République Algérienne Démocratique et Populaire Ministère de l’Enseignement Supérieur et de la Recherche Scientifique Université de Batna - Faculté de Technologie Département d’Électrotechnique THÈSE Présentée pour l’obtention du diplôme de DOCTORAT en SCIENCES Spécialité: Électrotechnique Option: Réseaux Electriques Par LAHMADI OUARDA Thème Contribution à l’Identification et la Commande d’unActif Filtre Commande d’un Filtre Parallèle Actif parNeuromimétiques des Techniques par des Parallèle Techniques Neuromimétiques Soutenue le 25/05/2017 Devant le jury: Necereddine NAIT SAID Professeur Université de Batna Président Louiza BENFARHI Maître de Conférences A Université de Batna Djamel RAHEM Professeur Université d´Oum El Bouaghi Directeur de Thèse Examinateur Maître de Conférences A Université d´Oum El Bouaghi Examinateur Abderrahmane DIB Samira BENAICHA Maître de Conférences A Université de Sétif Examinateur Mabrouk CHABANE Professeur Université de Batna Examinateur Abdelaziz CHAGHI Professeur Université de Batna Invité A mes parents, qu’ALLAH les protège ; A mon mari et mes enfants, merci pour votre patience ; A mes frères et sœurs, merci pour vos encouragements ; Aux lecteurs de cette thèse, pour qui, je l’espère, leur sera utile. Remerciements Arrivant au terme de ce travail, je tiens à exprimer, dans les lignes qui suivent, ma reconnaissance à toutes les personnes qui ont participé d’une manière ou d’une autre à son aboutissement. Je voudrais tout d’abord exprimer mes remerciements les meilleurs à ma directrice de thèse, Louiza BENFARHI (Maître de Conférences à l’Université de Batna), qui a accepté de diriger cette thèse et pour les précieuses guidances, conseils, orientations et pour l’aide tout au long de mon travail. Je tiens à la remercier aussi pour sa patience durant la rédaction et la finalisation de ce mémoire de thèse. Plus qu’un encadrant ou un collègue, c´est une amie qui m’a aidé aussi bien dans le travail que dans la vie lorsque j’en avais besoin. Qu'elle trouve ici l'expression de mon respect et de ma profonde reconnaissance. Je suis très reconnaissante envers mon premier promoteur monsieur A/Aziz CHAGHI (Professeur à l’Université de Batna), Je le remercie tout d’abord de m’avoir offert ce sujet de thèse très intéressant et puis pour son aide et ses orientations même après son désistement. Je lui exprime ma profonde reconnaissance. Mes sincères remerciements vont à monsieur Necereddine NAIT SAID (Professeur à l’Université de Batna), de m’avoir fait l’honneur de présider le jury de ma thèse. Je tiens également à lui exprimer ma plus profonde reconnaissance pour son aide appréciable et sa disponibilité malgré ses responsabilités. Chaque discussion avec lui, concernant les aspects liés aux réseaux de neurones, donnait toujours des idées nouvelles et de bonnes pistes qui m´ont permis de mener à bien cette partie de la thèse. Ses compétences scientifiques, notamment dans le domaine de réseaux de neurones, ont été très précieuses pour l´avancement de mes travaux de recherche. Je tiens à exprimer ma gratitude la plus sincère à monsieur Djamel RAHEM (Professeur à Université d´Oum El Bouaghi) et à monsieur Abderrahmane DIB (Maître de Conférences à Université d´Oum El Bouaghi), qui ont accepté de juger ce travail et d’en être les rapporteurs malgré leurs occupations. Je tiens à remercier profondément monsieur Mabrouk CHABANE (Professeur à l’Université elle Samira BENAICHA (Maître de Conférences à l’Université de Sétif), qui m´ont fait un grand honneur en acceptant d’évaluer cette thèse. de Batna) et M Je profite de cette occasion aussi pour exprimer ma grande reconnaissance à monsieur Rachid ABDESSEMED (Professeur à l’université de Batna) pour ses qualités humaines, pour m’avoir accueilli au sein de son laboratoire et pour ses encouragements permanents. Mes remerciements vont aussi à Mme Hanane KOUARA (Maître Assistante à Université de Batna) et Mr Hichem LAIB (Maître Assistant à l’Université d´Oum El Bouaghi) pour leurs contributions à la réalisation de ce travail. OUARDA LAHMADI ACRONYMES QEE FAP FAS FAU UPQC FFT FL PCC PLL VCO MLI RST THD IGBT FPB FMV P-Q PI PID Qualité de l'Energie Electrique . Filtre Actif Parallèle. Filtre Actif Série. Filtre Actif Universel. Unified Power Quality Conditioner (Filtre parallèle-série actif). Fast Fourier Transform (Tansformée de Fourier rapide). Fuzzy Logic (Logique Floue). Point de Couplage Commun. Phase Locked Loop (boucle à verrouillage de phase). Oscillateur contrôlé en tension (Voltage Controlled Oscilator) . Modulation de Largeur d'Impulsion. Régulateur polynomial par placement des pôles. Total Harmonic Distorsion (Taux de distorsion harmonique). Insulated Gate Bipolar Transistor (transistor bipolaire à grille isolée). Filtre passe-bas (Low-Pass Filter). Filtre Multi- Variable. Puissances instantanées réelle et imaginaire. Proportionnel-Intégral. Régulateur Proportionnel Intégral Dérivateur. Pour le cas des réseaux de neurones ADALINE LMS MLP RNA RNC RNI PI-Neural ANFIS ADAptive LInear NEuron (réseau adaptatif linéaire). Algorithme des moindres carrés (Least Mean Square). Multi Layer Perceptron (perceptron multicouches). Réseaux de Neurones Artificiels. Réseau de Neurones Contrôleur. Réseau de Neurones Identificateur. Neural Régulateur Proportionnel Intégral. Adaptive-Network-based Fuzzy Inference System. TABLE DES MATIÈRES Introduction générale………………………………………………………….…………. 1 CHAPITRE 1 : Solutions de Dépollution des Réseaux Électriques et Qualité d’Énergie 1.1 Introduction…………………………………………………………………. 5 1.2 Qualité de l'énergie électrique (QEE) ……………………………………. 5 1.3 Classification et types des perturbations électriques ……………………. 6 1.3.1 Perturbations et leurs classifications…………………………………... 6 1.3.2 Types de perturbations ………………………………………………... 7 1.4 Perturbations électromagnétiques et leurs origines ………..……………. 7 1.4.1 Creux et coupures de tension………………………………………….. 8 1.4.2 Coupure de tension…………………………………………………….. 9 1.4.3 Les fluctuations rapides de tension……………………………………. 9 1.4.4 Variation de fréquence………………………………………………… 10 1.4.5 Déséquilibre du système triphasé…………………………………….... 10 1.4.6 Phénomène transitoire……………………………………………….... 11 1.4.7 Les harmoniques………………………………………………………. 11 12 1.5 Problématique des harmoniques ………………………………………... 1.5.1 Origines des harmoniques……………………………………………… 13 1.5.2 Propagation……………………………………………………………. 15 1.5.3 Normes concernant les perturbations harmoniques…………………… 16 1.5.4 Les effets indésirables causés par les harmoniques…………………… 18 1.5.5 Caractérisation des perturbations harmoniques ………………….…… 19 1.6 Solutions de dépollution des réseaux électriques ……………….…….…... 21 1.6.1 Modification : Solutions traditionnelles de dépollution ......................... 21 1.6.2 Compensation : Solution classiques de dépollution …………………... 22 1.6.3 Filtrage actif : Solutions modernes de dépollution……………………. 24 28 1.6.4 Comparatif et choix du FAP/Comparaison entre les différentes topologies de Filtre Actif 1.7 Structure générale d´un filtre actif shunt trois fils ……………………….. 29 1.8 Etude de la partie puissance………………………………………………... 30 1.8.1 Onduleur de tension……………………………………………………. 30 1.8.2 Filtre de sortie…………………………………………………………. 32 1.8.3 Circuit de stockage d´énergie………………………………………….. 33 1.9 Conclusion…………………………………………………………………… 34 CHAPITRE 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? 2.1 2.2 Introduction………………………………………………………………… 36 Généralités sur les réseaux de neurones………………………………….. 37 Table des Matières 2.3 Structure des neurones artificiels…………………………………………. 2.3.1 Du neurone biologique aux neurones formels………………………... 2.3.2 Analogie entre le neurone biologique et le neurone Artificiel…….…. 2.3.3 L´Adaline et le Perceptron……………………………………………. 2.4 Architecture des réseaux de neurones………………………………….…. 2.5 Processus d´apprentissage…………………………………………………. 2.5.1 Types d´apprentissage………………………………………………… 2.5.2 Apprentissage par correction d´erreur………………………………… 2.5.3 Modes d´apprentissage……………………………………………….. 2.5.4 Choix du processus d´apprentissage et de l´architecture de réseau de neurones……….. 2.6 Méthodes neuronales d´identification et de commande de systèmes dynamiques……... 2.6.1 Etape d´identification…………………………………………………. 2.6.2 Etape de contrôle……………………………………………………… 2.7 Autres techniques intelligentes……………………………………………. 2.7.1 La commande floue…………………………………………………… 2.7.2 Les systèmes neuro-flous……………………………………………... 2.7.3 Les algorithmes génétiques…………………………………………… 2.7.4 La commande par mode glissant …………………………………... 2.7.5 La commande adaptative……………………………………………... 2.8 Avantages des techniques neuronales/ intelligentes……………………… 2.9 Application des techniques neuromimétiques dans les systèmes électriques et les FAPs................................................................................... 2.9.1 Systèmes électriques………………………………………………….. 2.9.2 Filtres actifs parallèles (FAPs)…………………………..……………. 2.10 Conclusion………………………………………..………………………… 37 38 39 39 40 40 40 41 49 50 53 55 57 62 62 62 63 63 63 64 64 64 65 71 CHAPITRE 3 : Application des RNA -ADALINE-à l’Extraction des Composantes Symétriques de la Tension du Réseau 3.1 3.2 3.3 3.4 3.5 Introduction………………………………………………………………… Généralité sur le bloc de synchronisation / système à base de PLL……. Classique pour la synchronisation du FAP au réseau ……………….. 3.3.1 Structure générale de la PLL classique …………………………… 3.3.2 Principe de fonctionnement de la PLL classique…………………. PLL- neuronale pour la synchronisation du FAP au réseau ………….. 3.4.1 Extraction neuronale des composantes symétriques de tension……... 73 73 74 74 75 76 77 3.4.1.1 Calcul des composantes directes de la tension……………… 77 3.4.1.2 Calcul des composantes inverses de la tension………………. 79 3.4.1.3 Topologie de RNA utilisé -Type ADALINE………… 81 3.4.1.4 Les opérateurs synthétisant les fonctions neuromimétiques………… 82 3.4.2 Détection de la phase instantanée (fréquence) de la tension réseau………… 83 3.4.2.1 Détection de la phase instantanée (fréquence) au moyen d’une PLL- 84 Neuronale triphasée………………………..…………. 3.4.2.2 Poursuite de la fréquence (phase instantanée) par ADALINE basé 85 sur la forme récursive…………………………………………………….. 90 Discussion des résultats de simulation…………………………………………... Table des Matières 3.6 3.5.1 Comparaison de la méthode neuronale avec la PLL classique………………. 3.5.1.1 Détection des composantes symétriques des tensions d’un système triphasé déséquilibrées ou polluées……………………………………… 3.5.2 Réponse dynamique aux perturbations d’amplitude de la tension source : cas particuliers…………………………………………………………………………… Conclusion…………………………………………………………………………… 90 91 95 100 CHAPITRE 4 : Identification Intelligente-Neuronale des Courants Harmoniques 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 Introduction………………………………………………………………………….. Principe du filtre actif parallèle ……………………………………………………. Stratégie d’identification des harmoniques avec Adaline………………………… Identification neuronale des harmoniques dans l’espace de courant avec ADALINE……………………………………………………………………………. 4.4.1 Méthode neuronale Directe……………………………….…………….…….... 4.4.2 La méthode neuronale Tri-monophasée……………….………..…………….... 4.4.3 Identification des harmoniques avec la méthode neuronale des courants diphasés……………………………………………………………………………… 4.4.4 Méthode neuronale synchronisée…................................................................... Identification des harmoniques selon le repère des puissances ………………..… 4.5.1 Méthode neuronale des puissances instantanées réelle et imaginaire (méthode P-Q)................................................................................................................................ 4.5.2 Méthode neuronale des puissances instantanées modifiée……………………... 4.5.3 Méthode neuronale des courants actifs et réactifs…………………………….... Identification sélective des harmoniques de références par un filtre multivariable ‘FMV’……………………………………………………………………………….. Comparaison structurelle et fonctionnelle des méthodes d’identification………. Résultats de simulation ……………………………………………………………... 4.8.1 Evaluation des méthodes d’identification sous divers conditions de fonctionnement…………………………………………………………………...…… 4.8.2 Performances dynamiques du FAP………………………………….…………. Comparaison des résultats de simulation : Discussion……………………….…… 4.9.1 Compensation des harmoniques et de la puissance réactive……………….….. 4.9.2 Compensation sélective des harmoniques et de la puissance réactive………… Conclusion…………………………………………………………………………..... 103 104 105 106 106 108 111 115 118 119 124 127 130 133 135 135 136 146 151 152 153 CHAPITRE 5 : Commandes Intelligentes Neuromimétiques en Filtrage Actif 5.1 5.2 5.3 5.4 5.5 5.6 5.7 Introduction……………………………………………………………………..…… Le système de commande dans un FAP…………………………………..………... Principe de la commande de l’onduleur au sein d’un FAP…………………...…... Commandes classiques de l’onduleur………………………………………………. 5.4.1 Commande des courants par hystérésis…………………………………………. 5.4.2 Commande des courants par MLI…………………………………………..….. Commandes intelligentes neuromimétiques……………………………………….. 5.5.1 Commande avec un régulateur PI- neuronal……………………………………. 5.5.2 Commande directe avec apprentissage hors ligne……………………………… 5.5.3 Commande inverse à base MLP (apprentissage en ligne)……………………... Autres Commandes intelligentes : Commande de l'onduleur avec la logique flou…. Régulation de la tension continue…………………………………………………... 5.7.1 Régulation V par i ……………………………………….………………... 5.7.2 Régulation V par ∆p…………………………………………….…………... 157 157 158 159 159 159 160 161 162 162 164 166 167 168 Table des Matières 5.8 Type du régulateur de la tension continue…………………………………….…... 5.9 Résultats de simulation des contrôleurs de courants……………………………… 5.10 Résultats et synthèse de l'architecture complète du FAP…………………………. 5.10.1 Modèle de simulation du FAP……………………………………….……..… 5.10.2 Compensation classique…………………………………………….…………. 5.10.3 Compensation purement neuronale………………………………..……….…. 5.10.4 Compensation combinée neuronale/flou……………………………………… 5.10.5 Compensation combinée neuronale/classique……………………………….... 5.11 Conclusion…………………………………………………………………..………... 168 169 172 172 173 174 180 180 182 Conclusion générale………………….………………………………………………....... 183 Annexe A………………………………………………………………………………….…... 186 A.1 A.2 Modélisation d’un système triphasé……………………………….………………..... 186 Matrices de passage…………………………………………………………..…….... 187 Annexe B ……………………………………………………………………………………... 188 B.1 Interprétation physique des puissances active, réactive et homopolaire…………….. 188 B.2 Théories des puissances instantanées P-Q…………………………………………… 189 Table des Figures 1 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17 1.18 1.19 1.20 1.21 1.22 1.23 1.24 Insertion d’un filtre actif parallèle au sein d’un réseau de distribution électrique……….. Paramètres caractéristiques : a) forme d’onde d’un creux de tension, b) forme d’onde d’une coupure de tension ; c) Rms (1/2)………………………………………………… Les fluctuations de tension………………………………………………………… Variation de fréquence…………………………………………………………………… Déséquilibre du système triphasé…………………………………………………... Phénomène transitoire……………………………………………………………………. Représentation des harmoniques, inter-harmonique et infra-harmonique…………… Modélisation d’une charge non-linéaire (source de courant)…………………………….. Décomposition harmonique d’une onde polluée (distordue)……………………………. Division des courants harmoniques dans une bifurcation………………………………... Influence des harmoniques de courant sur la tension au point de raccordement : dégradation de la tension du réseau par une charge non linéaire………………………... Diagramme de Fresnel des puissances…………………………………………………… Redresseur dodécaphasé parallèle………………………………………………………... Schéma d’un SVC……………………………………………………………………….... Principe d’un filtre passif résonnant……………………………………………………..... Principe d’un filtre passif amorti………………………………………………………... . Filtre actif parallèle FAP…………………………………………………………………. Filtre actif série FAS…………………………………………………………………….... Filtrage universel / filtre combiné parallèle-série actifs (UPQC)………………………… Filtre actif série et filtre passif parallèle………………………………………………….. Filtre actif parallèle avec un filtre passif parallèle………………………………………… Filtre actif série connecté en série avec un filtre passif parallèle…………………………. Structure d’un filtre actif………………………………………………………………….. Schéma de la stratégie de filtrage actif parallèle……………………………………..…… Structure d’un filtre de sortie LPF 3ème ordre…………………………………………….. 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 2.12 2.13 Structure d’un neurone biologique………………………………………………………... Représentation d'un neurone formel : Modèle mathématique d’un neurone biologique…. Apprentissage supervisé…………………………………………………………………... Apprentissage non-supervisé……………………………………………………………… Structure d’un réseau de neurones (à une seule couche cachée)………………………….. Topologie d’un ADALINE……………………………………………………………….. Principe de la méthode de la descente du gradient……………………………………….. Fonctions d’activation d’un neurone artificiel……………………………………………. Structure d’un réseau avec apprentissage compétitif…………………………………….. Classification des processus d’apprentissage…………………………………………….. Schéma de principe d’un système dynamique……………………………………………. Identification directe d’un processus avec un réseau de neurones (forward modelling).... Identification inverse d'un processus avec un réseau de neurones………………………... 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 1.10 2 9 10 10 11 11 12 15 15 16 16 20 22 23 24 24 25 25 26 27 27 27 29 31 32 38 38 41 41 42 44 46 47 50 51 54 56 56 2.14 2.15 2.16 2.17 2.18 2.19 2.20 2.21 2.22 2.23 2.24 2.25 Identification du Jacobien d’un processus……………………………………………….. Schéma de commande inverse avec un RNC……………………………………………... Commande inverse-directe sans modèle de référence…………………………………….. Identification d’un régulateur conventionnel avec un RNI……………………………….. Apprentissage en parallèle avec un régulateur……………………………………………. Apprentissage d’un régulateur…………………………………………………………….. Auto-ajustement des paramètres d’un régulateur…………………………………………. Commande directe avec modèle de référence………………………………………….. Commande inverse avec modèle de référence……………………………………….. Commande indirecte avec un modèle de référence……………………………………..... Structure générale de la partie puissance d’un filtre actif parallèle……………………… Principe de la commande de la tension continue d’un VSI………………………………. 56 58 58 59 59 59 60 61 61 61 66 68 3.1 3.2 3.3 Passage dans le repère tournant de Park de la composante……………………….. 74 75 77 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 3.13 3.14 3.15 3.16 3.17 3.18 3.19 3.20 Structure classique d’une PLL triphasée…………………………………………………. PLL-Neuronale triphasée basée sur l’utilisation des Adalines…………………………..... Bloc d’extraction de la composante directe de tension basant sur la théorie des puissances instantanées PQ……………………………………………………………….. Résultats de simulation caractérisant le bloc d’extraction de la composante directe de tension basant sur la théorie des puissances instantanées PQ…..……. Structure du réseau ADALINE pour l’estimation de la puissance fictive p′……………… Structure fonctionnelle de l’algorithme d’apprentissage de Widrow-Hoff………………. Structure fonctionnelle de l’algorithme d’apprentissage de Widrow-Hoff……………... PLL -Neuronale triphasé proposée avec la phase instantanée détectée avec un VCOneuronale proposé………………………………………………………………………..... 1ère méthode neuronale dédiées à l’estimation de fréquence (la phase instantanée) du réseau basée sur des lignes à retard……………………………………………………….. PLL triphasé avec la fréquence détectée par un ADALINE………………………………. 2ère méthode neuronale dédiées à l’estimation de fréquence (la phase instantanée) du réseau multiplié et retardé…………………………………………………………………. Comparaison entre les performances de la PLL conventionnelle et la PLL-Neuronale proposée basé sur un VCO-neuronale proposé, pour une tension source déséquilibrée…. Comparaison entre les performances de la PLL conventionnelle et la PLL-Neuronale proposée, pour une tension source polluée par le 3ème et le 5ème harmoniques……………. Caractéristiques d’une PLL-Neuronale qui utilise un ADALINE basé sur une forme récursive, pour une tension polluée puis déséquilibrée à = 0.06 ……………………... Spectre fréquentiel de la tension directe estimée (phase a) obtenue par les différents PLL utilisées sous une tension source polluée par le 3ème et le 5ème harmonique……….. Spectre fréquentiel de la tension directe estimée (phase a) obtenue par les différents PLL utilisées sous une tension source déséquilibrée…………………………………… Extraction des systèmes direct et inverse de tensions en cas d’apparition d’une chute identique d'amplitude de 50% au niveau des trois phases à = 0.08 ………………... Extraction des systèmes direct et inverse de tensions en cas d’apparition d’une chute d'amplitude de 50% au niveau de la phase « a » à = 0.08 …………………………… Extraction des systèmes direct et inverse de tensions en cas d’apparition d’une coupure au niveau de la phase « a » à = 0.08 ………………………………………………… 79 80 81 82 83 84 88 89 90 91 92 93 94 94 96 97 98 3.21 3.22 3.23 3.24 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 4.14 4.15 4.16 4.17 4.18 4.19 4.20 4.21 4.22 4.23 4.24 4.25 4.26 Comparaison entre la tension directe estimée par les différentes PLL utilisées en cas d’apparition d’une chute de tension d'amplitude de 50% au niveau de la phase « a » ..... Spectre fréquentiel de la tension directe estimée (phase a), par les différentes PLL, en cas d’apparition d’une chute de tension d'amplitude de 50% au niveau de la phase « a ».. Comparaison entre la tension directe estimée par les différentes PLL utilisées (phase a) en cas d’une apparition d’une coupure de tension de la phase « a » …………………….. Spectre fréquentiel de la tension directe estimée (phase a), par les différentes PLL, en cas d’apparition d’une coupure de tension de la phase « a »……………………………… Architecture générale d’un filtre actif parallèle : Rôle de la partie identification des courants harmoniques de références………………………………………………………. Structure de l'ADALINE sur la première phase pour la méthode d'identification……….. Structure d'identification des courants de références avec la méthode tri-monophasée avec deux ADALINE……………………………………………………………………... Structure d'identification des courants de références avec la méthode tri-monophasée Modifier avec un seul ADALINE…………………………………………………………. Structure d'identification des courants harmoniques par la méthode des courants diphasés……………………………………………………………………………………. Structure d'identification des courants harmoniques par la méthode des courants diphasés avec un seul ADALINE ……………………………………………………….................. Schéma principal de la méthode synchronisée d’identification neuronale……………….. ADALINE utilisé dans la méthode neuronale synchronisée……………………………… Schéma de principe de la compensation par la méthode P-Q…………………………….. Structure d'identification des courants de références avec la méthode des P-Q utilisant des Adaline………………………………………………………………………………... Schéma de calcul des courants de référence par la méthode P-Q modifiée neuronale……. Méthode neuronale des courants actif et réactif…………………………………………... Schéma de circuit du FMV………………………………………………………………... Algorithme d’identification des courants harmoniques de référence à base du filtre FMV……………………………………………………………………………………..... Algorithme d’identification des courants harmoniques 5et 7 à base du FMV…………... Performance de la méthode Trimonophasée-Modifiée neuronale………………………. Performance de la méthode Trimonophasée neuronale…………………………………... Performances de la méthode directe-neuronale…………………………………………... Performances de la méthode diphasée dq-neuronale…………………………………....... Performances de la méthode diphasée Modifier dq- neuronale………………………….. Performance de la méthode Synchronisée neuronale…………………………………...... Performances de la méthode des puissances instantanées PQ neuronale………………... Performances de la méthode des puissances instantanées PQ-Modifiée neuronale……... Performances de la méthode des courants actifs et réactifs neuronale………………….... Performances de la compensation des harmoniques par la méthode Diphasée d-q basée sur la FMV (commande neuronale)………………………………………………………. Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm) : méthode directe neuronale………………………………………………………………………….. 99 99 100 100 104 107 109 110 113 115 116 118 121 123 126 130 131 132 133 137 138 139 140 141 142 143 144 145 146 147 4.27 4.28 4.29 4.30 4.31 4.32 4.33 4.34 4.35 4.36 4.37 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 5.10 Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm): méthode Synchronisée neuronale…………………………………………………………………… Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm) : méthode trimonophasé-neuronale…………………………………………………………………... Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée. c) polluée par les harmoniques (5harm+7harm) : méthode trimonophasée-neuronale-Modifiée………………………………………………………. Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm) : méthode diphasée dq-neuronale……………………………………………………………………. Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm) : méthode diphasée dq-Modifiée neuronale………………………………………………………….. Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm): méthode des puissances instantanées PQ neuronale……………………………………………………. Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm) : méthode des puissances instantanées PQ –Modifiée neuronale……………………………………. Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm): méthode des courants actifs et réactifs neuronale………………………………………………............. Spectre fréquentiel du courant de la phase’a’ en cas d’une source : a) équlibrée, b) Déséquilibrée, c) polluée : méthode Diphasée DQ basée sur FMV et un contrôlecommande neuronale……………………………………………………………………... Spectre fréquentiel du courant de la phase’a’ en cas d’une source : a) équlibrée, b) Déséquilibrée, c) polluée : méthode des puissances instantanées PQ classique basé sur FPB (commande par hystérésis)……………………………………….…………………. Comparaison entre les différentes méthodes d'identification neuronales et classiques : (a, b) lors d’une charge déséquilibrée et (c, d) lors d’une tension source perturbée………… Architecture générale d’un filtre actif parallèle : Rôle de la partie commande…………. Schéma de commande par hystérésis……………………………………………………... Schéma de commande par MLI…………………………………………………………... Commande des interrupteurs par MLI……………………………………………………. Schéma de commande avec un régulateur PI- neuronal…………………………... Schéma de commande directe de l’étage de puissance (onduleur et filtre de sortie) par un réseau de neurone MLP……………………………………………………………….. Schéma de commande inverse de l’étage de puissance (onduleur et filtre de sortie) par un réseau de neurone MLP………………………………………………….…………….. Architecture du neurocontrôleur MLP…………………………………………………..... Structure d’une commande par la logique floue d’un système non linéaire……………… Schéma de commande d’un onduleur et filtre de sortie par la logique floue : application à la commande d’un FAP…………………………………………………………………… 147 148 148 149 149 152 152 152 153 153 155 158 159 160 160 161 162 163 164 165 166 5.11 5.12 5.13 Principe de la commande de 5.14 Performance de la commande intelligente de l’onduleur (commande neuronale et floue) et classique………………………………………………………………………………... Schéma global de la stratégie de compensation par un FAP-neuronal…………………… Performances dynamiques de l’approche classique avant compensation et après 170 173 compensation……………………………………………………………………… 174 Performances de la compensation des harmoniques par les approches neuronale : utilisation d’un contrôleur neuronal direct pour une source déséquilibrée (réponse dynamique du FAP-Neuronal………………………………………………………….…. Performances de la compensation des harmoniques par les approches neuronale : utilisation d’un contrôleur neuronal inverse pour une source déséquilibrée……………... 176 5.15 5.16 5.17 5.18 5.19 5.20 5.21 5.22 par …………………………………………………. Principe de la commande de par ∆ ̅ …………………………………………..….. Allure de la tension continue pour les Régulateur : neuronal, flou et classique………….. Performances de la compensation des harmoniques par les approches neuronale : utilisation d’un contrôleur PI-neuronal pour une source déséquilibrée…………………… Performances de la compensation des harmoniques par les approches neuronale : utilisation d’un contrôleur –flou pour une source déséquilibrée……………………..…... Spectre d’harmonique du courant coté source (phase a) après compensation : sous une tension source polluée par les harmoniques 7harm et 5harm………………………………………………. Spectre d’harmonique de courant coté source (phase a) après compensation: sous une tension source déséquilibrée……………………………………………………………..... 167 168 169 177 178 179 181 181 Liste des tableaux 1.1 Caractéristiques des différentes perturbations (origines et formes d’ondes). ….… 8 1.2 Caractéristiques de quelques générateurs d’harmoniques………………………….. 13 1.3 Niveaux de compatibilité pour les tensions harmoniques individuelles sur les réseaux publics basse tension (norme CEI 61000-2-2)…………………………….. 17 1.4 Limites des composantes harmoniques en courant (norme IEC 61000-3-2)……….. 17 1.5 Les principaux effets des harmoniques ainsi que les niveaux admissibles habituels…………………………………………………………………………….. 18 1.6 Récapitulatif des différentes solutions de dépollution /Topologies de filtres actifs... 28 2.1 Analogie entre le neurone biologique et le neurone Artificiel……………………... 39 3.1 Comparaison entre le taux de distorsion total ( %) de la tension directe estimée, pour les différentes PLL utilisées………......…………………………….. 94 4.1 4.2 4.3 5.1 5.2 5.3 Caractéristiques des différentes méthodes neuronales d’identification des harmoniques………………………………………………………………………... 134 Performances dynamique des méthodes d’identification des harmoniques sous une tension source perturbée (équilibrée, déséquilibrée, puis polluée)…………………. 149 Performance des méthodes neuronales d’identification sous une variation brusque de la charge…………………………………………………………………………. 150 Caractéristiques des méthodes de commande intelligentes résentées……………… 166 Performance des différentes méthodes de commande intelligente et classique appliquées à la commande des courants de références au sein du FAP……………. 171 Caractéristiques du modèle à simulé…………………………………….................. 173 5.4 Résultats comparatifs entre les différentes combinaisons des techniques de compensation……………………………………………………………………….. 181 5.5 Comparaison entre la PLL conventionnelle/PLL neuronale et contrôleur à hystérésis/contrôleur PI-neuronale……………………....……………………......... 181 Introduction Générale Introduction Générale L A surveillance et l’amélioration de la qualité des réseaux électriques doit être entretenue en raison des aléatoires subies pendant le transport de l’énergie électrique. Les perturbations de courant et de tension dans les réseaux de distribution électrique sont causées par la prolifération, des charges non linéaires, comme les équipements intégrant de l’électronique de puissance telles que les convertisseurs statiques (les redresseurs, les gradateurs, etc.), le matériel informatique, les appareils de climatisation ou encore les éclairages à base de tubes fluorescents. Ces appareils absorbent des courants non sinusoïdaux et entraînent de ce fait une augmentation sensible du niveau de pollution harmonique. La présence des harmoniques engendrés par ces charges est devenue une problématique (gênante). Ils circulent dans les réseaux électriques et perturbent sérieusement le fonctionnement normal de certains équipements électriques, dégradent leurs rendements et pouvant même causer leur destruction car, ils affectent la forme d’onde de la tension du réseau au point de raccordement et ils peuvent générer aussi une consommation de puissance réactive. Ces effets néfastes peuvent apparaître instantanément, mais peuvent également se produire en différé tant pour le distributeur que pour les exploitants. C’est pour ces raisons que le filtrage des distorsions harmoniques en courant et en tension est au centre des préoccupations actuelles à la fois des fournisseurs et des utilisateurs d’énergie électrique. Source AP Filtre Actif Parallèl e Charge non linéaire Fig.1 Insertion d’un filtre actif parallèle au sein d’un réseau de distribution Pour des installations électriques existantes, les filtres actifs parallèles (FAPs) sont à ce jour les solutions modernes et efficaces de dépollution les plus adéquates pour restaurer la forme sinusoïdale du courant dans un réseau de distribution électrique. Actuellement, les solutions actives sont celles qui répondent au mieux aux contraintes de la production et de la distribution. Leur réponse est instantanée et elles s’adaptent automatiquement aux évolutions des perturbations introduites par les charges du réseau électrique. Que ce soit dans le secteur industriel ou dans le secteur domestique, les FAPs s’insèrent facilement dans un réseau de distribution électrique sans imposer un aménagement des installations du fournisseur d’énergie ou du consommateur (Fig.1). Le principal objectif visé dans ce mémoire est d’élaborer une stratégie complète d'identification et de commande d'un filtre actif parallèle (FAP) par des techniques 1 Introduction Générale neuromimétiques afin d'améliorer les performances par rapport aux systèmes classiques de dépollution des installations électriques basse tension. L’intérêt de cette approche est d’obtenir une architecture quasiment unifiée et homogène dans tous les blocs constitutifs du FAP en se basant sur l'utilisation des réseaux de neurones Artificiels linéaires de type ADALINE (ADAptive LInear NEuron), réseaux reconnus par leur flexibilité et surtout leur relative simplicité dans l’optique d’une implémentation matérielle efficace afin de bénéficier des performances adaptatives des réseaux de neurones et la simplicité de réglage des réseaux ADALINEs. Notre approche de compensation des harmoniques par le FAP-neuronal proposé, est faite en trois étapes. Les deux premières étapes identifient respectivement les composantes symétriques de tension et les courants harmoniques à l'aide de réseaux de neurones du type ADALINE. La troisième étape injecte les courants harmoniques dans le réseau électrique par un système de commande d’un onduleur de tension à base de Réseaux de Neurones Artificiels (RNAs). On note que, la commande du FAP est d’autant plus efficace que le système de synchronisme est robuste. C’est ainsi que nous tentons de mettre les réseaux de neurones ADALINEs au cœur de la PLL (Phase-Locked Loop) utilisée d’une part pour l’extraction des composantes symétriques de tension et d’autre part pour la détection de la phase et de la fréquence instantanées du réseau électrique. Il convient de rendre notre PLL-neuronale précise, robuste et adaptative afin de synchroniser au mieux le module d’extraction des courants de références. Plusieurs architectures neuronales ont été développées et comparées pour chacune des étapes. La structure proposée s'adapte automatiquement aux variations de la charge du réseau et donc aux fluctuations du contenu harmonique des perturbations. Elle permet également la compensation sélective des harmoniques, la correction du facteur de puissance et la compensation de la puissance réactive. Finalement, des comparatifs réalisés en simulation démontrent que, en filtrage actif, l’approche « tout neuromimétique » conduit à des résultats qui dépassent ceux d’une approche dite classique. Notre travail s’inscrit dans le cadre de la compensation harmonique à l’aide d’un FAP-neuronal à trois fils utilisant un onduleur de tension, avec le but de compenser les perturbations générées par la charge polluante (non-linéaire et déséquilibrée), en se basant sur l’apport des techniques neuromimétiques (RNAs) appliqués à l’identification et la commande. Pour cela nous avons proposé de suivre les étapes suivantes : Dans un premier chapitre, des notions sur la Qualité de l'Energie Electrique (QEE) et les perturbations électromagnétiques dans les réseaux basse tension sont exposées, tout en mettant l’accent sur les harmoniques. Nous parlerons de leurs origines ainsi que leurs conséquences sur les systèmes et les équipements électriques. Nous verrons aussi quelques théories liées à l’analyse des systèmes perturbés comme les solutions appropriées, en particulier le filtrage actif. Finalement nous justifions la sélection du filtre actif parallèle retenu pour la suite de notre étude. Le deuxième chapitre présente un état de l’art sur les Réseaux de Neurones Artificiels appliqués à l’identification et la commande des systèmes dynamiques complexes et 2 Introduction Générale particulièrement au filtrage actif. Après quelques généralités sur les RNAs, nous abordons le processus d’apprentissage. Vue leur large utilisation, nous détaillons l’algorithme d’apprentissage par correction d’erreur et l’algorithme d’apprentissage à rétropropagation du gradient d’erreur. Ensuite, nous discutons plusieurs schémas neuronaux d’identification et de commande. D’autres schémas de commande à base d’apprentissage de régulateurs conventionnels sont également présentés. Vers la fin de ce chapitre, nous évoquons quelques avantages d’utilisation des techniques neuomimétiques par rapport aux techniques classiques et aux autres techniques intelligentes (logique flou, le neuro-floue et les algorithmes génétiques) dans la commande et l’identification des systèmes dynamiques. Dans le chapitre trois, une boucle à verrouillage de phase (PLL) neuronale fera l’objet de notre attention. Cette PLL proposée sert à développer une nouvelle méthode d'extraction des composantes directe, inverse et homopolaire de la tension du réseau en utilisant la méthode des puissances instantanées neuronale à base ADALINE. Pour palier au problème de la fluctuation de la fréquence du réseau, un nouveau système VCO-neuronale (Voltage Controlled Oscilator) triphasé à base d'un réseau ADALINE nommé PI- neuronal est développé et permet de suivre en temps réel toutes les fluctuations. En plus, un ADALINE utilisant en entrée la forme récursive de la tension est étudiée pour justifier notre proposition. L’avantage de la PLL neuronale par rapport à la PLL classique est sa caractéristique adaptative à une grande plage de variation de la fréquence en présence de perturbations sur la tension. Dans le chapitre quatre, plusieurs méthodes d’identification des courants de la charge non linéaire (extraction des courant de références) basées sur des réseaux de neurones linéaires ADALINE sont présentées. Elles sont principalement basées soit dans le repère des puissances instantanées (la méthode des puissances instantanées, la méthode des puissances instantanées modifiée, la méthode des courants actifs), soit dans le repère des courants de la charge (la méthode synchronisée, directe, diphasée et trimonophasée). Dû au fait que ces algorithmes d’identification exigent la connaissance des composantes directes et la phase instantanée de la tension, la PLL triphasée neuronale proposée dans le chapitre trois est utilisée. Ces méthodes ont pour objectif de séparer les composantes fondamentales des courants des composantes harmoniques. Une évaluation comparative en simulation est nécessaire. Dans le chapitre cinq, pour assurer une restitution correcte des courants dans le réseau électrique, nous étudions la phase concernant la génération des signaux de commande du filtrage actif, le pilotage de l'onduleur est réalisé par une commande neuronale. Deux schémas de commande utilisant des réseaux de neurones multicouches avec l'algorithme de la descente du gradient ont été réalisés. Un troisième schéma reprend le principe d'un régulateur PI- neuronale qui emploie un réseau ADALINE est utilisé pour adapter les paramètres proportionnel et intégral. En plus, la régulation de la tension côté continue de l’onduleur est assurée aussi par un régulateur PI- neuronale puis par un régulateur multicouche. Dans la dernière partie de ce chapitre, nous présentons les résultats de simulation du système de filtrage globale constitué de la source et de la charge pour différents schémas de commande. Des simulations effectuées basées sur un banc de tests sur le FAP-neuronal proposé, montent que nos objectifs ont été atteints. Cette thèse s’achèvera par une conclusion générale résumant les principaux résultats obtenus ainsi que les perspectives ouvertes par ce travail. 3 CHAPITRE UN Solutions de Dépollution des Réseaux Électriques et Qualité d’Énergie Sommaire _________________________________________________________________________ 1.1 Introduction……………………………………………………………………………. 5 1.2 Qualité de l'énergie électrique (QEE) ………………………………………………. 5 1.3 Classification et types des perturbations électriques ………………………………. 6 1.3.1 Perturbations et leurs classifications……………………………………………... 6 1.3.2 Types de perturbations …………………………………………………………... 7 1.4 Perturbations électromagnétiques et leurs origines ………………………….……... 7 1.4.1 Creux et coupures de tension…………………………………………………….. 8 1.4.2 Coupure de tension……………………………………………………………….. 9 1.4.3 Les fluctuations rapides de tension………………………………………………. 9 1.4.4 Variation de fréquence…………………………………………………………… 10 1.4.5 Déséquilibre du système triphasé……………………………………………….... 10 1.4.6 Phénomène transitoire………………………………………………………….... 11 1.4.7 Les harmoniques…………………………………………………………………. 11 1.5 Problématique des harmoniques ……………………………………………………... 12 1.5.1 Origines des harmoniques………………………………………………………… 13 1.5.2 Propagation…………….…………………………………………………………. 15 1.5.3 Normes concernant les perturbations harmoniques……………………………… 16 1.5.4 Les effets indésirables causés par les harmoniques……………………………… 18 1.5.5 Caractérisation des perturbations harmoniques …………………………….…… 19 1.6 Solutions de dépollution des réseaux électriques ……………………….……….…... 21 1.6.1 Modification : Solutions traditionnelles de dépollution ......................................... 21 1.6.2 Compensation : Solution classiques de dépollution ……………………………... 22 1.6.3 Filtrage actif : Solutions modernes de dépollution………………………………. 24 1.6.4 Comparatif et choix du FAP/Comparaison entre les différentes topologies de Filtre Actif 27 1.7 Structure générale d´un filtre actif shunt trois fils ………………………………….. 29 1.8 Etude de la partie puissance…………………………………………………………... 30 1.8.1 Onduleur de tension………………………………………………………………. 30 1.8.2 Filtre de sortie……………………………………………………………………. 32 1.8.3 Circuit de stockage d´énergie…………………………………………………….. 33 1.9 Conclusion……………………………………………………………………………… 34 ______________________________________________________________________________________ Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie 1.1 Introduction L A qualité d´énergie peut se définir par rapport à la continuité de la fourniture électrique et la forme de la tension disponible aux points de raccordement, en effet, le distributeur d'énergie doit fournir à l'ensemble de ses clients et utilisateurs une énergie de qualité sous la forme de trois tensions sinusoïdales constituant un réseau triphasé équilibré. Généralement, cette tension subit des perturbations, parfois brusques, durant son transport. Ces diverses perturbations sont causées par l´ensemble des charges non linéaires connectées, d´une part, et à tous les incidents relatifs à la nature physique et matérielle des organes d'exploitation du réseau, d´autre part. Du fait de leurs multiples avantages (souplesse de fonctionnement, excellent rendement, performances élevées) et avec l´utilisation croissante des composants semi conducteurs de puissance chez la plupart des consommateurs, les réseaux électriques sont pollués par des courants harmoniques importants. Ces harmoniques générés sont des perturbations permanentes affectant la forme d´onde de la tension du réseau. La présence de ces harmoniques est gênante et causent des effets néfastes dans la mesure où elles peuvent détériorer les performances du réseau ou des dispositifs raccordé voire même les endommager. Afin d'éviter le dysfonctionnement, voire la destruction des composants du réseau électrique ou des récepteurs finaux, il est indispensable de comprendre l'origine des perturbations et de chercher les solutions adéquates pour les supprimer [Oul-05]. Dans ce chapitre, nous étudierons les caractéristiques générales des perturbations électriques affectant la qualité de l´onde électrique, notamment les harmoniques pour les quelles on s´intéresse particulièrement. Ainsi, nous détaillerons également de leurs origines, les conséquences matérielles et les limites tolérées et imposées par les normes internationales de ces perturbations. Ensuite, les différents types de filtrages (traditionnels et modernes) et les principales solutions seront évoqués pour faire face à ces harmoniques. Finalement, nous exposerons le principe de fonctionnement du filtre actif parallèle, filtre utilisée et développé tout au long de ce mémoire. 1.2 Qualité de l'énergie électrique (QEE) La qualité de l´énergie électrique concerne tous les acteurs du domaine énergétique, qu´ils soient gestionnaires de réseaux, fournisseurs, producteurs, ou consommateurs d´électricité. Elle est devenue un sujet de grand intérêt ces dernières années, essentiellement pour les raisons suivantes [Ign-06] : Des impératifs économiques : les perturbations électriques ont un coût élevé, La généralisation des équipements sensibles aux perturbations et/ou générateurs de perturbations : le développement des équipements d´électronique de puissance, L´ouverture du marché de l´électricité : les fournisseurs se doivent donc de fournir à leurs clients une énergie avec une qualité maximale. 5 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie Dans la pratique, l´énergie électrique distribuée se présente sous la forme d´un ensemble de tensions constituant un système sinusoïdal triphasé, qui possède quatre caractéristiques principales : la fréquence, l´amplitude des trois tensions, la forme d´onde qui doit être la plus proche possible d´une sinusoïde, la symétrie du système triphasé, caractérisée par l´égalité des modules des trois tensions et de leur déphasage relatif. Le jugement la qualité de la tension est basé sur la mesure de ces paramètres. En effet, une détérioration de l'un d'entre eux ou de plusieurs à la fois laisse supposer la présence d'une anomalie ou d´une pollution dans le réseau électrique. Le terme « qualité du courant » est rarement utilisé, car la qualité du courant est étroitement liée à la qualité de la tension et la nature des charges. Pour cette raison, « la qualité de l´énergie électrique » est souvent réduite à «la qualité de la tension» [Ign-06]. En effet, le terme de «qualité de l´énergie» s´applique uniquement à celle de la tension. 1.3 Classification et types des perturbations électriques 1.3.1 Perturbations et leurs classifications Les perturbations sont tous les phénomènes internes ou externes au réseau ayant un pouvoir de modifier d´une manière transitoire ou permanente en amplitude et/ou en forme les grandeurs électriques du réseau (courant, tension, fréquence). Ces perturbations peuvent être classées selon deux critères; selon la durée de persistance, ou selon le mode d´affectation c´est à dire leurs conséquences sur les grandeurs électriques. Ainsi, selon la première classification, on a deux catégories essentielles [Ham-08]. Perturbations périodiques (qui durent dans le temps), comme le cas des distorsions harmoniques, chutes de tension dues aux flux de puissance réactive dans le réseau, et les déséquilibres. Perturbations apériodiques où l´en a principalement l´ensemble des phénomènes fugitifs souvent très difficiles à prévoir comme les creux de tension ou surtension transitoires. En se basant sur les paramètres caractérisant la tension et énumérés au paragraphe précédent, on distingue quatre familles de perturbations électriques: les variations de l´amplitude (creux de tensions, coupures brèves et surtensions, flicker), les fluctuations de la fréquence autour de la fréquence fondamentale, les modifications de la forme d´onde (harmoniques, inter-harmoniques, bruits), la dissymétrie du système triphasé: déséquilibre. Un autre type de classification des perturbations électriques peut également être élaboré en se basant sur leur durée [Hey-98] : 6 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie les perturbations transitoires, les perturbations de courte durée, les perturbations permanentes. Les perturbations électriques transitoires ont une durée de moins d´une demi-période fondamentale. Elles ont pour principale origine les manœuvres d´ouverture et de fermeture sur le réseau de transport et de distribution, mais également des phénomènes naturels tels que la foudre. Les perturbations de courte durée sont les creux de tension, les coupures brèves et les surtensions, qui sont généralement provoquées par la présence de courts-circuits. Elles se caractérisent par des variations importantes de l´amplitude de la tension, et peuvent avoir des conséquences néfastes et coûteuses sur les équipements électriques. Les perturbations permanentes : Dans cette catégorie on retrouve les harmoniques, le bruit, le déséquilibre et les variations de tension et de fréquence. Elles sont généralement provoquées par la présence de charges non linéaires et fluctuantes au sein du réseau électrique. Elles se caractérisent par de faibles variations de l´amplitude, et sont à l´origine d´échauffement, de pertes supplémentaires, de vieillissement prématuré des équipements électriques et de dysfonctionnements sur certains appareillages de contrôle-commande. 1.3.2 Types de perturbations Afin de bien analyser les pollutions des réseaux électriques en basse tension et, par conséquent, de trouver les meilleures méthodes de dépollution, on va distinguer deux types de perturbations, à savoir les perturbations de courant et celles de tension [Ala-02]. Les courants perturbateurs comme les courants harmoniques, les courants déséquilibrés et la puissance réactive sont majoritairement émis par des charges non linéaires, à base d´électronique de puissance, et/ou déséquilibrées. La puissance réactive peut être aussi consommée par des charges linéaires inductives comme les moteurs asynchrones qui sont largement présents dans les sites industriels. Les perturbations de tension comme les creux, les déséquilibres et les harmoniques de tension trouvent généralement leurs origines dans le réseau électrique lui-même mais parfois également dans les charges. Ces types de perturbation ont des effets très néfastes sur les équipements électriques. Ces effets peuvent aller des échauffements ou de l´arrêt des machines tournantes jusqu´à la destruction totale de ces équipements. 1.4 Perturbations électromagnétiques et leurs origines La mesure de QEE consiste habituellement à caractériser les perturbations électromagnétiques conduites basse fréquence (< 9 kHz), gamme élargie pour les surtensions transitoires et la transmission de signaux sur réseau) [Fer-01] : 7 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie creux de tension et coupures (voltage dips and interruptions), harmoniques (harmonics), interharmoniques (interharmonics) surtensions temporaires (temporary overvoltages), surtensions (swell), surtensions transitoires (transient overvoltages), fluctuations de tension (voltage fluctuations), déséquilibres de tension (voltage unbalance), variations de la fréquence d´alimentation (power-frequency variations), tension continue dans les réseaux alternatifs (d.c. in a.c. networks), tensions de signalisation (signalling voltages). Il n´est en général pas nécessaire de mesurer l´ensemble de ces perturbations. Elles peuvent être groupées en quatre catégories selon qu´elles affectent l´amplitude, la forme d´onde, la fréquence et la symétrie de la tension. Plusieurs de ces caractéristiques sont souvent modifiées simultanément par une même perturbation. Elles peuvent aussi être classées selon leur caractère aléatoire (foudre, court- circuit, manœuvre…) permanent ou semi permanent (voir tableau 1.1). Tab.1.1 Caractéristiques des différentes perturbations (origines et formes d’ondes). Creux de tension Perturbations Surtensions Harmoniques Déséquilibres Fluctuations de tensions Formes d´ondes caractéristiques Origine de la perturbation Réseau Défauts d´isolement, rupture du conducteur de neutre… Manœuvres et ferrorésonance Foudre ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ Equipements Moteur asynchrone Moteur synchrone Machine à souder Four à arc Convertisseur Charges informatiques Eclairage Onduleur Batterie de condensateurs : Phénomène occasionnel : Phénomène fréquent 1.4.1 Creux et coupures de tension Par définition, un creux de tension est une chute de tension de 10% à 90% de la valeur nominale pour une durée de 10ms jusqu´à 1min [IEEE-1159] [Fer-01] [Ign-06]. 8 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie Les creux de tension ont pour principale origine les courts-circuits affectant le réseau électrique ou les installations raccordées, et le démarrage des moteurs de forte puissance, la mise sous tension de gros transformateurs. Toutefois, les courts-circuits restent la principale cause de creux de tension et de coupures brèves. Ils engendrent des variations brusques de l´amplitude de la tension et pour cette raison, les creux de tension correspondants se caractérisent par une forme rectangulaire en fonction de temps. Les courts-circuits peuvent affecter une, deux ou trois des phases et peuvent engendrer des déphasages supplémentaires entre elles [Ign-06]. Les paramètres caractéristiques d´un creux de tension sont donc: sa profondeur ∆U (ou son amplitude) et sa durée ∆T (Fig. 1.1.c) [Fer-01]. 1.4.2 Coupure de tension Une coupure de tension apparaît quand la tension de charge baisse brusquement à moins de 10% de la tension nominale (ou une disparition totale) sans dépasser 1 minute pour les coupures brèves et supérieure à une minute pour les coupures longues. Les coupures sont un cas particulier de creux de tension. Elles sont caractérisées par un seul paramètre: la durée ∆T [Fer-01]. L´interruption de la tension peut être causée par des défauts du système électrique (court circuit sur les lignes de distribution ou dans les bobinages statoriques d´un générateur, etc.), des défauts des équipements connectés au réseau et des commandes mal conçues [Ngu-10]. La plupart des appareils électriques admettent une coupure totale d'alimentation d'une durée ∆T inférieure à 10ms [Oul-05]. Les figures 1.1.b et 1.1.b montrent un exemple de creux et de coupure de tension. a) c) Rms (1/2) 110 100 90 ΔU=30% (Profondeur) 70 U (Amplitude ) ΔT=140ms (Durée) 10 t (ms) 0 50 100 150 200 250 b) Fig. 1.1 Paramètres caractéristiques : a) forme d’onde d’un creux de tension, b) forme d’onde d’une coupure de tension ; c) Rms (1/2). 1.4.3 Les fluctuations rapides de tension Les fluctuations rapides de tension sont des variations aléatoires de l´amplitude de la tension dans une bande de ±10% de sa tension absorbée (machine à souder, four à arc, laminoir….etc). 9 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie Ces fluctuations se manifestent aussi par un papillotement de l´éclairage des lampes à incandescence, phénomène appelé «Flicker». Ces fluctuations se traduisent par des variations d'intensité, visible au niveau de l'éclairage causant un gène visuel perceptible. Un exemple de fluctuation de tension est montré dans la figure 1.1.b. temps (s) Fig. 1.2 Les fluctuations de tension. 1.4.4 Variation de fréquence Une variation sensible de la fréquence du réseau (Fig. 1.3) peut apparaître sur les réseaux des utilisateurs non interconnectés ou alimentés par une source autonome (thermique, solaire, etc.). Dans le réseau de distribution (plutôt en hydroélectricité), cette variation de fréquence est très rare et n´est présentée que lors de conditions exceptionnelles, comme dans le cas de certains défauts graves sur le réseau (problème de turbine, etc.) [Ngu-10]. Elles se manifestent par des perturbations des vitesses et des couples dans les machines synchrones et asynchrones, et parfois par l´arrêt entier des systèmes [Ham-08]. Dans les conditions normales d´exploitation, la fréquence fondamentale doit être comprise dans l´intervalle de 50Hz ±1% [Oul-05]. Fig. 1.3 Variation de fréquence. 1.4.5 Déséquilibre du système triphasé Un système triphasé déséquilibré est un système dont les courants ou les tensions ne sont pas identiques au niveau de l´amplitude ou lorsqu´ils ne sont pas décalés de 120o les unes par rapport aux autres (Fig. 1.4). Dans la situation idéale, le système triphasé est équilibré avec des charges identiques. En réalité, les charges ne sont pas identiques et de plus, des événements peuvent survenir sur les lignes de distribution (la coupure d´une phase, le court-circuit soit monophasé ou biphasé, . . .). Ce déséquilibre se manifeste par des perturbations dans les machines tournantes, des échauffements... etc. On note que, un réseau électrique triphasé équilibré alimentant un récepteur électrique triphasé non équilibré conduit à des déséquilibres de tension dus à la circulation de courants non 10 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie équilibrés dans les impédances du réseau. En pratique, un taux de déséquilibre de tension de 1 % pendant une longue période, et 1,5 % de moins de quelques minutes est acceptable [Fer-01]. Les déséquilibres peuvent être caractérisés par un taux de déséquilibre ( )défini comme étant le rapport entre le module de la composante inverse ( )et celui de la composante directe ( ): = (1.1) Ce type de perturbations sera détaillé dans le chapitre 3. Fig. 1.4 Déséquilibre du système triphasé. 1.4.6 Phénomène transitoire Les perturbations électriques transitoires ont une durée de moins d´une demi-période fondamentale. Elles ont pour principale origine les manœuvres d´ouverture et de fermeture sur le réseau de transport et de distribution, mais également des phénomènes naturels tels que la foudre. Le phénomène transitoire (Fig. 1.5) est un des phénomènes parmi les plus importants dans l´analyse de la qualité d´un système électrique. Il est caractérisé par le temps de montée (rise time) et le temps de réponse (response time). Dans le réseau de distribution, la plupart des phénomènes transitoires sont causés par l´utilisation d´éclairage, de condensateurs stimulés (capacitor switching) et par des commutations de charges (le démarrage des moteurs par exemple), etc. Ce phénomène peut dégrader de manière transitoire le fonctionnement des équipements par des variations rapides [Ngu-10]. Fig. 1.5 Phénomène transitoire. 1.4.7 Les harmoniques Les harmoniques sont des tensions ou des courants sinusoïdaux ayant des fréquences multiples de nombres entiers de la fréquence fondamentale (habituellement 50 Hz en Europe ou 60 Hz aux 11 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie État Unis) à laquelle le circuit d´alimentation est conçu pour fonctionner. Les formes d´onde périodique quelconques peuvent être décomposées en la somme de la fréquence fondamentale et des harmoniques [Ngu-10]. inter-harmoniques et infra-harmoniques : Il est à noter qu´il existe aussi des perturbations sur des rangs harmoniques non multiple entier du fondamental. Ces derniers se dénomment inter ou infra-harmoniques. Les inter-harmoniques sont des composantes sinusoïdales qui ne sont pas des fréquences entières de celle du fondamental. Les infra-harmoniques sont des composantes qui sont à des fréquences inférieures à celle du fondamental. Ces deux catégories de perturbations sont dues à des variations périodiques et aléatoires de la puissance absorbée par certains appareils (commande par train d'ondes, ...). La figure 1.6 illustre cette répartition. L´apparition des inter-harmoniques est en augmentation et leurs origines principales sont les convertisseurs statiques de fréquence, les variateurs de vitesse et d´autres équipements similaires de contrôle-commande [Oul-05]. Les inter-harmoniques peuvent être trouvés dans les réseaux de toutes les classes de tension (en basse et haute tension) [Ngu-10]. Ces perturbations ont d´ordinaire une amplitude relativement réduite, mais peuvent être gênants s´ils provoquent des résonances. Ils peuvent également avoir des effets très néfastes lorsque leur fréquence se situe dans les plages de fréquence réservées pour les signaux de commande. En effet, les perturbations harmoniques feront l´objet de la section suivante et seront au cœur de nos préoccupations tout au long de ce mémoire. Infra-Harmonique Fondamentale Inter-Harmonique Harmonique 1 2 3 4 5 6 7 Rang de fréquence (h) Fig. 1.6 Représentation des harmoniques, inter-harmonique et infra-harmonique. 1.5 Problématique des harmoniques La problématique des harmoniques, également appelée pollution harmonique, n´est pas un phénomène nouveau. Néanmoins, du fait que de plus en plus de charges non linéaires se connectent au réseau, la problématique des harmoniques est devenue très répandue. Les charges non linéaires provoquent une distorsion dans le courant, et donc dans la tension, ce qui peut entraîner un mauvais fonctionnement des dispositifs raccordés au réseau. D´où, l´intérêt d´éliminer ces harmoniques. On présentera brièvement l´origine de ces harmoniques, leur propagation, les effets qu´ils produisent et la façon de les quantifier. 12 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie 1.5.1 Origines des harmoniques [Ign-06] [Dzo-11] Les harmoniques proviennent des caractéristiques non linéaires des dispositifs et des charges connectés sur le système d´alimentation. Les principales sources d´harmoniques sont les dispositifs contenant des éléments qui commutent (les convertisseurs statiques), et les dispositifs à caractéristique tension- courant non linéaire (Tab.1.2). Tab.1.2 Caractéristiques de quelques générateurs d’harmoniques. Charge non linéaires Forme d´onde Spectre THD Variateur de vitesse 44% Redresseur/ chargeur 28% Charge informatique 115% Eclairage fluorescent 53% 1.5.1.1 Convertisseurs statiques Du fait de leurs multiples avantages (souplesse de fonctionnement, excellent rendement énergétique, performances élevées…) l´utilisation d´équipements à base d´électronique de puissance se généralise et les convertisseurs statiques sont les sources d´harmoniques les plus gênantes du fait du nombre et de la puissance des dispositifs installés. On peut citer de manière non exhaustive : Les redresseurs monophasés et triphasés. Ils génèrent des harmoniques dont la fréquence dépend sensiblement de la commande adoptée. Les cycloconvertisseurs utilisés pour régler la vitesse des moteurs à courant alternatif. Ils génèrent des spectres complexes, généralement riches en fréquences et dépendant de leur structure et de leur commande. Les gradateurs utilisés dans les entraînements de faible puissance, les systèmes d´éclairage et de chauffage et les systèmes de conduite des réseaux. Les gradateurs génèrent des harmoniques dont l´amplitude et la phase dépendent de l´angle d´allumage des thyristors. 13 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie Les variateurs de vitesse électronique constitués principalement d´un convertisseur statique et d´une partie électronique, destinés à commander la vitesse d´un moteur électrique. 1.5.1.2 Dispositifs à caractéristique tension-courant non linéaire Parmi les dispositifs à caractéristique tension-courant non linéaire on distingue : Les fours à arc. Les fours à arc sont connectés directement au réseau de transmission, généralement sans recours à un filtrage adéquat. Leur impédance varie de manière aléatoire et de surcroît, elle est particulièrement asymétrique. Par ailleurs les fours à arc génèrent des harmoniques de toutes les fréquences, ainsi que des interharmoniques dont les amplitudes dépassent nettement le bruit de fond. Les inductances saturées. De telles inductances ont leur impédance fonction de l´amplitude du courant qui les traverse, et de ce fait provoquent par contre-réaction des déformations notables de ce courant. Les transformateurs. A cause de leur caractéristique tension-courant non linéaire, les transformateurs génèrent des harmoniques qui dépendent sensiblement de l´amplitude et de la forme de la tension d´alimentation. Les machines tournantes. Elles engendrent des harmoniques d´amplitudes souvent négligeables. Les petites machines synchrones sont toutefois génératrices de tensions harmoniques de rang 3. Dans une moindre mesure, d´autres charges non linéaires, c´est-à-dire qui n´absorbent pas un courant sinusoïdal, même lorsqu´elles sont alimentées par une tension sinusoïdale peuvent être citées parmi les générateurs d´harmoniques [Dzo-11] : Les appareils domestiques tels que, téléviseurs, lampes fluorescentes à ballast électronique, lampes à décharges ; Les alimentations à découpage informatique. Actuellement, la principale source de la présence des harmoniques dans les réseaux électriques est l'utilisation de plus en plus croissante d'équipements de l'électronique de puissance à base de thyristors [Oul-05]. Ces appareils, dont les caractéristiques électriques non linéaires varient avec la valeur de la tension (En effet, ces systèmes absorbent des courants non sinusoïdaux, même s´ils sont alimentés par une tension sinusoïdale) sont assimilables à des générateurs de courants harmoniques (Fig. 1.7). Par conséquent, la décomposition en séries de Fourier du courant absorbé par une charge nonlinéaire, peut modéliser cette dernière comme l´addition de plusieurs sources de courant (une pour chaque composante fréquentielle) mises en parallèle [Lop-06]. ) = + +… … . + = + √2 cos ω + φ ) + ⋯ + √2 cos ω + φ ) 1.2) Si on suppose une charge non-linéaire triphasée, alors les courants absorbés par chaque phase seront : ) = + √2 cos ω + φ ) + ⋯ + √2 cos ω + φ ) 1.3) 14 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie ! ) = + √2 cos ω + φ − $ ) + ⋯ + √2 #π cos ω + φ − % ) = + √2 cos ω + φ + $ ) + ⋯ + √2 #π cos & ω + φ + #π ) $ #π ' $ (1.4) 1.5) . Fig. 1.7 Modélisation d’une charge non-linéaire (source de courant). Fig. 1.8 Décomposition harmonique d’une onde polluée (distordue). La figure 1.8 donne l´allure d´une onde polluée par des harmoniques de rang 5 et 7. La décomposition de cette onde permet de mettre en évidence ces harmoniques considérées comme les plus néfastes, ainsi que la composante fondamentale. Dans les réseaux éclectiques triphasés, les principales composantes harmoniques sont de rangs 5, 7, 11 et 13 (k = 6*h ±1), avec (h =1, 2, …). Généralement, les charges du réseau sont symétriques, d´où les harmoniques de rang 2 sont sensées être nulles. Les ponts de diodes sont les plus présents sur les applications de puissance pour plusieurs raisons. En effet, ils sont non commandables, avec une durée de vie importante et un coût d´achat beaucoup plus faible que d´autres solutions plus évoluées. 1.5.2 Propagation Les harmoniques de courant, une fois injectés par des charges non linéaires, se propagent à travers le réseau. Pendant leur propagation, ils trouvent deux types d´obstacle [Lop-06] : Les bifurcations : à chaque bifurcation le courant se partage en fonction de l´impédance observée sur chaque branche de la bifurcation (selon la loi du diviseur de courant). Comme les impédances du réseau dépendent généralement de la fréquence, l´impédance vue par chaque harmonique est différente et donc le rapport entre les courants acheminés par chaque branche aussi. Les impédances asymétriques : l´impédance du réseau est pratiquement identique pour le système direct et inverse, tandis que son impédance homopolaire dépend de plusieurs facteurs comme le régime de neutre, le couplage ou les caractéristiques des circuits magnétiques, etc. La propagation des harmoniques homopolaires est donc tributaire de tous ces paramètres. 15 Chapitr hapitre 1: Solutions de Dépollution des Réseaux Électriqu ectriques et Qualité d´Énergie ,. .) /00 -) .) ,- -) = . = . ,,- + ,. ,. ,- + ,. Charge non linéaire néaire Fig. 1.9 Division Divis des courants harmoniques dans une bifurcatio urcation. Générateur teur d’harmoniques iques + Source de tension ,* ,* /00 Autres charges Fig. 1.10 Influence des harmoniques h de courant sur la tension au point oint de raccordement : dégradation de la tension ension du réseau par une charge non linéaire. Les harmoniques de courant ourant sont ressentis essentiellement à traverss leurs effets sur la tension. En effet, même si la tension du réseau ( + ) est parfaitement sinusoïdale aux bornes b du générateur, la chute de tension produite ite dans dan l´impédance entre le générateur et lee point de raccordement de la charge non linéaire ()* + )* ), fait que la tension au point dee raccordement racc (Pcc) est perturbée. Evidemment, plus grande gr est l´impédance du réseau, plus importa portante sera la distorsion 1 de cette tension qui affectera era à son s tour d´autres charges connectées (Fig. 1.10 1.1 ) [Etx-03]. 1.5.3 Normes concernantt les p perturbations harmoniques Afin d'éviter les désagrément éments causés par la présence de courants ett de te tensions harmoniques dans le réseau, des normes es sont imposées aux utilisateurs. En effet, l´object objectif des normes et des réglementations est de limiter imiter les dysfonctionnements occasionnés par le les harmoniques. Les deux principaux organismes mes de d normalisation internationaux dans ce domaine do sont la CEI (comité Electrotechniquee Internationale) Inte et IEEE (Institute of Electric lectrical and ELectronics Engineers) [IEEE-92]. Nous us contentons con de donner les normes CEI et enn particulier part les normes : 1 Progression et risque de résonance ance : Généralement les tensions harmoniques s’atténuent nt lorsque lors l’on remonte vers des niveaux de tension élevés c’est-à-dire ire de la basse tension BT (230V/400V) vers la haute tensionn HT (63, ( 90, 400KV). Par contre, elles s’atténuent très peu dans l’autre utre ssens. De ce fait, sauf cas très particuliers, on rencontre contrera des niveaux de tension harmonique équivalents en BT et enn HTA (20KV), mais nettement plus élevés qu’en HTB.Cependa Cependant, dans certain cas on peut observer très localement des amplificati lifications de tensions harmoniques à des fréquences particulièr iculières. Ces amplifications sont généralement dues à des résonancess entre l’inductance que représente le réseau et les condensateurs ateurs de compensation implantés soient en réseau soit chez les clients. 16 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie IEC 61000-2-2 : elle établie les niveaux de compatibilité de tensions harmoniques sur les réseaux publics basse tension. Elle est représentée sur le tableau 1.3. Cette norme vise à protéger les équipements raccordés sur un réseau basse tension déformé. IEC 61000-3-2 : cette norme représentée sur le tableau 1.4 fixe la limitation des courants injectés dans le réseau public pour des équipements dont le courant par phase est inférieur à 16A. Il s´agit là des appareils du domaine domestique. La norme principale, IEEE 519: 1992, Recommended Practices and Requirements for Harmonic Control in Power Systems, détermine la procédure pour contrôler les harmoniques présents sur le réseau électrique. Elle impose également les limites recommandées de la pollution harmonique générée par les clients et de distorsion harmonique totale sur le réseau. Cette norme limite la distorsion harmonique (THD) du courant des réseaux < 69kV à 5% [Lop-06]. Tab.1.3. Niveaux de compatibilité pour les tensions harmoniques individuelles sur les réseaux publics basse tension (norme CEI 61000-2-2). Rangs impairs Rang 5 7 11 13 17 19 23 25 > 25 taux (%) 6 5 3,5 3 2 1,5 1,5 1,5 0,2+1,3*25/h Rangs impairs Rang 3 9 15 21 >21 Rangs pairs taux (%) 5 1,5 0,3 0,2 0,2 Rang 2 4 6 8 10 12 >12 taux (%) 2 1 0,5 0,5 0,5 0,2 0,2 Tab.1.4. Limites des composantes harmoniques en courant (norme IEC 61000-3-2). Rang d´harmoniques impairs 3 5 7 9 11 13 15 ≤ h ≤ 39 Rang d´harmoniques pairs 2 4 6 8≤ h≤ 40 Courant harmonique maximal autorisé (A) 2,3 1,14 0,77 0,40 0,33 0,21 0.15 * 15 / h Courant harmonique maximal autorisé (A) 1,08 0,43 0,3 0,23 * 8 / h 17 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie 1.5.4 Les effets indésirables causés par les harmoniques [Dzo-11] [Oul-05] [Ngu-10] Les tensions et les courants harmoniques superposés à l´onde fondamentale conjuguent leurs effets sur les appareils et les équipements utilisé : les courants harmoniques se propagent dans le réseau électrique, déforme l'allure à courant de la source et polluent les consommateurs alimentées par ce même réseau. Ils peuvent occasionner des incidents au niveau de l'appareillage du client (Tab.1.5) et donner lieu à des surcoûts de production d'énergie importants. En fonction des récepteurs rencontrés, On peut classer les effets engendrés par les harmoniques en deux types : a. Les effets quasi-instantanés Les perturbations concernant principalement des dispositifs de régulation électronique. Les tensions harmoniques peuvent ainsi influencer les liaisons et les équipements «courants faibles», entraînant des pertes d´exploitation. Vibrations et bruits Par les efforts électrodynamiques proportionnels aux courants instantanés en présence, les courants harmoniques généreront des vibrations, des bruits acoustiques, surtout dans les appareils électromagnétiques (transformateurs, inductances), entrainant dans certains cas leur destruction. La présence d´harmoniques sur les signaux provoque le déplacement du passage par zéro et des modifications de la valeur de crête de l´onde. Tab.1.5 Les principaux effets des harmoniques ainsi que les niveaux admissibles habituels. Matériels Effets Condensateurs de puissance ¤ Moteurs Pertes et échauffements supplémentaires. Réduction des possibilités d´utilisation à pleine charge. Couple pulsatoire (vibrations, fatigue mécanique) Nuisances sonores. ¤ Pertes (ohmique-fer) et échauffements supplémentaires. ¤ Vibrations mécaniques. Nuisances sonores. ¤ Déclenchements intempestifs (dépassements des valeurs crêtes de la tension…). ¤ Pertes diélectriques et ohmiques supplémentaires (particulièrement dans le neutre en cas de présence d´harmoniques 3). ¤ Ordinateurs Troubles fonctionnels. ¤ ¤ ¤ Transformateurs Disjoncteurs Câbles Ordinateurs Electronique de puissance 1 2 = 3 ∑# $ Echauffement, vieillissement prématuré (claquage), résonance. ¤ Limites I < 1,3 In (THD < 83 %), ou U < 1,1 Un pour 12 h / j en MT ou 8 h / j en BT FVH ≤ 2 % pour les moteurs asynchrones habituels Uh / U1 ≤ 6 à 12 % THD ≤ 10 % Uh / U1 ≤ 7 % Uh / U1 i 5 % Troubles liés à la forme d´onde (commutation, synchronisation). 5 #7 ℎ (Facteur de Variation Harmonique selon CEI 892). 18 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie b. Les effets à terme dus aux échauffements Echauffement et vieillissement des condensateurs Echauffement dû aux pertes supplémentaires des machines et des transformateurs et des câbles. Diminution de leur durée de vie par surcharge thermique. 1.5.5 Caractérisation des perturbations harmoniques Différents critères sont définis pour caractériser les perturbations harmoniques. 1.5.5.1 Le taux de distorsion harmonique Le taux de distorsion harmonique (THD) est le plus employé pour quantifier le contenu harmonique d´un signal : Le THD s'exprime par rapport à la fréquence fondamentale et caractérise l'influence des harmoniques sur l'onde de courant déformée. Il est donné par l'expression suivante : 829 %) = 100. 3∑ <# % # % 1.6) Avec % la valeur efficace du courant fondamental et % les valeurs efficaces des différentes harmoniques du courant. Le domaine des fréquences qui correspond à l´étude des harmoniques est généralement compris entre 100 et 2500Hz; soit d´harmonique de rang 2 jusqu´à l´harmonique 50. Les harmoniques de fréquence plus élevée sont fortement atténués par l'effet de peau et par la présence des inductances de lignes. Il est à signaler aussi que l'amplitude des harmoniques décroît généralement avec la fréquence. Il est d´usage de dire que, dans les installations industrielles, les tensions harmoniques dont le THD est inférieur à 5% ne produisent pas d´effet notable. Entre 5% et 7% on commence à observer des effets, et pour plus de 10% les effets sont quasi certains [Def–98]. 1.5.5.2 Le facteur de puissance >/ Avec la présence des harmoniques dans le courant, outre la puissance active ? et la puissance réactive @, la puissance apparente S, il y a la « puissance déformante 9 » qui est donnée par la relation suivante : A = B?# + @ # + 9 # = √A′# + 9 # 9=3 B Avec : # % − # % = 3V3∑D<# # (1.7) (1.8) est le courant harmonique. La puissance déformante D est due aux courants harmoniques. Une représentation de ces puissances peut être schématisée par la figure 1.11. Nous voyons que dans le cas d´une charge linéaire, la puissance apparente S′ se situe dans un même plan horizontal que la puissance active 19 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie P et la puissance réactive Q mais dès que les harmoniques apparaissent, la puissance apparente S est placée dans un autre plan vertical. S D ´ Q ϕ α ψ φ S' P Fig. 1.11 Diagramme de Fresnel des puissances Le facteur de déphasage cosφ est égal au quotient de la puissance active P par la puissance apparente A′ φ représente le déphasage entre le courant fondamental et la tension): EFGφ = ? 1.9) A′ ? et A′ : sont la puissance active et la puissance apparente respectivement de la composante fondamentale Le facteur de puissance FP est une grandeur importante pour évaluer la qualité d´un signal électrique telle que : Pour une charge linéaire, nous avons un facteur de puissance égal au facteur de déphasage : 1? = cos φ 1.10) Mais en présence d´harmoniques de courant, le facteur de puissance2 est lié au facteur de déphasage par la l´expression suivante : 1? = ? ? = = cos I . cos φ = EFGφ. 1J 1.11) A B?# + @ # + 9 # Le facteur de puissance 1? sera toujours inférieur à 1. En posant : ? = 3 . % . EFGφ (1.12) on aura 1? = % % . EFGφ = 1J . EFGφ 1.13) où % est la valeur efficace du courant du charge et1J représente le facteur de distorsion. Il vaut 1 lorsque le courant est parfaitement sinusoïdal et il décroît lorsque la déformation de l'onde s'accentue. 2 Si D = 0 et Q = 0 alors 1? = 1 , c’est le cas souhaité pour la distribution de l’énergie électrique. 20 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie 1.6 Solutions de dépollution des réseaux électriques L´objectif de l´amélioration de la qualité de l´énergie est l´élimination ou la minimisation des perturbations agissant sur les charges, là où le niveau de la qualité n´est pas suffisamment élevé pour une charge donnée, quant les coûts et les inconvénients de son dysfonctionnement sont inacceptables. L´aspect de la qualité de l´énergie est très large, par conséquent son amélioration peut s´étendre à l´amélioration de plusieurs facteurs comme; l´architecture du réseau, les automatismes de réalimentation, le niveau de fiabilité de ses ouvrages, leurs protections, et leurs maintenances. De manière générale, il y a deux stratégies pour améliorer la qualité de l´énergie [Ham-08] : Une stratégie basée sur la modification des caractéristiques des charges perturbatrices ou du réseau, ou encore le remplacement des sources de pollution classiques par des topologies à prélèvement sinusoïdale afin d´éviter l´apparition des perturbations. L´autre stratégie consiste à compenser les perturbations déjà générées par les charges polluantes. On peut regrouper les solutions visant à supprimer, ou au moins réduire les perturbations harmoniques : les solutions traditionnelles et les solutions modernes. 1.6.1 Modification : Solutions traditionnelles de dépollution Les solutions traditionnelles de dépollution sont essentiellement des solutions passives ou des modifications structurelles permettant de traiter directement les harmoniques. On peut citer : Le Surdimensionnement de l'installation électrique : au moment de la conception d´une installation nouvelle, l´idée consiste à surdimensionner tous les éléments de l´installation susceptibles de véhiculer des courants harmoniques afin d´en éviter les conséquences. Cette solution entraine un accroissement important du coût de l´installation. L´augmentation de la puissance de court-circuit : la puissance harmonique augmente lorsque la puissance de court circuit diminue si l´on ne prend pas en compte les phénomènes de résonnance. On a donc intérêt à connecter les sources polluantes à un pont du réseau ou l´impédance réseau est la plus faible possible en séparant magnétiquement les différentes charges. Les transformateurs à couplage passif : certains couplages du type triangle-zigzag permettent de supprimer les harmoniques de rang 3 et leurs multiples au prix de l´augmentation de l´impédance de ligne, et donc d´une augmentation de la distorsion de la tension. Augmentation de l´indice de pulsation Cette stratégie consiste à remplacer les redresseurs simples par des structures complexes mais qui permettent d´augmenter l´indice de pulsation des courants de sortie offrent des courants plus lisses côté charge et permettent de réduire la déformation du courant côté amont. Un exemple typique de ces structures est donné sur la figure 1.12, il s´agit d´un montage dodécaphasé parallèle [Buh-91]. 21 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie + __ Fig. 1.12 Redresseur dodécaphasé parallèle. Redresseur MLI : Les redresseurs MLI [Rio-96] sont des onduleurs utilisés à l´inverse basés sur des interrupteurs bi-commandables à hautes fréquences comme l´IGBT. Ils permettent de produire, à facteur de puissance unitaire, une tension continue à partir d´un réseau alternatif, en absorbant sur le réseau des courants sinusoïdaux, ainsi réduire ou éliminer les émissions d´harmoniques dans le réseau. On peut aussi régler par contrôle, l´énergie réactive absorbée ou fournie. Il s´agit dans la majorité des cas d´alimentations des machines à courant continu, ou de machines à courant alternatif par des convertisseurs statiques (entraînement à vitesse variable par exemple). 1.6.2 Compensation : Solution classiques de dépollution Pour la deuxième stratégie, le principe est théoriquement simple; il consiste à superposer à la source de perturbation une autre source d´énergie capable d´absorber ou de compenser les composantes non souhaités. Ces systèmes sont généralement des compensateurs d´harmoniques et/ou d´énergie réactive placés, selon la nature de la perturbation à éliminer, en dérivation ou en série avec le réseau ou la charge à protéger. Dans le cas des réseaux de distribution auxquels nous nous intéressons particulièrement dans le cadre de ce projet, ces compensateurs sont généralement des filtres d´harmoniques qui peuvent être passifs, actifs ou encore hybrides. Le développement accru de l´électronique de puissance a permis d´améliorer l´efficacité de ces deux derniers types d´où leur généralisation. Nous présenterons ici les principaux types de filtres, en particulier les filtres actifs d´harmoniques, en mettant l´accent sur leur contribution à l´amélioration de la qualité de l´énergie. 1.6.2.1 Compensateur à base d´EPC Les compensateurs à base d´EPC (Eléments Passifs Commutés) sont constitués essentiellement d´une inductance (TCR) ou d´une capacité (TSC) en série avec un gradateur, le retard à l´amorçage des thyristors permet d´agir sur l´énergie réactive échangée. Ces systèmes se comportent dans une configuration shunt comme inductance ou une capacité variable injectant ou absorbant une énergie réactive variable participant ainsi à la régulation de la tension au point de raccordement. Un exemple typique de ces compensateurs est illustré sur la figure 1.13 [Gho03]. Il s´agit d´un SVC, association d´un TCR et un TSC). Par ailleurs, un tel compensateur 22 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie connecté en série permettra de varier l´impédance de la ligne par un comportement inductif ou capacitif. Cependant, les compensateurs à base d´EPC présentent quelques inconvénients comme la génération d´harmoniques du fait qu´ils fonctionnent à faible fréquence, ajouter à cela le fait qu´ils ne sont capables d´agir que sur les grandeurs fondamentales (courant, tension) à travers les échanges d´énergie réactive ce qui est un handicape important de point de vue traitement d´harmoniques. HT Filtre MT ou BT TCR TSC Fig. 1.13 Schéma d’un SVC. 1.6.2.2 Les filtrages passifs C´est la solution classique pour l´amélioration de la QEE, elle repose sur le principe de piéger les harmoniques dans des éléments passifs (R, L, C) connectés, en dérivation au réseau, formant des impédances dont la fréquence de résonance est accordée à celle de l´harmonique de courant que l´on veut atténuer ou éliminer [Ham-08]. Ainsi, pour filtrer un courant à une fréquence particulière, un filtre résonnant série est placé en parallèle sur le réseau (Fig. 1.14). Cependant, ce type de filtre est très sélectif. Pour atténuer toute une bande de fréquences, un filtre passif amorti du second ordre (Fig.1.15) est préférable. Le dimensionnement de ces filtres dépend des harmoniques à éliminer, des performances exigées, de la structure du réseau et de la nature des récepteurs. Par cette technique, il est en général plus aisé de rejeter les harmoniques de rang élevé que celles de rang faible [Oul-05]. Les filtres harmoniques passifs ont l´avantage de pouvoir régler la tension au nœud de leur raccordement et corriger le facteur de puissance en dimensionnant correctement les condensateurs afin d´échanger une quantité déterminée de puissance réactive avec le réseau [Dzo-11] [Ham-08]. Malgré sa large utilisation dans l'industrie, leur simplicité de conception et le faible coût de leur fabrication, ce dispositif simple a tout de même certains inconvénients : une connaissance approfondie de la configuration du réseau électrique est nécessaire ; les variations de l'impédance du réseau peuvent détériorer les performances du filtre ; le réseau peut former un système résonnant avec le filtre et les fréquences voisines de la fréquence de résonnance sont amplifiées (l´impédance du réseau en présence des filtres peut faire apparaître des résonances) ; équipements volumineux ; inadaptabilité et subit des pertes d'efficacité lorsque les caractéristiques du réseau électrique évoluent. 23 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie Ainsi, avant d´installer un filtre de ce type, une étude détaillée doit être menée afin d´analyser, cas par cas, les risques de résonance et de surcharge. Source de tension N O M N O M Charge non linéaire N O C K0 KL K0 KL Source de tension Filtre passif résonnant Fig. 1.14 Principe d’un filtre passif résonnant. M N NO NO O M Charge non linéaire M Filtre passif amorti Fig. 1.15 Principe d’un filtre passif amorti. 1.6.3 Filtrage actif : Solutions modernes de dépollution Les inconvénients inhérents des solutions traditionnelles de dépollution (non adaptatif aux variations de la charge et du réseau, phénomène de résonance) ont conduit à concevoir une nouvelle structure plus flexible de filtrage moderne et efficace appelée filtrage actif, capable de s´adapter avec l´évolution de la charge. Ceci est rendu possible grâce à l´évolution de l´électronique de puissance, notamment en ce qui concerne les semi-conducteurs de puissance, comme les thyristors GTO «Gate Turn-Off Thyristor » et les transistors IGBT « Insulated Gate Bipolar Transistor » [Si-99] [Ak-05]. Le but de ces filtres est de générer soit des courants, soit des tensions harmoniques de manière à compenser en temps réel les perturbations responsables de la dégradation des performances des équipements et installations électriques (le courant et la tension du réseau soient rendus sinusoïdaux et parfois avec un facteur de puissance unitaire) [Cha-10]. Les filtres actifs peuvent être classés suivant leur circuit de puissance, les algorithmes de détection des grandeurs harmoniques, ou les techniques de commande. Il existe plusieurs familles de filtre actif [Ala-02] [Bru-99] [Aka-96] : Filtre Actif Série (FAS) conçu pour compenser toutes les perturbations de tension comme les harmoniques, le déséquilibre et les creux de tension. Filtre Actif Parallèle (FAP) conçu pour compenser toutes les perturbations de courant comme les harmoniques, le déséquilibre et la puissance réactive. Filtre Actif Universel (FAU) nommé aussi (UPQC) (Unified Power Quality Conditioner) solution universelle pour compenser les perturbations liées aux harmoniques de courant et de tension. 24 Chapitr hapitre 1: Solutions de Dépollution des Réseaux Électriqu ectriques et Qualité d´Énergie Il faut noter l'existence de plusieurs pl autres combinaisons mixtes de filtres actifs avec cette fois-ci les filtres passifs nommé ommés filtres hybrides. Ces structures sont conçues onçues dans le but d'optimiser le rapport performan formance/coût. 1.6.3.1 Le filtre actif parallèle rallèle (FAP) Le filtre actif parallèle:: Le FAP F appelé aussi compensateur shunt, il est cconnecté en parallèle sur le réseau de distribution (Fig. 1.16). Il est le plus souvent commandé andé comme c un générateur de courant. Il restitue dans ans le réseau électrique les courants harmonique niques KKQR égaux à ceux absorbés par la charge non on lin linéaire mais en opposition de phase, de telle sorte que le courant fourni par le réseau KL devient evient sinusoïdal et en phase avec la tension on sim simple correspondante. L´objectif du filtre actif parallè parallèle consiste à empêcher les courants perturba erturbateurs (harmoniques, réactifs et déséquilibrés), produits produ par des charges polluantes, de circuler uler à travers l´impédance du réseau, située en amont nt du point de connexion du filtre actif. Il améliore améli ainsi les taux de distorsion en courant et enn tension tens [Ala-02] [Ngu-10] [Oul-05] [Dzo-11].. Cependant, ce type de filtre est le plus utilisé dans l´´industrie (son indépendance vis-à-vis dee la source so et de la charge lui assure auto-adaptabilité, té, fiab fiabilité et performance). K0 KL O+ Source rce de N+ O% KKQR tension nsion O% N% N% Charge Cha non liné linéaire S FAP Fig. 1.16 O+ N+ Filtre actif parallèle FAP. PKQR c O% N% O% N% Source rce de tension Charge ge non linéaire S FAS Fig. 1.17 Filtre actif série FAS. 25 Chapitr hapitre 1: Solutions de Dépollution des Réseaux Électriqu ectriques et Qualité d´Énergie 1.6.3.2 Filtre actif série (FAS) Le filtre actif série estt conn connecté en série sur le réseau (Fig. 1.17). Il se comporte c comme une source de tension qui engendre endre des tensions harmoniques dont la somme me avec av la tension réseau est une onde sinusoïdale. Le bu but du filtre actif série est de créer une impédance impéd en série avec le réseau qui sera nulle pourr le ffondamental et de valeur élevée pourr les harmoniques. Il est destiné à protéger les installatio allations sensibles aux perturbations provenant nt du rréseau telles que les harmoniques en tension,, les ssurtensions, déséquilibres et creux de tension. tensio En revanche, le filtrage série ne permett pas de compenser les courants harmoniques niques consommés par la charge. En plus, ce filtree néce nécessite une protection complexe contree les courts-circuits des réseaux. En effet, lors d´un un court-circuit côté réseau, ce dernier peut eut être êtr amené à supporter tout le courant de court-circuit ircuit. 1.6.3.3 Filtre universel (laa combinaison co parallèle-série actifs (UPQC)) La combinaison parallèle--série actifs, aussi appelée Unified Power ower Quality Conditioner (UPQC) est une solutionn de compensation c universelle qui résulte de ll´association des deux filtres actifs parallèle et série, érie, comme le montre la figure 1.18. Profitant ant des de avantages des deux filtres actifs, l´UPQC assure sure un courant et une tension sinusoïdaux duu rése réseau électrique à partir d´un courant et d´une tension nsion perturbés de celui-ci [Ala-02] [Oul-05]. Cependant, son prix important et la complexité lexité des commandes des nombreux interr interrupteurs limitent son utilisation à des applications ns critiques cri comme l´équipement médical [Cha-10 10]. KL O+ N+ PKQR K0 KKQR Source de tension O% N% O% N% Charge non linéaire C FAS FAP Fig. 1.18 Filtrage trage uuniversel / filtre combiné parallèle-série actifs (UPQC). (U 1.6.3.4 Filtrage hybride active et passive Un filtre hybride résulte des combinaisons mixtes de filtres actifs avec les l filtres passifs. Le filtre passif prend en charge rge la compensation d´une grande partie des es harmoniques har (en basses fréquences), par contre less filtre filtres actifs maintiennent les performancess de filtrage fi en fonction de la charge et de son évolution. tion. Une U telle combinaison avec le filtre passif sif rend ren possible de réduire 26 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie considérablement l´estimation du filtre actif [Aka-05]. Plusieurs configurations ont été présentées dans la littérature [Wan–92], les plus étudiées étant : Le filtre actif série avec des filtres passifs parallèles (Fig. 1.19). Le filtre actif série connecté en série avec des filtres passifs parallèles (Fig. 1.21). Le filtre actif parallèle avec un filtre passif parallèle (Fig. 1.20). PKQR O+ N% O% N+ O% N% Source de tension Charge non linéaire Filtre passif parallèle S FAS Fig. 1.19 Filtre actif série et filtre passif parallèle. KL O+ K0 N+ O% N% O% N% KKQR Source de tension Charge non linéaire c Filtre passif parallèle S FAP Fig. 1.20 Filtre actif parallèle avec un filtre passif parallèle. O+ N+ KL O% Filtre passif parallèle Source de tension KKQR N% Charge non linéaire S FAS Fig. 1.21 Filtre actif série connecté en série avec un filtre passif parallèle. 27 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie 1.6.4 Comparatif et choix du FAP/Comparaison entre les différentes topologies de filtrage actif Le tableau 1.6 récapitule les avantages et les inconvénients des trois configurations de filtrage actif. Le filtrage série présente l´avantage d´améliorer la qualité de l´onde de tension, et permet de fournir une énergie de qualité, cependant il ne permet pas d´éliminer les harmoniques engendrés par les charges non linéaires. Par contre, le filtrage shunt permet de les éliminer et de contrôler le courant absorbé du réseau par conséquent réduire les déformations de l´onde de tension causées par la circulation des composants harmoniques de courant. Par ailleurs, le filtre universel permet de cumuler les avantages des deux configurations, cependant il est difficile à réaliser en pratique. Le filtre actif parallèle génère des composantes harmoniques aux mêmes fréquences et en opposition de phase aux perturbations mesurées. Il compense les courants harmoniques engendrés par une charge non linéaire, tout en s'adaptant aux évolutions du récepteur. Cependant, la compensation des harmoniques de tension n'est toujours pas évidente avec cette approche. Tab. 1.6 Récapitulatif des déférentes solutions de dépollution /Topologies de filtres actifs. Principes Avantages filtrage passif ¤ amélioration de la forme du courant filtrage actif série ¤ ¤ amélioration de la forme de la tension, adaptabilité aux variations de charge et du réseau filtrage actif parallèle ¤ ¤ amélioration de la forme du courant, adaptabilité aux variations de charge et du réseau Filtre universel (la combinaison parallèle-série actifs) ¤ ¤ ¤ amélioration de la forme du courant, amélioration de la forme de la tension, adaptabilité aux variations de charge et du réseau Inconvénients ¤ ¤ risque de résonance, pas d'adaptabilité ¤ pas d'amélioration de la forme du courant ¤ amélioration de la forme de la tension pas toujours évidente ¤ réalisation difficile Remarques Malgré les contraintes de coût, le filtrage actif parallèle dans les réseaux électriques basse tension, reste l´une des méthodes de compensation les plus étudiées et les plus développées. Cette méthode qui allie rapidité et efficacité, présente des avantages certains et un potentiel de développement important. Un FAP est dit à structure courant ou à structure tension selon le type de stockage de l´énergie, réalisé par une inductance ou un condensateur. Cependant, les FAPs à structure tension sont plus fréquemment mis en œuvre dans les applications industrielles pour la simplicité de leurs commandes, leur coût 28 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie limité et leur taille physique réduite [Rou-07]. Par conséquent, nous avons choisi de considérer la structure tension dans ce travail. Les performances des FAPs sont améliorées aujourd´hui par des stratégies de contrôles avancées (voir chapitre 2). Parmi les trois solutions de dépollution harmonique présentées au dessus (filtres passifs, actifs et hybrides), on ne s´intéresse dans cette étude qu´au filtre actif, et en particulier, au filtre actif parallèle. Ce choix a été arrêté par le fait que le filtre actif est un dispositif bien connu, très développé et déjà commercialisé. On le considère donc comme un outil support pour nos travaux. En revanche, le bon fonctionnement du FAP est directement lié aux choix des techniques à utiliser dans la partie contrôle-commande. Dans la suite, notre travail se base sur l´étude de l´apport des techniques neuromimétiques dans l'amélioration des performances de cette solution. 1.7 Structure générale d´un filtre actif shunt trois fils Le FAP est constitué de plusieurs blocs. Il reste une stratégie complexe qui a besoin d'une étude approfondie et minutieuse pour qu'elle ait un bon rendement. Chaque bloc remplit une tâche bien précise et dépend fortement des performances des autres blocs. Cette dépendance rend encore une fois la modélisation plus difficile et demande une sélection rigoureuse des techniques à utiliser [Oul-05]. Ainsi, un filtre actif est composé d´un circuit de contrôle-commande et un circuit de puissance (Fig. 1.22). Onduleur VSOI Filtre de raccordement Stockage d’énergie Mesures Consignes Contrôlecommande FAP Fig. 1.22 Structure d’un filtre actif. 29 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie La partie puissance : constituée par plusieurs éléments électriques : un réseau électrique, une charge non linéaire constituée d'un pont redresseur à thyristors triphasé alimentant une chargeO% , N% , un transformateur de régulation O% , N% connecté à l'entrée de la charge non linéaire, un onduleur à structure tension commandable à l'amorçage et au blocage constitué des IGBTs avec des diodes antiparallèles. La partie contrôle-command : représentée par trois blocs (que nous allons développer dans les prochains chapitres) : bloc d'identification des paramètres de la tension (extraction de la phase fondamentale du réseau et identification de la composante directe de la tension) (chapitre 3) ; bloc d'identification des courants harmoniques (chapitre 4) ; bloc de la commande de l'onduleur pour la restitution des courants harmoniques et commande de la tension continue % (chapitre 5). 1.8 Etude de la partie puissance 1.8.1 Onduleur de tension La figure 1.23 présente un onduleur triphasé à structure de tension (Voltage Source Inverter) (VSI). Il se compose de trois bras à interrupteurs réversibles en courant, commandés à la fermeture et à l'ouverture, réalisés à partir d´un transistor (GTO ou IGBT) et d´une diode en antiparallèle. L´onduleur a pour but de produire des courants d´injection qui sont égaux aux courants de références identifiés [Ala-02] [Ngu-10]. Le stockage de l´énergie du côté continu (DC) se fait par l´intermédiaire d´un condensateur M % de tension % . Le filtre de sortie est un filtre passif habituellement du premier ordre (NU , OU ) employé pour connecter l´onduleur de tension au réseau électrique. 30 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie AC O+ N+ KL O+ N+ O% N% O% N% O% O+ N+ KKQR Source d’alimentation OU Filtre de sortie N% Th5 Th1 O% N% Th5 Onduleur de tension Th5 Th5 Th5 Charge non-linéaire NU PX0 La partie puissance du FAP La partie contrôle-commande du FAP Commande des IGBT Régulation et commande + W + Identification des paramètres de la tension (phase et composante directe de la tension) % Identification des courants de référence Fig.1.23 Schéma de la stratégie de filtrage actif parallèle. 31 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie 1.8.2 Filtre de sortie L´onduleur de tension (VSI) connecté en parallèle au réseau électrique à travers un filtre passif. Le rôle du ce filtre inductif de sortie est de transformer l´onduleur de tension en une source contrôlée de courant vis-à-vis du réseau. Il y a deux types de filtre de raccordement fortement répondus dans la littérature ; un filtre L de premier ordre et un filtre LCL de troisième ordre (Fig.1.24), pour des raisons de simplification nous avons opté pour un filtre de premier ordre (Fig.1.22). Pour le dimensionnement d´un tel filtre on est souvent amené à faire un compromis entre trois critères essentiels [Cav-03] [Etx-03] : Assurer la dynamique du courant : YZ[ Où \ *_U : = ]^ \ (1.14) les courants harmoniques de la charge et W : les courants injectés par le FAP. Empêcher les harmoniques de commutation de se propager du côté réseau ; Causer le minimum de chute de tension à ses bornes. En général, deux types de filtres sont utilisés ; Le filtre de type L [Etx-03] permet de diminuer les harmoniques autour de la fréquence de commutation, pour obtenir cela, la valeur de l´inductance doit être relativement élevée, cependant cette augmentation peut mettre en risque la capacité de compensation du système. Un filtre de type LCL (en T) [Ala-02] [Ngu-10] est plus avantageux dans le filtrage car en outre du filtrage des harmoniques du courant il nous permet l´obtention d´une tension de sortie très proche de la sinusoïde par filtrage des harmoniques de la tension de sortie. Etant un filtre de troisième ordre, avec la même bande passante, on obtient un filtrage bien meilleur que pour le filtre L. Ainsi, le filtre LCL permet des grandeurs de sortie de meilleure qualité à des fréquences de commutation plus petite. Cela devient un avantage pour les applications de haute puissance où la fréquence de commutation est limitée. Par ailleurs, dans une configuration série avec le réseau souvent on utilise un filtre de LC du faite que dans ce cas on injecte une tension dans le réseau. O# N# KKQR K′KQR O N Onduleur de tension OU + %U MU % Fig.1.24 Structure d’un filtre de sortie LPF 3ème ordre. 32 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie 1.8.3 Circuit de stockage d´énergie Le stockage de l´énergie du côté continu se fait souvent par un système de stockage capacitif représenté par un condensateur Cdc qui joue le rôle d´une source de tension continue Vdc, comme le montre la figure 1.23. Le choix des paramètres du système de stockage (Vdc et Cdc) se répercute sur la dynamique et sur la qualité de compensation du filtre actif parallèle. En effet, une tension Vdc élevée améliore la dynamique du filtre actif. De plus, les ondulations de la tension continue Vdc , causées par les courants engendrés par le filtre actif et limitées par le choix de Cdc , peuvent dégrader la qualité de compensation du filtre actif parallèle. Ces fluctuations sont d´autant plus importantes que l´amplitude du courant du filtre est grande et que sa fréquence est faible. Pour cette raison, nous pouvons estimer que seuls les premiers harmoniques sont pris en compte dans le choix des paramètres du système de stockage [Ala-02]. Ainsi une méthode plus simple pour le dimensionnement consiste calculer la capacité à partir du courant harmonique du rang le plus faible [Ham-08] [Etx-03] : M % = ` % a 1.15) Avec ` le taux d´ondulation admissible généralement 5% de % et a la pulsation du rang h. Dans le filtre actif, la source de tension continue joue le rôle d´une source de puissance pour produire les tensions alternatives à la sortie de l´onduleur. En raison des pertes dues aux commutations et à l´effet Joule dans les composantes passives du LPF, la tension continue a tendance à baisser, par conséquent les courants d´injection sont dégradés. Il est donc nécessaire de maintenir cette grandeur à une valeur constante prédéfinie. Ce travail doit se faire par l´adjonction d´un courant actif fondamental supplémentaire dans le courant de référence. Généralement, la source d´énergie associée à l´onduleur est un condensateur [Aka-07]. Pour charger ce condensateur il faut lui fournir une puissance active qui viendra nécessairement du réseau. Le contrôle de la tension continue. Un simple correcteur PI peut être utilisé comme un contrôleur. Pour améliorer les performances, un correcteur PI- Neuronal pour adapter les coefficients bc d b en fonction du changement des paramètres dynamiques du système (voir chapitre 4) ou un régulateur-logique floue. Une autre manière d´interpréter la commande de tension continue est de considérer le système en terme de puissance. La régulation de cette tension continue donnera une somme constituée de la puissance active liée aux pertes et d´une autre partie équivalente à la puissance homopolaire dans le réseau (si elle existe). Ce principe sera montré dans le chapitre 4. 33 Chapitre 1: Solutions de Dépollution des Réseaux Électriques et Qualité d´Énergie 1.9 Conclusion Dans ce chapitre nous avons essayé de faire l´accent sur les principales perturbations qui peuvent prendre naissance dans les réseaux électriques basse tension, leurs origines, leurs conséquences néfastes sur les différents éléments constitutifs du réseau et sur les récepteurs raccordés au réseau pollué. Ensuite nous avons illustré les réglementations inhérentes imposées aux utilisateurs, tertiaires et domestiques afin de limiter la prolifération de ces perturbations. A la fin, pour répondre aux contraintes de l´évolution des charges polluantes, différentes solutions classiques et modernes de dépollution ont été proposées. Le problème de la pollution harmonique dans les réseaux de distribution devient de plus en plus préoccupant avec l´accroissement de l´usage des charges non-linéaires. En raison de la législation des normes de qualité de l´énergie plutôt portée sur la compensation des harmoniques de courant et les bonnes performances du filtre actif parallèle (FAP), nous avons retenu cette topologie de compensation comme un solution de dépollution des perturbation harmoniques dans la suite des prochains chapitres. 34 CHAPITRE DEUX Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? Sommaire _______________________________________________________________________________ 2.1 2.2 2.3 Introduction…………………………………………………………………………………... Généralités sur les réseaux de neurones…………………………………………………….. Structure des neurones artificiels……………………………………………………………. 2.3.1 Du neurone biologique aux neurones formels…………………………………………... 2.3.2 Analogie entre le neurone biologique et le neurone Artificiel……………………….….. 2.3.3 L´Adaline et le Perceptron………………………………………………………………. 2.4 Architecture des réseaux de neurones…………………………………………………….…. 2.5 Processus d´apprentissage……………………………………………………………………. 2.5.1 Types d´apprentissage…………………………………………………………………… 2.5.2 Apprentissage par correction d´erreur…………………………………………………… 2.5.3 Modes d´apprentissage………………………………………………………………….. 2.5.4 Choix du processus d´apprentissage et de l´architecture de réseau de neurones………... 2.6 Méthodes neuronales d´identification et de commande de systèmes dynamiques………... 2.6.1 Etape d´identification……………………………………………………………………. 2.6.2 Etape de contrôle………………………………………………………………………… 2.7 Autres techniques intelligentes………………………………………………………………. 2.7.1 La commande floue……………………………………………………………………… 2.7.2 Les systèmes neuro-flous………………………………………………………………... 2.7.3 Les algorithmes génétiques……………………………………………………………… 2.7.4 La commande par mode glissant ………………………………………………………... 2.7.5 La commande adaptative………………………………………………………………... 2.8 Avantages des techniques neuronales/ intelligentes………………………………………… 2.9 Application des techniques neuromimétiques dans les systèmes électriques et les FAPs... 2.9.1 Systèmes électriques…………………………………………………………………….. 2.9.2 Filtres actifs parallèles (FAPs)……………………………………………..……………. 2.10 Conclusion……………………………………………………………………………………... 36 37 37 38 39 39 40 40 40 41 49 50 53 55 57 62 62 62 63 63 63 64 64 64 65 71 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? 2.1 Introduction L ES techniques de l´intelligence artificielle telle que les systèmes experts, la logique floue, les algorithmes génétiques et les réseaux de neurones artificiels (RNAs) ont été largement utilisées dans le domaine de l´électronique de puissance [Tso-97] [Bos-07]. Dans l´idéal, l´objectif est d´implanter un cerveau humain dans une machine pour qu´elle puisse penser et réagir intelligemment vis-à-vis des problèmes à résoudre [Ngu-10]. L´introduction des techniques dites « intelligentes » dans les stratégies de commande est récente. Elles sont largement utilisées dans de nombreux domaines tels que la régulation de processus industriels, la robotique, le traitement d´image, le diagnostic, la médecine, la technologie spatiale, et les systèmes de gestion de données informatiques [Bec-13]. Parmi toutes ces techniques intelligentes, les Réseaux de Neurones Artificiels (RNAs), appelés aussi réseaux neuromimétiques ou le connectionnisme (Le concept qui nous intéresse plus particulièrement), constituent à ce jour une technique de traitement de données bien comprise et bien maîtrisée [Dre-02]. Grâce au processus d´apprentissage, les RNAs sont des approximateurs universels parcimonieux capables d´estimer un modèle complexe avec une précision voulue. Ils réalisent à la fois des fonctionnalités d´identification, de contrôle ou de filtrage. Ils prolongent les techniques classiques de l´automatique non linéaire et peuvent conduire vers des solutions plus efficientes et robustes. L´utilisation des RNAs se justifie en particulier pour tenir compte ou faire face à des changements de paramètres d´un système. En effet, de part leur apprentissage, les RNAs sont capables d´adapter leur poids de sorte à tenir compte de tous changements inopinés. Ils sont donc logiquement utilisés dans les systèmes électriques et ils semblent avoir le maximum d´impact dans le domaine de l´électronique de puissance [Ban-03] [Bos-07] et en particulier au sein d´une architecture de filtre actif parallèle [Oul-07b]. Ce chapitre est consacré à un état de l´art sur l´identification et la commande des systèmes dynamiques à l´aide des réseaux de neurones artificiels qui sont les techniques nouvellement introduites dans le monde de l´électrotechniques et spécialement au sein des filtres actifs. Après l´introduction de quelques concepts et généralités de base sur les RNAs, le processus d´apprentissage sera développé pour différents algorithmes. Nous exposerons notamment l´apprentissage par correction d´erreur, l´apprentissage à rétropropagation d´erreur et l´apprentissage compétitif. Ensuite, différentes techniques et stratégies neuronales sont évoquées pour l´apprentissage d´un système, autrement dit pour l´identification d´un système dynamique afin de mimer et reproduire son comportement. Différents schémas de commande neuronal sont exposés, notamment la commande direct, la commande inverse, la commande inverse-direct, avec et sans modèle de référence et ainsi, quelques architectures de commande basées sur l´apprentissage d´un régulateur conventionnel seront également abordées. En plus, dans ce chapitre, deux types de Réseaux de Neurones Artificiels sont développés: l’un est linéaire nommé ADALINE et l’autre est non linéaire nommé perceptron multicouche (MLP). Ces RNAs vont servir dans ce travail pour réaliser des objectifs d´identification et de 36 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? commande au sein d´un filtre actif parallèle. En effet, Notre objectif consiste à proposer une approche « tout neuromimétique », c´est à dire unifiée basée sur les réseaux de neurones et qui aborde l´ensemble des fonctionnalités nécessaires à un processus de filtrage actif et cela afin d´aboutir à une structure de calcul fortement homogène. 2.2 Généralités sur les réseaux de neurones Selon le point de vue du chercheur formé au traitement du signal, un réseau de neurones est un système ou une machine à traiter de l´information [Wira-09]. Ces réseaux de neurones artificiels RNAs (Artificial Neural Networks ou ANN) sont apparus en 1943 lors d´essais de modélisation du neurone biologique par Warren McCulloch et Walter Pitts. Ils supposaient que l´impulsion nerveuse était le résultat d´un calcul simple effectué par chaque neurone et que la pensée naissait grâce à l´effet collectif d´un réseau de neurones interconnectés. La première règle d´apprentissage fut proposée par Donald Hebb en 1950. Son intuition était que si deux neurones étaient actifs en même temps, les synapses entre ces neurones seraient renforcées. Le Perceptron simple ou mono-couche de Frank Rosenblatt [Ros-58] est le premier modèle de réseau de neurones fonctionnel muni d´une méthode d´apprentissage. Deux ans plus tard, le Professeur Bernard Widrow et son étudient Ted Hoff présentent ADALINE (Adaptive Linear Neuron) [Wid-60], une évolution du perceptron de Rosenblatt ou les fonctions d´activation des neurones sont des fonctions linéeaires. Les capacités d´apprentissage du Perceptron susciteront de grands espoirs, mais le véritable essor des réseaux de neurones a débuté au cours des années 80 avec une variante multicouche du perceptron et la règle d´apprentissage de rétropropagation. Une synthèse complète sur l´évolution des réseaux de neurones et de leurs classifications peut être trouvée dans le livre d´Haykin [Hay-99] ou encore dans le livre de Dreyfus [Dre-02]. Depuis ce temps, le domaine des réseaux de neurones fourni constamment de nouvelles théories, de nouvelles structures et de nouveaux algorithmes. Dans ce chapitre nous allons tenter d´exposer les plus utilisés pour la commande des systèmes électriques. 2.3 Structures des neurones artificiels Plusieurs travaux ont été effectués pour essayer de comprendre le comportement du cerveau humain. Ils ont permis de le représenter par un ensemble de composants structurels appelés neurones artificiels comparables aux neurones biologiques. Selon [Hay-99], un réseau de neurones (RNA) est un processus distribué de manière massivement parallèle, qui a une propension naturelle à mémoriser des connaissances de façon expérimentale et de les rendre disponibles pour utilisation. Il ressemble au cerveau en deux points [Ngu-10]. La connaissance est acquise à travers d´un processus d´apprentissage ; Les poids des connections entre les neurones sont utilisés pour mémoriser la connaissance. 37 Chapitre 2 : Techniques es Neuromimétiques Neu pour l´Identification et la Commande ande ddes Systèmes Electriques : Appliquées aux FAPs ? 2.3.1 Du neurone biologique ique aaux neurones formels Un RNA appelé modèle dèle connexionniste est constitué d´un certain tain nombre n de neurones interconnectés ensembles.. Les neurones n sont des cellules distinctes. Chaque haque neurone a un corps cellulaire complet, un axone xone neurone par les biais d´une synapse. se. Entre En deux neurones, l´information se déplace par in inversion de polarisation, de proche en proche, proch des dendrites vers les axones. 2.3.1.1 Neurone biologique Les neurones biologiques iques (Fig 2.1) sont des cellules vivantes qui constituent l´unité fonctionnelle de base du systèm système nerveux. Ils sont spécialisées dans le traitement tra des signaux bioélectriques appelés influx flux nerveux. n En fait, les neurones font unee sommation som des signaux reçus en entrée et fournissent sent een sortie un courant en fonction du résultat ultat oobtenu. On distingue trois parties d´un neurone biologique: biolog La somma : c’est lee cœur de l´activité nerveuse situé au centre duu neurone. neu L´axone : attaché auu somma som qui est électriquement actif, ce dernier nier conduit co l´impulsion (le signal électrique) générée énérée par le neurone vers l´entrée (synapse) d´un un autre neurone. Les dendrites : sont nt électriquement éle passives, elles reçoiventt les impulsions d´autres neurones. Synapses Noya Noyau Axone Dendrites Influx nerveux (Impulsion nerveuse) Corp cellulaire Corps Fig. 2.1 Structure d’un neurone biologique. Biais Sortie ⋮ Plusieurs entrées ⋮ ∙ Noyau cellulaire Poids synoptiques Fonction d’activation f (.) Fig. 2.2 Représentation tion d'un d neurone formel : Modèle mathématiquee d’un neurone biologique. 38 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? 2.3.1.2 Neurone formel (artificiel) Un neurone formel, quel qu´il soit, s´inspire d´une cellule biologique principalement. Il est dans ce sens une simplification extrême du neurone biologique [Wir-09]. En outre, un neurone formel ou artificiel est une opération mathématique et informatique très simple. La sortie du neurone est une fonction généralement non linéaire d´une combinaison des entrées pondérées qui sont souvent désignés sous le non de poids, en raison de l´inspiration par les paramètres biologique poids synaptiques. La figure 2.2 montre le schéma de principe d´un neurone formel. La fonction ( ) est la fonction d´activation qui calcule la sortie du neurone en fonction d´un pondérées par les valeurs des poids , à potentiel ν constitué de la somme des entrées laquelle s´ajoute un terme constant appelé biais. La sortie du réseau de neurone formel ou artificiel f(ν) est donnée par l´expression [Bec-13] [Ngu-10] : Avec $ · $ $ ( ) · + (2.1) L´utilisation d´une fonction d´activation non linéaire permet aux RNAs de modifier des équations dont la sortie n´est pas une combinaison linéaire des entrées. Cette caractéristique confère aux RNAs de grandes capacités de généralisation et de modélisation fortement appréciées pour la résolution des problèmes non linéaires [Bos-07]. 2.3.2. Analogie entre le neurone biologique et le neurone Artificiel La modélisation consiste à mettre en œuvre un système de réseaux neuronaux sous un aspect non biologique mais artificiel. Le tableau 2.1 établit la correspondance entre le neurone formel (Fig.2.2) et le neurone biologique (Fig.2.1). Chaque neurone artificiel (ou formel) est un processus élémentaire qui génère à partir d´entrées issues de neurones (amonts) une sortie unique qui à son tour alimente un certain nombre de neurones (avals). A chacune des entrées est associé un poids représentatif de la force de la connexion, lequel est mis à jour selon un processus d´apprentissage [Dzo-11]. Tab. 2.1 Analogie entre le neurone biologique et le neurone Artificiel. . Neurone Biologique Neurone Artificiel Synapses Axones Dendrite Somma Poids de connexion Signal de sortie Signal d´entrée Fonction d´activation 2.3.3 L´Adaline et le Perceptron Les deux modèles de neurones qui sont l´Adaline et le Perceptron sont les neurones formels les plus utilisés aujourd´hui. Ces deux types de neurones sont représentés sur la figure 2.5 et 39 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? figure 2.6. Ils sont essentiellement composés des mêmes éléments de base, à savoir des dendrites, un soma et un axone. Ceci se traduit dans le langage du traitement du signal par des entrées pondérées par des poids, une fonction de sommation, ainsi qu´une sortie issue d´une fonction d´activation. Le Perceptron et l´Adaline sont cependant différents dans leur philosophie et leur principe d´apprentissage. 2.4 Architecture des réseaux de neurones L´architecture est la manière avec laquelle les neurones sont interconnectés afin de constituer un réseau. On peut distinguer trois types d´architectures de réseaux de neurones : les réseaux non bouclés, les réseaux bouclés et les réseaux à connexions complexes. Les réseaux non bouclés ou réseaux unidirectionnels (feedforward networks) ont leurs neurones organisés sous la forme d´une ou de plusieurs couches successives. L´information circule de la couche d´entrée vers la couche de sortie au travers d´éventuelles couches intermédiaires mais sans retour en arrière. Le Perceptron adopte ce type d´architecture. Les réseaux bouclés ou les réseaux récurrents (recurrent networks) possèdent une structure similaire à celle des réseaux unidirectionnels mais complétée par des connexions entre les éléments de la même couche ou vers des couches amonts. Ces réseaux sont assez puissants car leur fonctionnement est séquentiel et adopte un comportement dynamique. Les réseaux à connexions complexes Dans cette catégorie se trouvent tous les réseaux qui ne trouvent pas leur place dans les deux catégories précédemment citées. Nous pouvons mentionner les SOM (Self Organizing Map), LVQ (Learning Vector Quantization), ART (Adaptative Resonnance Theorie), RCE (Restric- ted Coulomb Energy), les réseaux probabilistes, etc. 2.5 Processus d´apprentissage La conception d´un RNA passe par une étape importante appelée processus d´apprentissage. Cette étape offre la possibilité au RNA d´apprendre et d´améliorer ses performances pour les tâches de commande ou d´identification de systèmes dynamiques [Ngu-10]. Le Processus d´apprentissage peut se faire par la modification et l´adaptation des poids et du biais du RNA afin de converger vers des valeurs constantes et optimales [Ngu-10] [Bec-13]. Différents algorithmes d´apprentissage et différents types d´apprentissage ont été développés dans la littérature dans le but de réaliser l´adaptation et l´optimisation des poids d´un RNA. 2.5.1 Types d´apprentissage 2.5.1.1 Apprentissage supervisé en anglais "Supervised Learning" L´apprentissage supervisé est effectué par un « superviseur ou expert » qui a pour rôle de surveiller la réponse du réseau. L´apprentissage supervisé consiste à adapter les poids d´un RNA de telle sorte que sa sortie (sortie calculée) soit la plus proche possible de la sortie que produira 40 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? son superviseur (sortie désirée) lorsqu´ils sont excités par la même entrée. Le principe de l´apprentissage supervisé est montré à la figure 2.3, sur ce schéma, un vecteur d´entrée X est appliqué à la fois au superviseur et au RNA. Le superviseur produit une sortie désirée % et le sera exploitée pour la RNA calculera une sortie . L´erreur entre ces deux sorties, % − modification et l´adaptation de la structure du RNA (processus de mise à jour) jusqu´à avoir une erreur suffisamment faible. Ce processus s´opère itérativement et lorsque l´erreur est minime le RNA devient pratiquement identique à son superviseur en termes de comportement entrée-sortie [Bec-13] [Wir-09]. Une fois que l´erreur attendue est obtenue (après certaines itérations), le RNA peut remplacer le superviseur et travailler de manière autonome [Ngu-10]. Ce type d´apprentissage est souvent utilisé pour l´identification des systèmes dynamiques (linéaires ou non linéaires, variants ou invariants dans le temps) et pour la commande des systèmes [Ngu-10] [Dre-02] [Bos-07]. Dans le domaine de l´identification et la commande des systèmes dynamiques, l´apprentissage supervisé est souvent utilisé pour corriger l´erreur de la sortie d´un RNA. Ce type d´apprentissage sera abordé en détail dans la partie suivante. 2.5.1.2 Apprentissage non-supervisé (appelé en anglais "unsupervised learning") L´apprentissage est non-supervisé lorsque l´adaptation des poids ne dépend que des critères internes au réseau. L´adaptation se fait uniquement avec les signaux d´entrées. Aucun signal d´erreur, aucune sortie désirée n´est prise en compte (Fig.2.4). 2.5.1.3 Apprentissage par renforcement L´apprentissage est de type " par renforcement " lorsque le réseau de neurones interagit avec l´environnement. L´environnement donne une récompense pour une réponse satisfaisante du réseau et assigne une pénalité dans le cas contraire. Le réseau doit ainsi découvrir les réponses qui lui donnent un maximum de récompenses. (Sortie désirée) (Vecteur d’entrée) Environnement % Superviseur (Sortie du RNA) − + Environnement RNA RNA (erreur) ( Fig. 2.3 Apprentissage supervisé. Fig. 2.4 Apprentissage non-supervisé. 2.5.2 Algorithmes d´apprentissage Un algorithme d´apprentissage permet de modifier les poids afin d´obtenir la réponse attendue. Dans cette section, l´algorithme d´apprentissage par correction d´erreur (appelé 41 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? apprentissage par rétropropagation ou apprentissage par descente du gradient) sera abordé pour sa large utilisation dans le domaine de la commande et de l´identification. Nous allons l’utiliser également dans nos travaux. Couche caché 8 Biais 8 ( ) 8 ( ) ()) − ()) 0 : 8+ ( ) ……….. 8 8+ ( ) …… …… Entrées ( ) 8 9 1 Biais ()) 8 − : − :< ()) 0 ; :=> + ;? ; :=> 5 (t) 1 Couche de sortie + ;? ;<:=> Sortie Couche d’entrée + ;?< …… . Algorithme d’apprentissage Mise à jour des poids Fig. 2.5 Structure d’un réseau de neurones (à une seule couche cachée). 2.5.2.1 Apprentissage par correction d´erreur Définissons un réseau de neurones comme celui indiqué sur la figure 2.5, avec m neurones dans la couche d´entrée, n neurones dans une seule couche cachée et p neurones dans la couche de sortie. S´il prend comme vecteur d´entrée ( ) '( ( ) () ( ) …(+ ( ),- , le signal %( ) 234 ( . %%/ ( ) %) ( ) … %0 ( - )1 - représente le vecteur de la sortie désirée, et ) . 5 ( ) 5) ( ) … 50 ( )1 est la réponse du RNA (sortie estimée). Ainsi, 5 ( )est la sortie du kème neurone de la couche de sortie suite à une stimulation ( )appliquée en entrée du réseau à l´instant t. L´entrée ( ) et la réponse désirée correspondante % (t) constituent un exemple particulier qui représente le système à l´instant t. L´erreur (t) est définie par la différence entre ( ) %6 (t)et 5 (t) : %6 (t) − 5 (t) (2.2) 42 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? L´objectif de l´apprentissage par correction de l´erreur est de minimiser une fonction J définie comme suit [Wid-Wal-96] : @ 1 A B · 2 0 Avec E l´espérance mathématique. Le facteur ) ( )C(2.3) ) est utilisé dans la méthode de correction de l´erreur pour simplifier l´écriture de la dérivation de J par rapport aux poids du réseau. La méthode du gradient est utilisée pour réaliser la minimisation de la fonction J. La difficulté de cette méthode d´optimisation vient du fait que le calcul de la matrice de corrélation nécessite la connaissance de la relation entre les entrées et les sorties [Hyk-99] [Ngu-10] [Bec-13]. Afin de surmonter cette difficulté, Widrow et Hoff [Wid-Hof-96] ont proposé une solution d´approximation valable dans le cas d´un environnement inconnu en écrivant la fonction J sous la forme suivante : @ 1 · 2 0 ) ( )(2.4) Dans cette approche, seules les valeurs instantanées de la somme de l´erreur au carré ont été retenues. En conséquence, une méthode en découle qui est connue sous le nom d´algorithme des moindres carrés communément appelé algorithme LMS (Least Mean Square). Les détails seront développés dans la section suivante. a. Algorithme des moindres carrés L´algorithme LMS a été formulé par Widrow et Hoff pour être utilisé dans les circuits de commutation adaptative (Adaptive Switching Circuit). Cet algorithme n´est utilisé qu´avec un réseau particulier où la structure entre les entrées et les sorties est linéaire [Wid-96]. Ce type de réseau linéaire est également appelé ADALINE (ADAptive LInear NEuron) présente certains avantages tels qu´une architecture simple, un apprentissage rapide et une possible interprétation physique de ces poids [Oul-05] [Wir-09] [Oul-07a]. Dans le domaine de l´électrotechnique, le réseau ADALINE est utilisé afin de suivre la fréquence du réseau [Das-97], extraire les composantes de la tension et du courant d´un système triphasé déséquilibré [Oul-05] [Ngu-09a] [Fli-09] et détecter les harmoniques de tension et de courant [Oul-07a] [Oul-07b] [Ngu-08] [Ngu-09a]. Par la suite, nous allons étudier un algorithme basé sur l´équation de Wiener-Hopf [Hay-99] pour déduire une extension de l´algorithme LMS. Equation de Wiener-Hopf Soit x(t) un vecteur d´entrées de dimension m comme le montre la figure 2.6. La nouvelle fonction de coût @(F) peut s´écrire comme suit : @(F) 1 . A' ) (F),(2.5) 2 43 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? (F) % (F) − 234 (F) % (F) − + H ' H (F). 8H (F) , (2.6) Vecteur des poids Vecteur d’entrées 8$ (F) ((1) 8 (F) ((2) 8) (F) ((3) ⋮ ⋮8 ((\) ;:=> ⅀ XZY . [Y + - (F) % … Algorithme d’apprentissage Fig. 2.6 Topologie d’un ADALINE. Le but de l´algorithme d´apprentissage est de minimiser la fonction J en modifiant les poids 8H . En développant le carré de l´équation (2.5), on obtient : @(F) 1 . 2 % − + H 1 .8H (F). J%K ( ) 1 − + . 2 + L + H .8L (F). 8H (F). K (M, ) 1 (2.7) Où les poids sont considérés comme des valeurs constantes en régime permanent. Si nous posons : % AP ) % Q K (M, ) AP(L . (H Q : comme fonction d´auto-corrélation de l´ensemble des vecteurs d´entrées avec i, J%K ( ) A( : comme valeur moyenne de la sortie désirée au carré ; % . (H ) : comme fonction de corrélation entre la sortie désirée et l´entrée (H ; j = 1, 2, . . .m. La convergence de l´algorithme est atteinte pour une valeur minimale de la fonction de coût J qui représente la surface de l´erreur du réseau. Cette condition optimale est obtenue quand la dérivée de J par rapport aux poids 8H est égale à zéro. Cette dérivée est appelée le gradient de l´erreur surfacique : R@(F) R8H STU @(F)(2.8) 44 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? STU @(F) − J%K ( )+ + H .8L (F). K (M, ) 1 (2.9) Pour minimiser la fonction J, nous mettons l´équation (2.9) égale à zéro et nous déduisons une équation permettant de calculer les poids optimaux [Wid-96] : + H .8L (F). K (M, ) 1 J%K ( )(2.10) Dans l´équation (2.10) de Wiener-Hopf, les poids sont obtenus par la division de la fonction de corrélation entre % (F) et (H (F) avec la fonction d´auto-corrélation inverse du vecteur d´entrée ( ). Pour éviter le calcul de l´inverse de la matrice K (M, ), deux méthodes sont proposées dans la littérature [Wid-96] [Hay-99] [Ngu-10]. Méthode du gradient simple La méthode du gradient simple suppose que les poids varient avec le temps et ses valeurs sont modifiées de manière itérative suivant l´erreur surfacique afin d´atteindre le point minimal de @ . La figure 2.7 montre le principe de cette approximation. Il est intuitif de montrer que la direction de l´adaptation des poids est opposée à celle du vecteur du gradient @ dont les éléments sont définis par STU @(F) avec i=1, 2,…,m. Pour cette méthode, l´adaptation appliquée au poids 8H (F) à l´itération F est définie par : ∆8H (F) −`. STU @(F)(2.11) Où ` représente une constante positive proche de zéro appelée le coefficient d´apprentissage (choisie entre 0 et 1). Enfin, la mise à jour des poids sera effectuée par : 8H (F + 1)= 8H (F) − `. STU @(F) (2.12) En combinant les équations (2.9) et (2.12), nous obtenons une relation entre deux poids consécutifs en fonction de la matrice de corrélation J%K ( ) et d´auto-corrélation K (M, ): 8H (F + 1)= 8H (F) + `. . J%K ( ) − ∑+ H .8L (F). K (M, ) 11 (2.13) Pour cette méthode de la descente du gradient, L´inconvénient majeur est la nécessité de disposer des fonctions de corrélations J%K ( ) et K (M, ). Dans certains cas, ces fonctions ne sont pas connues et c´est ce qui conduit à utiliser des estimations. Ainsi, pour résoudre ce problème, un algorithme LMS a été proposé afin d´estimer ces fonctions de corrélation. Algorithme LMS L´algorithme LMS est basé sur l´utilisation de l´estimation instantanée des fonctions de corrélation. Ces estimations sont données par [Omi-97] [Ngu-10] [Bec-13] : 45 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? b ̂ ( J%K ; F) K̂ (M; ; F) % (F). (H (F) e (L (F). (H (F) i=1, 2, …m (2.14) Le symbole ^ désignent les valeurs estimées. Remplaçons l´équation (2.14) dans l´équation (2.13), nous obtenons : 8H (F + 1)= 8H (F) + `. . = 8H (F) + `. . =8H (F) + `. ' % (F). (H (F) − % (F) − % (F) − ∑+ H .8L (F). (L (F). (H (F) 11 ∑+ H .8L (F). (L (F) 11. (H (F) (2.15) 234 (F),. (H (F) Par conséquent, le résumé de l´algorithme LMS est donné selon les étapes suivantes : (F) et le paramètre d´apprentissage µ 1. Initialiser le vecteur poids de8(0) sont choisis aléatoirement), 2. Appliquer le vecteur (F) en entrée du réseau RNA, (F). (F), 3. Calculer la sortie 234 (F) 4. Calculer l´erreur (F) % (F) − 234 (F), (F) + ` (F) - (F), 5. Calculer le nouveau vecteur poids (F + 1) 6. k →k + 1 et aller à l´étape 2. (les éléments Remarques Dans la méthode de la descente du gradient, le vecteur de poids (F) qui est constitué par les poids (F) ' (F) ) (F) … + (F), converge vers un vecteur optimal f04 et (0)et en poursuivant précisément une cela en commençant par les valeurs initiales trajectoire bien définie (à l´opposé de la direction du gradient) (Fig.2.7). Par contre, dans l´algorithme LMS appliqué à un environnement inconnu, les poids sont les valeurs estimées et le vecteur de poids poursuit sa trajectoire vers des poids optimaux. Quand le nombre d´itérations n tend vers l´infini, le vecteur de poids estimé converge vers la valeur optimale f04 . L’erreur au carré J(k) @+H 8 g R@(F) R8 ∆8 8f04 8(F + 1) 8(F) −` 8( ) R@(F) R8 Poids Fig. 2.7 Principe de la méthode de la descente du gradient. 46 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? 2.5.2.2 Apprentissage à rétropropagation du gradient d´erreur La méthode d´apprentissage appelée « rétropropagation du gradient » est un cas général de la méthode LMS. L´algorithme d´apprentissage LMS résout un réseau sans couche cachée (ADALINE) tandis que l´algorithme de rétropropagation permet la mis à jour des poids d´un réseau de neurones multicouche (MLP). Le nom rétrogropagation exprime le fait que l´erreur est propagée à travers le réseau d´une manière inverse c´est-a-dire de la couche de sortie vers la couche d´entrée. Les réseaux ADALINE utilisant l´algorithme LMS ne peuvent résoudre que des problèmes linéaires car ils représentent des relations linéaires entre les entrées et la sortie (fonctions d´activation linéaires). Un réseau de perceptron multicouche (Multi Layer Perceptron : MLP) avec l´algorithme de rétropropagation de l´erreur prend en compte la non-linéarité de l´environnement en introduisant des fonctions d´activation non linéaires dans son architecture. Différentes fonctions d´activations existent. Les plus fréquemment utilisées sont montrées dans la figure 2.8. Pour cette raison, on peut conclure que le MLP est plus performant que le réseau ADALINE face aux problèmes non linéaires (d´identification et de commande). f(s) f(s) f(s) +1 +1 +1 s 0 0 s 0 -1 -1 b. fonction de seuil bipolaire a. fonction de seuil f(s) s c. fonction bipolaire linéaire f(s) +1 +1 +0.5 0 s 0 s -1 d. fonction sigmoïde e. fonction tangente hyperbolique Fig. 2.8 Fonctions d’activations d’un neurone artificiel. a. Calcul de la sortie du réseau multicouche Afin de simplifier les calculs sur les MLPs, considérons un réseau multicouche comme celui défini par la figure 2.5 (m entrées, une couche cachée de n neurones et une couche de sortie de p neurones). Nous pouvons très facilement le généraliser pour un réseau ayant plusieurs couches cachées. Définissons les vecteurs suivants : 47 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? Le variable Définition du variable Dimension du variable x w(1) x(1) O(1) Λ(1) w(2) x(2) O(2) Λ(2) Vecteur d´entrées au réseau Matrice des poids dans la couche cachée Vecteur d´entrées des neurones dans la couche cachée Vecteur de sortie des neurones de la couche cachée Vecteur de l´erreur de rétropropagation de la couche cachée Matrice des poids de la couche de sortie Vecteur d´entrées des neurones dans la couche de sortie Vecteur de sortie des neurones dans la couche de sortie Vecteur de l´erreur de rétropropagation de la couche de sortie (m × 1) (m × n) (n × 1) (n × 1) (n × 1) (n × p) (p × 1) (p × 1) (p × 1) Nous avons donc : ( ) (F) . ( ) h( ) (F) ()) (F) ( ) . h()) (F) (F) - (F)1 . (F) ( ()) ()) ( ( ) (2.16) (F)) (2.17) - (F)1 . h( ) (F) ()) h()) (F) (2.18) (F)) (2.19) (2.20) Tel que : ( ) (. ) et ()) (. ) sont respectivement les fonctions d´activation de la couche cachée et de la couche de sortie. A partir de ces équations (2.16) jusqu´à (2.20), le vecteur de sortie du réseau MLP présenté dans la figure 2.5 peut être calculé come suit : (F) ()) i. ()) - (F)1 . ( ) (. ( ) - (F)1 . (F))j Lorsque la fonction d´activation ()) de la couche de sortie du RNA est linéaire ( fonction identité), la sortie du RNA peut être réécrite comme suit : (F) . ()) - (F)1 . ( ) (. ( ) - (F)1 . (F)) (F) (2.21) ()) est une (2.22) Finalement, la fonction J à minimiser est définie comme suit [Bec-13] : @(F) b. 1 . 2 + H ' %H (F) − ) H (F) , (2.23) Rétropropagation des erreurs et mise à jour des poids D´après [Hyk99] [Sar06] [Neg05], une adaptation ∆8 ()) des poids est calculée par la relation (2.24) avec Λ(2) l´erreur de rétropropagation de la couche de sortie : ∆8 ()) (F) −k. h( ) (F). .Λ()) (F)1 - (2.24) 48 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? Dans le cas où la fonction d´activation de la couche de sortie est linéaire ( identité), l´erreur de rétropropagation Λ(2) est égal à : Λ()) (F) (F) − ()) (.) est la fonction 234 (F) (2.25) De même pour les poids de la couche cachée, leur mise à jour est faite de la manière suivante : ∆8 ( ) (F) −k. (F). (F). .Λ()) (F)1 - (2.26) Où le vecteur de l´erreur de rétropropagation de la couche cachée Λ(1) doit prendre en compte toutes les erreurs des neurones de la couche de sortie tel que (avec i=1,……, n). Λ H ( ) (F) 0 h( ) (F). i1 − h ( ) (F)j . ∑L 8HL (F).Λ L ()) (F) (2.27) Où le termeh( ) (F). i1 − h( ) (F)j représente la dérivée de la sortie de la fonction d´activation sigmoïdale dans la couche cachée. Ce terme change si nous prenons d´autres fonctions d´activation. Par exemple, pour la fonction tangente hyperbolique de la couche cachée, nous obtenons : ΛH ( ) (F) (1 + hH ( ) (F)). i1 − h ( ) (F)j . 0 L 8HL (F).ΛL ()) (F) (2.28) 2.5.2.3 Apprentissage compétitif Dans un apprentissage compétitif, les neurones sont mis en compétition pour déterminer lequel sera actif à un instant donné. Contrairement aux autres types d´apprentissage, l´apprentissage compétitif produit un vainqueur ainsi que, parfois, un ensemble de neurones voisins du vainqueur, et seuls ce vainqueur et son voisinage bénéficient d´une adaptation de leurs poids. L´apprentissage est dit local car limité à un sous-ensemble des neurones du réseau [Par04]. La figure 2.9 montre la structure de ce type RNA. Un neurone j est dit « neurone gagnant » 8HL (F). L (F)est la plus grande parmi toutes celles des si la somme d´activitéhL (F) ∑+ H neurones de sortie. Ce neurone est donc mis à 1 et les autres sont mis à zéro. En utilisant l´algorithme d´apprentissage compétitif présenté dans [Hyk-99], l´adaptation ∆8HL (F)appliquée au poids 8HL est donnée par : ∆8HL (F) `. i H (F) − 8HL (F)j siM è+2 neuronegagnelacompé titione b 0sinon (2.29) L´apprentissage compétitif est surtout utilisé dans le contexte d´un apprentissage dit nonsupervisé, c´est-à-dire lorsque on ne peut pas connaitre les valeurs désirées pour les sorties du réseau compétitif [Par-04] [Bec-13]. 2.5.3 Modes d´apprentissage Nous pouvons ainsi parler de deux modes d´apprentissage : hors-ligne et en ligne [Ngu-10]. 49 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? le mode d´apprentissage hors-ligne : un apprentissage préliminaire est demandé avant d´utiliser le réseau dans la phase opérationnelle (les poids sont constants). Le mode horsligne est souvent utilisé dans des applications en boucle ouverte, comme par exemple la classification et la reconnaissance de forme. L´inconvénient de cette approche est que le réseau de neurones n´est pas adaptatif et de ce fait, il ne tiendra pas compte des changements pouvant intervenir dans le réseau électrique [Oud-05]. Le mode d´apprentissage en ligne : la phase de la mise à jour des poids est réalisée simultanément avec la tâche attendue (identification ou commande). Le mode en ligne est largement utilisé dans la commande des systèmes (boucle fermée). Pendant l´apprentissage, la modification des paramètres du réseau doit assurer la stabilité du système dynamique à commander. Dans ce cas les poids sont bornés. Ce problème difficile a fait l´objet de plusieurs travaux [Sar-06] [Irw-95] [Kin-96] [Lev-93] [Mil-91]. Un apprentissage en ligne permet de faire converger les estimations des paramètres (au sens le plus large, c´est-à-dire neuronaux mais représentatifs de grandeurs physiques) vers une valeur correcte en permanence. Cette approche est particulièrement intéressante avec des réseaux de neurones aussi simples que possible (les ADALINES, par exemple) [Wir-09]. Couche de sortie Couche d’entrée 8+ 8+0 Poids d’entrée h h) hz …… 9 … Entrées ( ) 8 8 h0 Fig. 2.9 Structure d’un réseau avec apprentissage compétitif. 2.5.4 Choix du processus d´apprentissage et de l´architecture de réseau de neurones Les RNA trouvent leur utilité dans différents domaines, notamment mais non exclusivement en identification et commande de « processus non linéaires ».Grâce au «processus d´apprentissage», les poids et les biais du réseau sont modifiés après chaque itération afin de converger vers les valeurs du régime permanent qui devraient être optimales. L´adaptation des poids synaptiques peut se faire selon différents « algorithmes d´apprentissage » [Hyk-99] : l´apprentissage par correction de l´erreur, l´apprentissage Hebbien, l´apprentissage compétitif et l´apprentissage type Boltzmann, etc… (Fig 2.10). 50 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? Un autre facteur doit être considéré, c´est la manière avec laquelle un RNA est associé à son environnement. Pour cela, nous avons la définition « des types d´apprentissage ». Tout cela fait partie d´un processus qui est décrit sur la figure 2.10. Dans cette figure, le processus d´apprentissage comporte deux étapes : le choix du type d´apprentissage, d´une part, et de l´algorithme d´apprentissage, d´autre part. En général, le choix de la méthode d´apprentissage est réalisé avant de choisir l´algorithme approprié. Dans la commande des systèmes, l´apprentissage supervisé est souvent utilisé pour corriger l´erreur de la sortie. Apprentissage Boltzmen Algorithme d’apprentissage (au choix) Apprentissage Hebbian Apprentissage Compétitif Processus d’apprentissage Apprentissage non Supervisé Type d’apprentissage (au choix) Apprentissage par Renforcement Notre travail concerne ces deux blocs Apprentissage Rétropropagation Apprentissage Supervisé Fig. 2.10 Classification des processus d’apprentissage. 2.5.4.1 Le choix du paramètre d´apprentissage Le coefficient d´apprentissage est un paramètre important qui détermine la stabilité du taux d´apprentissage d´un RNA. Le choix du paramètre d´apprentissage ` est primordial. Une valeur grande de ce paramètre permet une convergence rapide de l´algorithme mais une stabilité fragile lorsque le signal varie lentement. Une valeur petite du paramètre à ralentit la convergence des poids de l´ADALINE, mais quand celle-ci est atteinte, la stabilité est meilleure. Nous avons opté pour un paramètre d´apprentissage variant en fonction du temps afin de ne sacrifier ni la rapidité de la convergence, ni la stabilité des poids. Une telle fonction a été introduite par [Rit-92] pour des applications robotiques. Le coefficient d´apprentissage vaut donc [Ould 05] [Bec-13] : `( ) 4 `| 4~•€ `H { } (2.30) `H Où `H est a valeur initiale, `| sa valeur finale du coefficient d´apprentissage et +•K représente la durée maximale dans laquelle ` varie pour atteindre`| . Afin que les paramètres de l´ADALINE restent adaptatifs, on peut arrêter l´évolution de` quand la valeur `| est atteinte. 51 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? 2.5.4.2 Le choix de l´architecture de réseau de neurones Le choix d´utiliser telle ou telle architecture de réseau de neurones, tel ou tel type d´apprentissage dépend de l´application mais aussi des capacités de traitement du système sur lequel ces architectures vont être implantées [Oul05]. Dans notre étude, nous avons choisi d´utiliser les réseaux de neurones de type Perceptrons et de type Adaline : Type Perceptrons : Ils se prêtent le mieux à nos applications grâce à la simplicité de leur mise en œuvre et au déroulement parallèle des calculs qui rendent l´apprentissage en ligne plus efficace. Une couche cachée unique avec des fonctions d´activations non linéaires peut garantir de bons résultats [Sae-89]. Quant au nombre de neurones, il est déterminé de manière expérimentale (il n´existe pas de règles pour les définir). Type ADALINES : le type ADALINE est un cas particulier des réseaux multicouches, qui possèdent une architecture très simple (une couche d´entrée et une couche de sortie). Ils sont très efficaces dans des tâches d´estimation de signaux et leur implémentation sur un processus de traitement du signal est possible [Vas-99]. De plus, une analyse fine de leur fonctionnement permet une meilleure exploitation de leurs caractéristiques. 2.5.4.3 La commande neuromimétique La majorité des systèmes réels présentent des non-linéarités, des bruits non mesurables, des dynamiques non modélisables, etc., qui posent beaucoup de problèmes lorsqu´il s´agit de concevoir une stratégie de commande. Les 20 dernières années ont vu le développement des techniques classiques et l´apparition de nouvelles théories de commande. Les théories de commandes modernes telles que les méthodes adaptatives, les méthodes optimales et les théories classiques de commande ont besoin du modèle linéaire du système. Le modèle mathématique du système est requis, mais en général, ces modèles ne reflètent pas les vraies propriétés physiques du système. La commande neuronale qui a trouvé des applications dans la commande de processus chimiques, la robotique, le traitement d´image, etc. peut se passer du modèle mathématique du système. La majorité des architectures neuronales à succès commercial sont celles utilisant des structures de commande peu complexes. Cela se justifie par leur excellente caractéristique de généralisation, le déroulement parallèle des calculs et leur implémentation efficiente. Un exposé détaillé sur les différents schémas de commande à base de réseaux de neurones peut être consulté dans le livre d´Omatu [Oma-96]. Les auteurs donnent une classification des différents schémas et discutent du principe de l´apprentissage en ligne en utilisant l´algorithme de la rétropropagation de l´erreur. Plusieurs tests sur des exemples de laboratoire tels que la commande d´un pendule inversé et d´un véhicule électrique ont été réalisés par les réseaux de neurones et comparés avec des techniques classiques. [Vas-99] classifie les architectures neuronales pour la commande selon leur complexité et insiste sur le schéma ne nécessitant pas l´identification du modèle inverse du processus. Plusieurs applications dans le domaine des systèmes électriques, en particulier dans la commande de moteurs, sont traitées. Plusieurs autres 52 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? ouvrages réunissent différents travaux se référant à la commande neuromimétique. Une autre classification peut être trouvée dans [Nor-03]. 2.6 Méthodes neuronales d´identification et de commande de systèmes dynamiques La majorité des systèmes réels présentent des non linéarités, des bruits non mesurables, des dynamiques non modélisables, etc…, qui posent beaucoup de problèmes lorsqu´il s´agit de concevoir une stratégie de commande. Les deux dernières décennies ont vu le développement des techniques classiques et l´apparition de nouvelles théories de commande. Les théories de commandes récentes telles que les méthodes adaptatives, les méthodes optimales et les théories classiques de commande ont besoin du modèle linéaire du système. Le modèle mathématique du système est requis, mais en général, ces modèles ne reflètent pas les vraies propriétés physiques du ce système [Dzo-11]. Durant notre travail, le concept qui nous intéresse plus particulièrement est celui des réseaux de neurones artificiels que l´on appelle également réseaux neuromimétiques ou le connectionnisme. Ces réseaux partagent avec le cerveau des propriétés importantes : une répartition distribuée de l´information sur l´ensemble du réseau. En plus, les réseaux de neurones artificiels, sont abordés d´un point de vue du traitement du signal et du contrôle. Insérés dans des schémas d´identification et de commande, leurs capacités d´apprentissage et d´adaptation rendent ces tâches plus robustes et plus autonomes [Wir-09]. Dans cette section, nous analyserons les architectures de commande que nous avons le plus souvent rencontrées dans la littérature et qui ont fait leurs preuves dans des applications pratiques. Ces schémas neuronaux d´identification et de commande permettent de modéliser et de contrôler des systèmes dynamiques plus complexes, de les rendre plus autonomes, de prendre des décisions, d´intégrer une forme d´intelligence. Les commandes utilisant un réseau de neurones en tant que contrôleur se distinguent par une étape d´identification et une étape de contrôle (commande). L´étape d´identification consiste à élaborer un modèle neuronal qui est une estimation du processus à commander et cela au moyen d´une phase d´apprentissage. Celle-ci peut être soit préalable (hors ligne), ou bien elle peut se faire intégralement en ligne. En effet, cette étape vise à reproduire le comportement d´un système pour différentes conditions de fonctionnement qu´il soit linéaire ou non linéaire par un réseau de neurones identificateur (RNI). L´étape de commande consiste à utiliser les connaissances acquises pendant la phase d´identification et/ou de l´apprentissage en ligne pour élaborer des signaux de commande dans le but de faire suivre au système commandé une consigne bien définie ou un état désiré de sortie en présence ou non de perturbations. Dans le processus d´identification et de commande des systèmes dynamiques, l´apprentissage en ligne présente un intérêt particulier. En effet, pendant la commande d´un système si une perturbation vient changer l´état de ce système, le réseau de neurones contrôleur (RNC) suivra en 53 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? ligne ces changements en ajustant ses paramètres. Autrement dit, la commande neuronale est adaptative Avant d´exposer les différentes méthodes neuronales d´identification et de commande, nous devons définir un système dynamique tel que celui de la figure 2.11 (tirée de [Wir-09] [Bec-13] [Ngu-10]) : Un système dynamique peut être défini comme un processus ayant, à l´instant k, un vecteur (F)(signaux de commande) et un vecteur de sortie le vecteur (F)(mesures) qui d´entrée sont parfois perturbées par des bruits (F)(signaux extérieurs non désirées). Au cours de son fonctionnement, le système suit sa propre loi en faisant varier ses variables internes ‚(F). l´évolution d´un système dynamique peut se définir par une loi décrite par une fonction ƒ(. )linéaire ou non linéaire. L´expression de la sortie (F) du processus diffère selon qu´il soit autorégressif ou non. Dans le cas où il n´est pas autorégressif, la sortie (F) s´écrit par : (F) ƒP (F), ‚(F)Q + (F) (2.31) Lorsque le processus est autorégressif, la sortie y(k) s´exprime par : (F) ƒP (F), (F − 1), … , (F − ), ‚(F), … , ‚(F − M), (F), … , (F − „)Q + (F) (2.32) A partir de l´équation (2.31) on peut dire que la sortie de processus à l´instant k dépend de son état interne de l´entrée de commande mais également des i dernières entrées de commande, des j derniers états internes et de ses l sorties précédentes. Contrairement au système décrit par l´équation (2.30), le caractère dynamique du système peut être reconnu dans le système autorégressif (2.31) dont la majorité des systèmes dynamiques en possèdent le caractère. Bruits (F) Є …† F ème variable Processus ….. Variables internes ‚(F) Є …† (F) Є … † Sorties mesurées ….. ….. Entrées de commande (F) Є …† F ème variable Fig. 2.11 Schéma de principe d’un système dynamique [Wir-09]. Remarques Les réseaux de distribution électrique sont des systèmes dynamiques car ils possèdent toutes les caractéristiques d´un système complexe, c´est-à-dire non linéaire, non stationnaire, distribué, multivariable, influencé par de nombreux facteurs, aux mesures bruitées, etc. 54 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? La notion de récurrence dans les réseaux de neurones est une technique judicieuse pour introduire plus de capacités d´apprentissage au sein d´un réseau. Les dimentionalités d´un réseau de neurones ont une influence sur la convergence. En effet, l´apprentissage est plus complexe lorsque les dimentionalités et le nombre de neurones sont élevés. On peut citer l´exemple des réseaux multicouches, pour lesquels il faut fixer le nombre de couches et de neurones dans chaque couche cachée (même si la règle d´adaptation des poids est relativement aisée à implémenter). Les entrées et les sorties sont retardées afin de capter la dynamique du système. Dans le cas d´un système auto-régressif, cette utilisation est obligatoire pour obtenir un bon résultat d´identification. 2.6.1 Etape d´identification Identifier un système dynamique consiste à élaborer un modèle établissant une relation entre son entrée et sa sortie et à déterminer, à partir du couple des signaux d´entrée-sortie, le comportement du modèle. Deux raisons importantes nous motivent : Prédire le comportement d´un système pour différentes conditions de fonctionnement. Elaborer une loi de commande à appliquer au processus, pour qu´il réalise l´objectif assigné. Nous citerons trois techniques d´identification à base de réseaux de neurones multicouches : la méthode d´identification directe, inverse et la méthode d´identification du Jacobien. a. Identification directe La figure 2.1.a montre le schéma général d´identification directe (principe d´un apprentissage supervisé) d´un processus. Sur cette figure, le réseau de neurones identificateur RNI est utilisé en parallèle avec un processus de type boite noire. Pour chaque itération k, le RNI tente de produire une sortie 234 (F) (sortie estimée) qui sera plus proche de a sortie du processus % (F) (sortie désirée). L´erreur entre ces deux sorties, (F) % (F) − 234 (F) est utilisée pour la modification et l´adaptation des poids du RNI jusqu´à avoir une erreur acceptable. Une fois l´erreur minimale souhaitée est atteinte, alors le modèle direct du processus est identifié. Pour considérer l´aspect dynamique du processus lors de son identification, deux solutions peuvent être utilisées : des réseaux de neurones récurrents ; d´accroitre les entrées du réseau de neurones avec les signaux correspondants aux valeurs antérieures des entrées et des sorties (Fig.2.12.b). Dans ce cas, il s´agit de présenter des lignes de retard au RNI. Pour l´efficacité de l´apprentissage, le RNI doit avoir des informations adéquates à travers les signaux des entrées et des sorties. Les lignes à retard au RNI peuvent contenir à la fois des signaux de l´entrées et de la sortie du processus. Lorsque le système est soumis à des perturbations, l´architecture de l´équation (2.6) procure de meilleures performances. 55 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? 234 (F (F) + 1) ( 234 (F), 234 (F − 1),… Processus + − 234 (F) 234 PF (F), − \ + 1), (F) % (F) (F) Š (F − 1), … , (F − ‡ + 1)Q (2.33) Processus ‰ 234 (F) Š‰ Š‰ RNI − (F) RNI Š‰ a. Sans lignes de retard + % (F) b. A l’aide de lignes de retard Fig. 2.12 Identification directe d’un processus avec un réseau de neurones (forward modelling). a. Identification inverse Dans cette méthode, l´entrée du processus est comparée avec la sortie de l´identificateur neuronal RNI et la sortie du processus est injectée comme entrée du réseau de neurones (Fig. 2.13). Après un apprentissage hors-ligne du modèle inverse, le RNI estime la fonction inverseF ‰ (. ) du processus. L´avantage de cette méthode est qu´après l´apprentissage ce RNI peut être placé en série avec le processus afin d´assurer un contrôle direct sans boucle de retour. (F) + − Processus % (F) 234 (F) (F) (F) + − Processus Š‰ ∆ (F) ∆ RNI Fig. 2.13 Identification inverse d'un processus avec un réseau de neurones. RNI ∆ + % (F) 234 (F) − % (F) − + Š‰ (F) Fig. 2.14 Identification du Jacobien d’un processus. b. Identification du Jacobien Il est parfois intéressant de pouvoir disposer du Jacobien d´un processus qui est sa dérivée par rapport au temps, notamment lorsqu´une approche linéaire locale de processus est désirée. Ce 56 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? jacobien peut être identifié en utilisant des lignes à retard. Pour chaque itération k, l´apprentissage de ce jacobien s´effectue en présentant les vecteurs d´entrée-sortie ∆ (F) et ∆ % (F) , représentant les variations dans le temps des entrées (F) et des sorties % (F) du processus. La figure 2.14 montre le schéma de principe d´identification du jacobien. Sur ce schéma, une entrée supplémentaire constituée du vecteur d´entrée (F) est rajoutée au RNI [Wira-09]. 2.6.2 Etape de contrôle Le rôle d´une loi de contrôle est de maintenir certains états d´un système à des valeurs désirées malgré les effets d´éventuelles perturbations. Aujourd´hui, on veut contrôler des systèmes complexes, il s´agit également de les rendre plus « intelligents », c´est-à-dire plus automatisés, plus autonomes, plus performants, plus rapides, tout en réduisant au maximum l´énergie utilisée [Wir-09]. La commande basée sur des techniques neuromimétiques a sa place parmi les méthodes de commande dites « intelligentes » appliquées aux systèmes dynamiques et complexes. Une commande dite intelligente est une commande qui peut s´adapter en fonction des changements de situation ou de configuration, et qui est capable de prendre en compte des phénomènes imprévus. Le RN, avec ses capacités d´apprentissage et d´adaptation, avec sa parcimonie et ses performances est une solution très prisée. En effet, le contrôleur neuronal est capable de générer une sortie appropriée pour une entrée qu´il n´a pas déjà vue dans les exemples d´apprentissage [Ngu-10]. Plusieurs architectures de commande neuronales dans la littérature scientifique. Les plus simples se basent sur l´apprentissage d´un contrôleur conventionnel déjà existant, d´autres opèrent un apprentissage hors-ligne du modèle inverse du processus ou d´un modèle de référence et enfin, d´autres travaillent complètement en ligne. Dans les sections suivantes, nous allons détailler et discuter quelques schémas de commande neuronaux utilisés dans notre application du FAP. 2.6.2.1 Commande sans modèle de référence a. Commande inverse avec apprentissage en ligne : La commande inverse avec un réseau de neurones contrôleur (RNC) est le schéma de commande le plus simple. Elle repose sur l´apprentissage de l´inverse du processus. Après l´apprentissage suivant la stratégie déjà (identification inverse) représentée dans la figure 2.13, le RNI peut être placé en série avec le processus à commander et devient ainsi un RNC. En effet, la consigne de commande est appliquée en entrée au RNC et la sortie de ce RNC constitue la commande injectée en entrée du processus. L´avantage de la commande inverse avec un RNC (Fig. 2.15) est le suivi en temps réel de l´évolution du processus, car l´apprentissage est réalisé en ligne. Mais elle est très peu utilisée car cet organe de commande dépend étroitement de la fidélité du modèle inverse, la stabilité et le niveau de performance ne seront pas garantis dans le 57 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? cas où le modèle inverse n´existe pas ou si il est difficile à trouver (en pratique, un processus n´est pas toujours inversible). (F) + − (F) ‹(F) RNC % (F) Processus Fig. 2.15 Schéma de commande inverse avec un RNC. b. Commande inverse-directe avec apprentissage en ligne La commande inverse-directe sans modèle de référence consiste à estimer d´abord l´inverse de processus en utilisant un RNI est ensuite ce même réseau sera utilisé en tant que RNC du processus en boucle fermée. Le schéma de principe de cette méthode est représenté sur la figure 2.16. Sur ce schéma, en effet, la commande neuronale est élaborée en deux phases d´apprentissage : une phase d´identification et une autre de commande. Les performances de cette commande dépendent largement du modèle inverse identifié du processus par le RNI, et donc la base d´apprentissage influe fortement sur les performances de la boucle de commande. En effet elle doit contenir toutes les informations nécessaires à la modélisation de l´inverse du processus. Sur le schéma de commande, nous pouvons constater que le RNI possède deux entrées composées de deux vecteurs distincts % (F) et % (F − 1) . Donc, le réseau de neurones ne modélise pas tout à fait l´inverse du système. Le RNC possède deux entrées (F) et (F) qui son respectivement la sortie du processus et la consigne de la commande [Wir-09] [Bec-13]. (F) (F) % (F) Processus RNC + 234 (F) − (F) RNI % (F Š‰ − 1) Fig. 2.16 Commande inverse-directe sans modèle de référence. 58 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? 2.6.2.2 Commande neuronale par apprentissage d´un régulateur conventionnel a. Commande par identification directe d´un contrôleur conventionnel Un contrôleur conventionnel (du type PID, RST, etc.) est généralement calculé pour optimiser la commande d´un processus. Un réseau de neurones identificateur (RNI) peut réaliser un apprentissage hors ligne entre les entrées et sorties du contrôleur afin d´approximer son comportement (Fig. 2.17). Une fois l´apprentissage accompli, le neuro-contrôleur remplacera le contrôleur conventionnel dans la boucle de commande et fonctionnera en tant que RNC. Le but de cette architecture trouve son intérêt lorsqu´on veut s´affranchir des contraintes liées à l´implémentation des régulateurs conventionnels. − (F) + (F) Contrôleur conventionnel (F) (err RNI − % (F) Processus + H (F) Fig. 2.17 Identification d’un régulateur conventionnel avec un RNI . b. Commande par apprentissage en parallèle avec un régulateur PID Cette architecture est utilisée pour ajuster la commande en sortie d´un contrôleur conventionnel. La figure 2.18 est constituée d´un RNC qui fonctionne en ligne et en parallèle avec le régulateur PID. Le RNC réalise un apprentissage en ligne grâce à l´erreur (F) calculée à partir de la différence entre la consigne (signal de référence) (F) et la sortie du processus % (F). la sortie du réseau de neurones RNC, Œ) (F), est additionnée avec la sortie Œ (F) du régulateur conventionnel PID afin de la corriger (minimiser l´erreur). Le but principal de ce schéma est que le RNC opère en ligne et permet de pallier à l´insuffisance d´adaptation de la commande du régulateur PID notamment lors du changement des paramètres du processus. RNC (F) + (F) − PID Œ) (F) + Œ (F) + Processus % (F) Fig. 2.18 Apprentissage en parallèle avec un régulateur. RNC (F) (F) + − PID Œ) (F) + + Processus % (F) Œ (F) Fig. 2.19 Apprentissage d’un régulateur. c. Commande par Auto-ajustement des paramètres d´un régulateur PID 59 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? Le réseau de neurones est utilisé pour ajuster les paramètres d´un contrôleur conventionnel (on se limite au cas d´un PID) de la même manière que lorsqu´ils sont réglés par un opérateur humain [Oma-96]. Dans ce schéma (Fig. 2.20), les gains •0 , •H et •Ž gains proportionnels, intégral et dérivé seront déterminés en temps réel (en ligne) par le RNC. Ensuite, ils sont injectés dans la structure du PID afin de procéder à la régulation du processus. Cette architecture offre la caractéristique adaptative à la structure du régulateur conventionnel. Ceci permettra aux paramètres du régulateur PID de suivre en temps réel les changements des paramètres du processus. (F) + − (F) PID (F) Processus % (F) •0 •H RNC (er •Ž Fig. 2.20 Auto-ajustement des paramètres d’un régulateur. 2.6.2.3 Contrôle neuronal basé sur un modèle de référence a. Rôle d´un modèle de référence Lorsqu´un modèle de référence est utilisé dans un schéma de commande neuronale, alors on parle de « Model Referencing Adaptive Control » (MRAC), ou de contrôle adaptatif basé sur un modèle de référence [Bos-07] [Wir-09]. Le modèle de référence prend généralement comme entrée le signal de commande (F) . Il délivre un signal de référence ‡(F) dans l´espace de sortie du processus. L´objectif de la commande est alors de forcer le processus à suivre la sortie du modèle de référence. Les performances du processus se déterminent alors en fonction du modèle de référence. Il existe plusieurs variantes de schémas utilisant un modèle de référence par exemple : b. Contrôle neuronal direct avec modèle de référence Le contrôle neuronal le plus simple qui se base sur un modèle de référence est le contrôle neuronal direct avec modèle de référence. (Fig. 2.21). Dans ce schéma, les paramètres du contrôleur, les poids du réseau de neurones en l´occurrence, sont directement ajustés grâce à une erreur calculée entre la sortie du modèle de référence et la sortie du processus, (F)=‡(F)− % (F). A partir de ce schéma, nous pouvons constater également que la sortie du RNC n´est comparée à aucun signal. Par conséquent les performances de cette commande se déterminent uniquement en fonction du modèle de référence 60 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? utilisé. Il existe d´autres variantes de schémas utilisant un modèle de référence, ce sont les contrôles inverse et indirect. c. Contrôle neuronal inverse avec modèle de référence Le schéma de principe de la commande inverse avec modèle de référence est illustré sur la figure 2.22. Dans ce schéma, deux réseaux de neurones sont utilisés. D´une part, le RNI estime le modèle inverse du processus en utilisant les entrées et les sorties de ce dernier et d´autre part, le RNC est exploité en tant que contrôleur pour commander le processus. Le RNC prend également en entrée des signaux issus du RNI. Dans cette approche, les poids du RNC sont ajustés aussi grâce à l´erreur calculée par rapport au modèle de référence : ) (F)=‡(F)− % (F). (F) (F) % (F) RNC (F) RNC Modèle de référence Processus (F) (F) ‡(F) + ) (F) − Modèle de référence (F) Modèle de référence 234 (F) erre − ‡(F) (F) + RNI − % (F) Processus RNC ) (F) % (F) Fig. 2.22 Commande inverse avec modèle de référence. Fig. 2.21 Commande directe avec modèle de référence. (F) + Processus RNI ‡(F) + − Š‰ (F) 234 (F − 1) + − Fig. 2.23 Commande indirecte avec un modèle de référence. d. Contrôle neuronal indirect avec modèle de référence Le contrôle neuronal indirect avec modèle de référence est un autre schéma de contrôle qui se base sur deux réseaux de neurones. Le contrôle neuronal indirect avec modèle de référence (Fig.2.23) est plus robuste que le schéma inverse avec modèle de référence précédent représenté sur la figure 2.22 auquel il ressemble. Le réseau contrôleur prend en entrées en complément de 61 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? l´entrée de référence, des paramètres déterminés par le réseau d´identification ainsi que la sortie mesurée du processus, ce qui lui offre plus de robustesse par rapport au schéma de commande précédent [Wir-09]. 2.7 Autres techniques intelligentes Afin de s´affranchir des limitations des contrôleurs classiques en dehors des réseaux de neurones, nous proposons d´investir des techniques avancées de l´automatique. Parmi ces techniques intelligentes existantes pour l´élaboration des stratégies de commande adaptatives et efficaces, on peut citer : 2.7.1 Commande floue La logique floue fut développée par Lofti Zadel en 1965 et elle a été appliquée dans plusieurs équipements comme : les machines à laver, les systèmes de climatisation, les robots, les réseaux de transport, etc. La commande par la logique floue se décline en 5 étapes [Bag-99] [Cir-02] : la fuzzification, la base de données, la base de règles, l´inférence floue et la défuzzification. tout d´abord à la « fuzzification » qui consiste à transformer les entrées réelles du processus en un sous-ensemble flou de variables. La base de règles est la stratégie de commande du système. Elle est normalement obtenue par des connaissances d´experts ou heuristiques et exprimée par une structure Si-Alors (If-Then). On utilise alors ces variables floues dans un mécanisme « d´inférence » qui crée et détermine les variables floues de sortie en utilisant les opérations sur les fonctions d´apparence. Finalement, on effectue la« défuzzification » qui consiste à extraire une valeur réelle de sortie à partir de la fonction d´apparence du sous–ensemble flou de sortie. La commande par la logique floue FL ne dépend pas du modèle mathématique, elle est basée sur l´heuristique et elle est donc capable d´incorporer l´intuition humaine et l´expérience [Ngu-10]. La logique floue, comme les réseaux de neurones, s´est largement répandue ces dernières années dans les applications électriques. 2.7.2 Les systèmes neuro-flous L´utilisation conjointe des réseaux de neurones et de la logique floue permet de tirer les avantages des deux méthodes; les capacités d´apprentissage de la première et la lisibilité et la souplesse de la seconde. Diverses combinaisons de ces deux méthodes ont été développées depuis 1988. Elles ont donné naissance aux systèmes neuro-flous, qui sont le plus souvent orientés vers la commande de systèmes complexes et les problèmes de classification. George Lee [Lee-01] définit un système neuro-flou comme étant un réseau neuronal multicouche avec des paramètres flous, ou comme un système flou mis en application sous une forme distribuée parallèle. Il a notamment répertorié trois familles de systèmes neuro-flous : Le modèle (FALCON et le modelé GARIC), le modèle NEFCLASS et le modèle ANFIS. Plusieurs ouvrages et articles 62 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? montrent un bon rendement du modèle ANFIS lorsqu´il est utilisé dans la commande de moteurs [Gra-00] [Akc-04] [Meli-05]. Ainsi, des applications dans le traitement du signal et le filtrage adaptatif ont été réalisées avec cette architecture (ANFIS). 2.7.3 Les algorithmes génétiques Les algorithmes génétiques, comme les réseaux de neurones, font partie des Réseaux Adaptatifs Non-linéaires (RNA) [Ren-95]. Ils sont composés d´un grand nombre d´unités élémentaires ou agents qui traitent l´information le plus souvent de façon parallèle et distribuée. Les algorithmes génétiques ont été développés à des fins d´optimisation. Ils permettent la recherche d´un extremum global. Ces algorithmes s´inspirent des mécanismes de sélection naturelle (proposé par Darwin) et de la génétique de l´évolution. Un algorithme génétique fait évoluer une population de gènes en utilisant ces mécanismes. Cette technique est peu utilisée par comparaison aux trois précédentes dans le cas des applications électriques. Le nombre de calculs et d´itérations que nécessite le processus de détermination des règles est très élevé [Oul-05] [Dzo-11]. 2.7.4 La commande par mode glissant [Ngu-10] La commande par mode glissant est une méthode de commande avancée qui peut apporter une certaine robustesse face à l´incertitude des paramètres. Le principe de fonctionnement de la commande par mode glissant consiste d´abord à attirer les états du système dans une région convenablement sélectionnée, puis de concevoir une loi de commande qui maintient toujours le système dans cette région. En résumé, une commande en mode glissant peut être divisée en deux parties : Une première partie de détermination d´une région d´espace d´état telle qu´une fois que le système est dans cette région il ait un comportement désiré, Une seconde partie permettant de faire une loi de commande qui conduit le système jusqu´à cette région d´espace d´état. 2.7.5 La commande adaptative [Ngu-10] La commande adaptative se base sur un observateur automatique dont l´objectif est d´estimer les paramètres du système. Le contrôleur est conçu à l´aide de ces paramètres estimés en tenant compte de la dynamique du système et des perturbations l´affectant. Les méthodes de commande indiquées ci-dessus donnent une idée de la diversité des solutions dans le domaine de la commande des systèmes dynamiques. Nos travaux sont essentiellement centrés sur les RNAs (en grande partie), la logique floue (à titre de comparaison ave les RNAs) qui ont aujourd´hui un fort impact dans le domaine de l´électronique de puissance. 63 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? 2.8 Avantages des techniques neuronales/ intelligentes Le grand avantage des RNAs comparés à la majorité des méthodes de l´intelligence artificielle ou des méthodes conventionnelles réside dans le principe fondamental de l´apprentissage. Un RNA est capable de reproduire un fonctionnement en ajustant uniquement ses poids. Les RNAs sont des approximateurs universels parcimonieux : estimer un modèle linéaire ou non- linéaire avec un RNA nécessite souvent moins de paramètres ajustables qu´avec les méthodes classiques de régression [Wir-09]. Les techniques neuronales appliquées à l´identification et à la commande des systèmes dynamiques offrent plusieurs avantages. Parmi ces avantages, nous pouvons citer [Oul-05] ; [Bec-13] : L´identification ou la commande neuronale d´un processus ne requiert pas de son modèle mathématique interne. Les techniques neuronales améliorent considérablement les performances de la commande comparées à certaines techniques conventionnelles. Ces techniques peuvent profiter de l´expertise humaine si elle est disponible, sinon la commande neuronale se basera uniquement sur la réponse du système. Ainsi, leur conception peut combiner la réponse du système et l´expertise humaine. La commande neuronale s´adapte facilement aux changements qui surviennent dans le processus (commande adaptative). Elles peuvent apporter des solutions pour des problèmes intraitables par les méthodes classiques. Certaines architectures sont moins coûteuses que d´autres en termes d´implémentation matérielle. La plupart de ces architectures sont évolutives, etc… Dans ce travail, notre objectif est de développer les méthodes d´identification des harmoniques de courant et de tensions ainsi que de développer la commande en utilisant les techniques neuromimétiques. La commande par logique floue sera également explorée. En particulier, elle peut être combinée avec des réseaux de neurones. Ces différentes techniques sont développées dans le chapitre 5. 2.9 Application des techniques neuromimétiques dans les systèmes électriques et les FAPs−panorama historique 2.9.1 Systèmes électriques Le premier succès connu de l´application des techniques neuronales en électronique de puissance est certainement celui lié à la commande de moteurs. En effet, dans [Wee-91], un réseau de neurones multicouche a été conçu pour permettre de suivre la vitesse du rotor. Comme alternative aux méthodes d´identification traditionnelles, les réseaux de neurones ont été utilisés pour l´identification et la commande en ligne de courant du stator [Bur-95]. L´intégration des techniques neuronales dans le schéma de la commande vectorielle des moteurs et leur implémentation sur cible matérielle est relatée dans [Bos-01] [Mon-02]. 64 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? Le FAP associé à un onduleur et un FPB peut être considéré comme un système complexe en raison de la dynamique des harmoniques. Dernièrement, Le filtrage actif parallèle dans les réseaux électriques est en marge de cette nouvelle avancé. Les sections suivantes présenteront les principales méthodes utilisées dans les modules du compensateur actif parallèle tout en mettant l´accent sur les techniques neuronales. 2.9.2 Filtres actifs parallèles (FAPs) Dans [Ala-02] un état de l´art des FAPs de puissance est présenté. Cette étude à été approfondie et ensuite élargie aux filtres actifs multiniveaux. La première famille des FAPs a été conçue à partir d´onduleurs à thyristors commandés en MLI [Gyu-76]. A cette époque la technologie des interrupteurs d´électronique de puissance ne leur permettait pas de fonctionner aux fréquences se commutation et aux niveaux de puissance exigés par la réalité industrielle. Au cours des années 1980, de nouveaux composants de puissance associant hautes fréquences de commutation et fortes puissances ont été développés. Profitant de ces avancées, et de l´événement des interrupteurs de puissance de type GTO (Gate Tur-Off) et IGBT, de nombreux onduleurs de puissance, commandés en MLI ont pu être conçus en vue de répondre aux contraintes industrielles de conception des FAPs [Aka-86]. Plus récemment, il a été proposé dans [Ran-10], un FAP à structure de tension avec sept niveaux d´onduleurs monophasés à pont complet montées en cascade afin d´obtenir des courants de compensation adéquats. L´évolution des FAPs, a aussi permis d´extraordinaires interactions avec les énergies renouvelables. Depuis quelques années, les techniques neuronales ont fait leur apparition dans le filtrage actif des réseaux électriques. Parmi les chercheurs les plus connu dans le domaine du filtrage actif, on peut citer le professeur Hirofumi Akagi. Ses travaux concernent les convertisseurs statiques, la commande de moteurs et surtout les applications pratiques des filtres actifs. On lui doit le développement de la méthode des puissances instantanées réelle et imaginaire (PIRI) [Aka-83] [Aka-84] pour l´identification des harmoniques dans les réseaux de distribution. Les recherches sur les réseaux de neurones dans le domaine des commandes de filtre actif en général et filtre actif parallèle en particulier, sont de plus en plus importantes dans la littérature. En particulier, R. Bansal propose dans [Ba-03] une synthèse du contrôle de la puissance réactive dans les réseaux électriques par l´utilisation des techniques neuromimétiques. Ainsi, des contributions remarquables en Espagne consistent en l´utilisation de la méthode des vecteurs de Park avec des Adalines pour l´identification des harmoniques [Vaz-01b]. Cette méthode permet de travailler dans des conditions extrêmes en réduisant les coûts de calculs. La commande de l´onduleur se fait par un réseau de type Feedforward [Vaz-01a] [Vaz-02]. Au Canada, un Adaline a été utilisé pour l´ identification sélective des harmoniques avant de les réinjecter dans le réseau en opposition de phase [ElS-02]. 2.9.2.1 Contrôle générique du FAP/ blocs de la partie contrôle-commande Le FAP est constitué de plusieurs blocs reste une solution de dépollution complexe qui a besoin d´une étude approfondie et minutieuse pour avoir un bon rendement. Chaque bloc remplit 65 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? une tache bien précise et dépend fortement des performances des autres blocs. Cette dépendance rend encore une fois la modélisation plus difficile et demande une sélection rigoureuse des techniques de commande à utiliser. La figure 2.24 présente le schéma bloc de la partie contrôle-commande (schématisée dans la figure 1.7) d´un filtre actif shunt et voir comment ces méthodes d´identification et de commande ont été traitées dans la littérature, particulièrement qui impliquent des techniques neuromimétiques. Généralement, ces blocs imbriqués sont : Bloc d´identification des composantes de la tension (la composante directe et la fréquence fondamentale de la tension) ; Bloc d´identification des courants harmoniques de références; Bloc de régulation de la tension du coté continu de l´onduleur ; Bloc de la commande de l´onduleur. —= —— —“ ‘“ ˜ PLL(Synchronisation) (Synchronisation) PLL Extractionde la de la Extraction composante directe de de composante directe tension tension Phase instantanée Phase instantanée Réseau électrique Onduleur + Filtre de sortie ’?“ ’?“ ”:• • , …• Contrôle de courants —”:• ‘? –? Charge non linéaire —“ Identification des courants harmoniques de références Régulation de la tension continue Partie Contrôle Contrôle -Commande Commande du Partie du FAP FAP Fig. 2.24 Structure générale de la partie puissance d’un filtre actif parallèle. 2.9.2.2 Identification des composantes directes fondamentales des tensions et système PLL Boucle à verrouillage de phase (PLL) Une boucle à verrouillage de phase ou une PLL (Phase Locked Loop) est un système permettant de détecter la phase instantanée ainsi que les systèmes direct, inverse et homopolaire d´un système électrique triphasé quelconque [Hsi-96] [Ngh-09b] [Mek-07] [sal-07] [Oli-063]. Dans les applications de filtrage actif shunt, la connaissance de la fréquence ainsi que la séquence directe fondamentale des tensions mesurées au point de raccordement est souvent nécessaires dans l´étape d´identification des courants harmoniques. Dans le cas d´un déséquilibre 66 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? du système, la PLL doit fournir le système direct de tension pour une compensation totale (la puissance réactive et les harmoniques de courant). La phase instantanée est une grandeur importante et indispensable pour les méthodes d´identification. Certaines méthodes sont très sensibles aux changements de fréquence. Il est donc nécessaire de disposer d´une PLL robuste pour améliorer la qualité de la compensation. Nous allons étudier la conception d´un système PLL selon plusieurs méthodes (classique et neuronale) dans le chapitre 3. Extraction de la phase et de la composante directe de la tension La boucle à verrouillage de phase, PLL, est de loin la technique la plus utilisée pour extraire la phase de la composante fondamentale directe de la tension dans les réseaux électriques basse tension [Kau-97]. Cette technique est née en 1932. A cette époque, la réalisation de la PLL était volumineuse, chère et réservée aux matériels professionnels jusqu´à l´apparition des circuits intégrés. Aujourd´hui, les applications de la PLL sont nombreuses et variées (transmission en modulation de fréquence, radars à effet DOPPLER, asservissement de la vitesse de moteur à courant continu, etc.). Dans [Bru-99], la PLL a été adaptée pour le calcul de l´amplitude de la composante fondamentale directe de la tension réseau. Son principe de fonctionnement est basé sur l´utilisation d´un régulateur RST spécifique qui a été amélioré par la suite afin de garantir un bon niveau de fiabilité et une réponse rapide [Ala-02]. Au sein du l´laboratoire MIPS de l´Université de Haute Alsace à Mulhouse, un système PLL à base de réseaux Adaline a été développé dont le but d´extraire toutes les composantes de la tension [Oul-05]. Poursuite de la fréquence La PLL peut suivre la phase instantanée de la tension fondamentale du réseau et retrouver sa fréquence. D´autres méthodes ont été développées mais la plupart d´entre elles ne sont utilisables que si le signal de la tension est purement sinusoïdal. Des techniques basées sur la transformée de Fourier discrète [Pha-83], les moindres carrés [Sac-85], des algorithmes itératifs du même type que celui de Newton [Ter-94], des filtres adaptatifs [Das-98] et d´autres méthodes itératives ont été proposées. Dans des travaux plus récents [Rou-02], les auteurs ont mis au point un filtre de Kalman étendu pour estimer la fréquence du réseau électrique soumise à de légères fluctuations. La faisabilité a été étudiée et la stabilité du filtre a été montrée et discutée dans une certaine mesure, c´est-à-dire pour un signal sinusoïdal perturbé uniquement par des harmoniques parasites. Dans [Das-97], un réseau Adaline est utilisé afin d´estimer uniquement la fréquence fondamentale. Les auteurs identifient les paramètres d´un modèle du signal électrique s´écrivant sous la forme d´une équation aux différences incluant les premiers harmoniques. L´apprentissage contraint l´erreur entre la sortie désirée et la sortie calculée, à satisfaire la stabilité d´une équation aux différences plutôt que de minimiser une fonction d´erreur. Cependant, cette approche ne 67 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? donne des résultats que si le courant est sinusoïdal et exempt d´harmoniques, ce qui n´est pas le cas pour notre réseau électrique et en général dans les cas pratiques. La fréquence d´échenillage retenue influence fortement l´efficacité de la méthode [Dzo-11] [Oul-05]. 2.9.2.3 Régulation de la source de tension continue Dans le filtre actif, la source de tension continue joue le rôle d´une source de puissance pour produire les tensions alternatives à la sortie de l´onduleur. En raison des pertes dues aux commutations et à l´effet Joule dans les composantes passives du filtre de sortie (LPF), la tension continue a tendance à baisser, par conséquent les courants d´injection sont dégradés. Il est donc nécessaire de maintenir cette grandeur à une valeur constante prédéfinie. Ce travail doit se faire par l´adjonction d´un courant actif fondamental supplémentaire dans le courant de référence. Généralement, la source d´énergie associée à l´onduleur est un condensateur [Gyu-76] [Aka-84] [Aka-07]. Pour charger ce condensateur il faut lui fournir une puissance active qui viendra nécessairement du réseau. La figure 2.25 montre le contrôle de la tension continue. Un simple correcteur PI peut être utilisé comme un contrôleur. Pour améliorer les performances d´un correcteur conventionnel PI, un PI-Neuronal constitué d´un réseau ADALINE a été élaboré pour adapter les coefficients •H et •0 en fonction du changement des paramètres dynamiques du système. Nous verrons une étude détaillée dans le chapitre 4 de ce rapport. Une autre manière d´interpréter la commande de tension continue est de considérer le système en termes de puissance. La régulation de cette tension continue donnera une somme constituée de la puissance active liée aux pertes et d´une autre partie équivalente à la puissance homopolaire dans le réseau (si elle existe). Ce principe sera montré dans le chapitre 4. —”:• + ∑ − —=™< + Contrôleur ‹ Onduleur + Filtre de sortie (e Régulateur ∑ ∑ + − —— ˜ (err š%› š%› œ2| (er Fig. 2.25 Principe de la commande de la tension continue d’un VSI. Méthodes de régulation et commande L´objectif de la méthode de compensation est de réinjecter les courants de références dans le réseau électrique. Cette opération se fait par une loi de commande à travers la partie puissance (l´onduleur de tension, l´élément de stockage d´énergie et le filtre de sortie représentés sur la figure 1.7 du chapitre 1). Différentes commandes sont recensées dans la littérature. On peut citer la commande par hystérésis, la commande MLI (Modulation par Largeur d´Impulsion). 68 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? La commande par hystérésis est basée sur le principe du réglage par mode glissant qui se résume pour un système du premier ordre à un simple relais. Elle est parfaitement adaptée aux organes de commande ayant une action à deux positions comme c´est le cas pour l´onduleur. La commande MLI cherche à rendre la fréquence de commutation constante et nécessite pour cela un régulateur. Des actions proportionnelles, intégrales et dérivées peuvent être utilisées (PID), tout comme un régulateur RST, composé de trois polynômes et basé sur le principe de la commande par retour d´état. Un régulateur RST amélioré est conçu dans [Ala-04], il aboutit généralement à un très bon compromis entre rapidité et filtrage et ainsi, réduit sensiblement le déphasage entre le courant de référence et celui injecté. Il existe des solutions de commande de l´onduleur se basant sur les techniques floues comme dans [Del-00]. Une étude comparative entre un régulateur PI et un contrôleur flou peut être trouvée dans [Ham-04]. Comme pour la partie d´identification des courants du FAP, les réseaux de neurones sont également utilisés dans la partie commande. Dans [Sha-01] [Sha-04], les auteurs utilisent deux réseaux Adaline en cascade pour estimer les courants harmoniques et commander un onduleur monophasé. Un réseau de neurones multicouche avec deux couches cachées est utilisé pour apprendre une commande par hystérésis [Vaz-02] [Vaz-03]. Ce même réseau de neurones est placé dans la boucle de régulation et fonctionne hors ligne. L´inconvénient de cette approche est que le réseau de neurones n´est pas adaptatif et de ce fait, il ne tiendra pas compte des changements pouvant intervenir dans le réseau électrique. En plus, des systèmes neuro-flous sont employés pour la commande du FAP afin de réduire le facteur de puissance. