] [7] Figure1. Organigramme décrivant l'algorithme de P&O Figure 1. Organigramme décrivant l'algorithme de P&O II.2. méthode Ouvert- et de court-circuit La méthode courante ouvert- et de court-circuit pour la commande de MPPT est basée sur la tension et le courant terminaux mesurés des rangées de PV [2]. En mesurant le courant de tension d'ouvrir-circuit ou de court-circuit en temps réel, le point maximum de puissance de la rangée de PV peut être estimé avec les courbes courant-tension prédéfinies de PV. Cette méthode comporte une réponse relativement rapide, et ne cause pas des oscillations dans l'état d'équilibre. Cependant, cette méthode ne peut pas toujours produire la puissance maximum disponible à partir des rangées de PV dues à l'utilisation des courbes prédéfinies de PV qui souvent ne peuvent pas efficacement refléter la situation en temps réel due aux caractéristiques de PV et aux conditions atmosphériques non-linéaires. En outre, la mesure en ligne de la tension de circuit-ouvert ou le courant de court-circuit cause une réduction de rendement. II.3. Algorithme Incrémentale Conductance I&C La tâche principale de l'algorithme par accroissement de conductibilité est de trouver le dérivé de la puissance de rendement de PV en ce qui concerne sa tension de rendement, celle est dP/dV [3]. La puissance maximal de PV peut être réalisée quand dP/dV approches de zéro. Le contrôleur calcule dP/dV basé sur la puissance mesurée et la tension de sortie incrémentale de PV. Si dP/dV n'est pas étroitement zéro, le contrôleur ajustera la tension de PV point par point jusqu'à ce que dP/dV approche zéro, auquel la rangée de PV atteint son puissance maximum. 2 L'avantage principal de cet algorithme au-dessus de la méthode de P&O est son processus de cheminement de puissance rapide. Cependant, il a l'inconvénient de l'instabilité possible de rendement due à l'utilisation de l'algorithme dérivé. En outre le procédé de différentiation sous les niveaux bas de l'insolation devient difficile et les résultats sont insuffisants . III. RESULTATS DE SIMULATION III.1. LA SIMULATION DE PERTURBENT ET OBSERVENT L'ALGORITHME (P&O) Discre te , Ts = 5e -006 s. XY Graph powe rgui Terminator Diode1 Scope2 + -i + 800 Diode C1 Vpv array Uout Scope1 C - g I IGBT C E S + - v m T T V1 L1 Subsystem1 25 + - v k C ontrolled C urrent Source s m a Pb i G Scope Scope3 V D CONTROL SIGNAL I mppt PO Afin d'évaluer l'exécution de l'algorithme de P&O, un module de PV avec une puissance maximal de 1273Wc watt-crêt, le courant de court circuit (ISC) 25.44 A et la tension de circuit ouvert (Voc) 66V dans des conditions d'essai standard d'irradiance (G = 1000w/m2) et de température (NOCT) de 25°C avec hacheur élevateur-boost- de (C1=C2=2000μF; L=10mH) ont été simulés en utilisant MATLAB. L’insolation –l’irradiance- : PV_PO/Irradiance (W//m2) : Ramp-up/down Irradiance 1100 Ir 1000 Figure 2. Organigramme décrivant l'algorithme de I&C 900 800 700 600 500 400 200 100 0 0 0.5 1 1.5 Time (sec) 2 2.5 3 Figure 3. I=f(V) caractéristique I-V de PV Rapport cyclique D : 0.7 0.6 0.5 0.4 P Puisque la rangée de PV montre une caractéristique courante non linéaire de tension ou de puissance-tension, son point maximum de puissance change avec l'insolation et la température. Certains algorithmes tels que la logique floue ou la commande artificielle de réseau neurologique avec non linéaire et adaptatif en nature ont adapté la commande de PV. Par la connaissance basée les règles brouillées, commande brouillée peuvent dépister le point maximum de puissance [4]. Une commande de neural-réseau fonctionne comme un modèle de boîte noire, n'exigeant aucune information détaillée sur le système de PV. Après étude de la relation entre la tension de puissance de tension maximum de point et circuit ouvert ou l'insolation et la température, la commande de réseau neurologique peut dépister le point maximum de puissance en ligne. L'inconvénient de ces commandes est le coût élevé de l'exécution dû aux algorithmes complexes qui ont besoin habituellement d'un DSP en tant que leur plateforme de calcul [7]. 