III.3. LA SIMULATION DE L`ALGORITHME Logique Floue FLC

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