300 Duty OFcn II.4. Algorithmes Logique Floue –FLC- et autre 0.3 0.2 0.1 0 0 0.5 1 1.5 2 time (sec) Vpv ;Ipv et Ppv en fonction de temps 2.5 3 3.5 x 10 4 3 100 100 90 80 80 70 60 Vpv (volt) Vpv (volt) 60 50 40 30 40 20 20 0 10 0 0 1 2 3 4 5 6 time (sec) 7 -20 5 x 10 0 1 2 3 4 5 6 7 time (sec) x 10 5 30 50 25 20 40 Ipv 15 Ipv (Ampier) 30 10 5 20 0 -5 10 0 1 2 3 4 5 6 time (sec) 7 0 5 x 10 1200 -10 0 1 2 3 4 5 6 7 time (sec) 1000 1200 600 1000 400 800 x 10 5 Ppv 800 Ppv (watt) 200 0 -200 0 1 2 3 4 5 6 time (sec) 7 600 400 200 5 x 10 Figure 4. Vpv ; Ipv et Ppv en fonction de temps 0 -200 0 1 2 3 4 5 6 time (sec) Vload : 7 x 10 5 Figure 6. Vpv ; Ipv et Ppv en fonction de temps 120 Vload : 100 Vload 80 450 400 60 350 40 Vload (volt) 300 20 0 0 1 2 3 4 time (sec) 5 6 7 250 200 150 5 x 10 Figure 5. Vload – la charge – L'avantage principal de la méthode de P&O est qu'il est facile de mettre en application, c'est à la basse complexité de calcul et il est applicable pour la plupart des systèmes de PV. Il n'exige aucune information sur la rangée de PV excepté la tension mesurée. Pour cette raison, le P&O est un de la méthode le plus souvent utilisée de MPPT de nos jours. Les deux problèmes principaux du P&O sont les oscillations autour du MPP en états d'état d'équilibre comme le montre la figure 4, et des pauvres dépistant (probablement dans la direction fausse, loin de MPP) sous des irradiations changeantes rapidement. III.2. LA SIMULATION DE L'ALGORITHME (I&C) L’algorithme par accroissement de la conductibilité (I&C) est semblable à l'algorithme de P&O. il emploie le rapport instantané du courant et de la tension (i/v) et la conductibilité par accroissement di/dv pour obtenir le MPP. L'organigramme de l'algorithme I&C est montré dans figure. 2. Il a l'inconvénient du cheminement dans la direction fausse pendant des irradiations changeantes rapidement et de bas états d'irradiance. La simulation pour un MPP dépistant pour une irradiance varie de 1000 jusqu'a 200w/m et d'une erreur acceptable de seuil de 35 e-6. Vpv ; Ipv et Ppv en fonction de temps 100 50 0 0 1 2 3 4 time (sec) 5 6 7 x 10 5 Figure 7. Vload – la charge – L’I&C. Produit le rendement le plus élevé. D'autre part, si l'irradiance diminue, l'efficacité de I&C est également diminuée et détériore plus loin aux niveaux très bas d'irradiance. III.3. LA SIMULATION DE L'ALGORITHME Logique Floue FLC Conception de contrôleur de logique floue La commande de logique floue est développée à l'aide de la boîte à outils fuzzy toolbox de matlab/simulink. Les entrées au contrôleur de logique floue sont E et dE avec E=V/I. Le changement de la contribution de D (duty-cycle) est la sortie. Par adhésion triangulaire des fonctions (membership) sont décrites les variables de logique floue. Les fonctions triangulaires d'adhésion sont choisies pour la simplicité et la Figure 8 montre la base (the fuzzy rule) de règle créée dans le travail actuel basé sur le raisonnement et l'expérience intuitifs. Des adhésions brouillées, NG, NP, ZE, PP, PG sont définies comme Négative grand, Négative petit, Zéro, Positive petit, Positive grand. Le schéma fonctionnel pour le contrôleur de logique floue est montré sur la Figure 9. 4 30 25 20 Ipv 15 10 5 0 -5 0 1 2 3 4 5 6 time (sec) 7 x 10 5 1200 1000 Ppv (watt) 800 Figure 8. Les règles de FLC en surface 600 400 200 0 -200 0 1 2 3 4 5 6 time (sec) 7 x 10 5 120 100 Vload 80 60 40 20 0 0 1 2 3 4 time (sec) 5 6 7 x 10 5 Figure 10. Vpv ; Ipv ; Ppv et Vload en fonction de temps L’entrée E III.4. LA SIMULATION DE L'ALGORITHME Logique Floue Optimisée par Algorithme Génétique L’entrée dE La sortie dD Figure 9. Les entrées et la sortie de FLC 100 90 80 Vpv (volt) 70 60 50 40 30 20 10 0 0 1 2 3 4 time (sec) 5 6 7 x 10 5 Algorithme génétique L'optimisation basée par AG [7] est une technique heuristique adaptative de recherche qui implique la génération, l'évaluation systématique et le perfectionnement de la solution potentielle de conception jusqu'à ce qu'un critère d’arrêt soit rencontré. Il y a trois opérateurs fondamentaux impliqués dans le processus de recherche d'un algorithme génétique: choix, croisement et mutation. Le choix est un processus qui choisit un chromosome de la population de la génération courante pour l'inclusion dans la population de prochaine génération selon leur forme physique. L'opérateur de croisement combine deux chromosomes pour produire un nouveau chromosome (progéniture). L'opérateur de mutation maintient la diversité génétique d'une génération de population au prochain et vise à réaliser de la variabilité stochastique de AG afin d'obtenir une convergence plus rapide. Les étapes génétiques d'exécution d'algorithme sont indiquées ci-dessous: Étape 1: Lisez le nombre de modules reliés, de modèle d'insolation et de température pour chaque module. Étape 2: Définissez la fonction objective et identifient les paramètres. Étape 3: Produisez de la population initiale. Étape 4: évaluez la population par fonction objective. Étape 5: Examinez la convergence. Si satisfait alors arrêtez continuent autrement. Étape 6: Commencez le processus de reproduction par appliquer les opérateurs génétiques: Choix, croisement et mutation. Étape 7: évoluez la nouvelle génération. Passez à l'étape 3. [9] 5 J e dt . // e Pmax P 2 100 90 80 70 60 Vpv (volt) On va essayer dans ce travail de trouver les fonctions d’appartenances optimales en utilisant les AGs, et cela se fait par les étapes suivantes : 1. Choix du critère d’optimisation : Dans ce travail nous allons utiliser le critère quadratique à minimiser. 50 40 30 20 (1) 10 0 0 1 Ce choix a été fait dans le but d’améliorer le temps de réponse et de réduire les fluctuations. 2. Création de la population initiale : La population se compose d’un ensemble d’individus, où chaque individu est composé des trois chromosomes : E, CE et dD, chaque chromosome est composé d’un ensemble de gènes. Pour le chromosome E les gènes sont : C1, C2, C3, C4. Pour le chromosome CE les gènes sont : C’1, C’2, C’3, C’4 Pour le chromosome dD les gènes sont : C’’1, C’’2, C’’3, C’’4 -On définit un intervalle de variation de C, C’, C’’ (qui est l’espace de recherche) ; qui varie entre [0.01 0.99]. La forme d’individu qui en résulte est illustrée sur le Tableau1: Chromosome I Chromosome II Chromosome III Vload : C1 C2 C3 C4 C’1 C’2 C’3 C’4 C’’1 C’’2 C’’3 C’’4 Tableau1. Forme d’un individu. Les relations entre les Ci, C’i, C’’i et xi, yi, zi sont données par : 2 3 4 5 6 time (sec) 7 x 10 5 30 25 20 Ipv 15 10 5 0 -5 0 1 2 3 4 5 6 time (sec) 7 x 10 5 1200 1000 800 Ppv 600 400 200 0 -200 0 1 2 3 4 5 6 time (sec) 7 x 10 5 120 100 80 Vload x1 (C 4 C 3). 0.032 x 2 C 3. 0.032 x 3 C 1.0.032 x 4 (C 1 C 2).0.032 y1 (C '4 C '3). 100 y 2 C '3. 100 y 3 C '1.100 y 4 (C '1 C '2).100 z1 (C ' '4 C ' '3). 0.032 z 2 C ' '3. 0.032 z 3 C ' '1.0.032 z 4 (C ' '1 C ' '2).0.032 60 40 20 0 0 1 2 3 4 5 6 time (sec) ( 2) Afin de trouver l’individu solution (individu optimal) on se limite à chercher les valeurs des gènes qui sont inconnus. Pour atteindre l’optimum global, on prend une grande taille de la population qui est égale à 100 individus. 3. Croisement : Pour le croisement on a utilisé la méthode de croisement manipulant des variables continues (croisement réel), avec une probabilité de croisement Pc=1 et un indice de distribution n=5. 4. Mutation : on a utilisé la méthode de la manipulation de mutation des variables continues (mutation réelle), avec une probabilité de mutation Pm=1/NG =1/12, et un indice de distribution n=5. 5. Critère d’arrêt : est quand le nombre de génération maximal atteint la valeur 50. Vpv ; Ipv et Ppv en fonction de temps 7 x 10 5 L'efficacité η des algorithmes a été calculée en utilisant l'équation suivante: t2 t2 Pdt t1 ( 3) P max dt t1 où le T1 et le T2 sont la mise en train (lever de soleil) et des temps d'arrêt (coucher du soleil) du système, respectivement, P est la puissance de rendement de rangée, et P max est la puissance maximum théorique de PV. L'intégrale dans eqn. 3 a été évaluée numériquement et afin de réduire au minimum les erreurs d'intégration, une petite étape (3 s) ont été considérés [10] [11]. Des résultats moyens d'quotidiennement-efficacité pour I&C et les algorithmes de P&O MPPT sont récapitulés dans le tableau 2 ainsi que le cas de relier directement la charge à PV. Algorithme MPPT Sans MPPT P&O I&C efficacité 31.3 % 81.5 % 89.9 % FLC AGFLC Tableau 2: Comparaison d'efficacité entre les algorithmes de MPPT 6 L'utilisation faible de PV dans le cas du raccordement direct de charge est due à la disparité entre la charge et le ROPt optimal-qui peuvent être considérablement améliorés en employant MPT. L'augmentation apparente de l'efficacité réalisée par l'algorithme I&C est en raison de sa capacité de surmonter les inconvénients d'algorithme de P&O, à savoir changements atmosphériques rapides suivants et des oscillations d’éviter autour du MPP. Habituellement dans la conception de système de PV, l'inclusion de MPPT dépend de la taille du système et des caractéristiques de charge. C'est parce que le gain dans le rendement d'énergie réalisé par MPPT doit être équilibré avec le coût accru de système. Le rendement plus élevé de l'algorithme I&C le rendement plus rentable que l'algorithme de P&O. IV. CONCLUSION La simulation du système entier a été faite dans MatlabSimulink et ses expositions une excellente exécution des MPPT, avec la fluctuation négligeable de la tension continue, cheminement rapide du point optimum de fonctionnement, L'efficacité du P&O diminue avec d'irradiation faible, mais elle dépiste le MPP dans les niveaux bas d'irradiance. L'algorithme P&O n'emploie pas la puissance exacte hors du panneau solaire, mais une différence de la puissance proportionnelle. La quantité de la puissance changée n'a aucun effet sur l'algorithme. Pour cette raison, la puissance exacte hors du panneau solaire n'est pas exigée. Des études précédentes avaient combiné deux types de contrôleurs flous, le premier pour un réglage grossier applicable surtout durant l’état transitoire et le deuxième plus fin lorsque la consigne est prêt d’être atteinte. Les contrôleurs de logique floue conviennent aux problèmes non-linéaires où le comportement désiré de système en termes de variables d'entrée et de sortie peut être exprimé comme ensemble de règles sémantiques. Ils présentent une exécution robuste et une bonne réponse dans les environnements bruyants. Ces observations ont été obtenues suite à plusieurs simulations soumises à différentes conditions environnementales (variation d’éclairement). References [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] K.Chomsuwan et al, 1995; W. Xiao et al, 2004. T. Noguchi et al., 2002 C. Hua,1998 N. Patcharaprakiti et al.,2006) A. Torres et al.,1998 Soft computing optimization techniques for solar photovoltaic arrays-Ramaprabha R. and Mathur B. L. - VOL. 6, NO. 10, OCTOBER 2011. Active Power Control For A Single-Phase Grid Connected PV System -Dalia H Al_Maamoury-MARCH 2013 Goldberg, 1989 Etude, Investigation et conception d’algorithmes de commande appliqués aux systèmes photovoltaïques-SALAH MOHAMED AIT-CHEIKH-Magister en Automatique ENP Décembre 2007 Maximum photovoltaic power tracking: an algorithm for rapidly changing atmospheric conditions- K.H. Hussein, I. Muta, T. Hoshino, M.Osakada – [11] 'Evaluation and measurement technology of photo voltaic systems', -KUROKAWA,K- Researches of The Electrotechnical Laboratory - Japan, 1993,947, pp. 64-72 Annexe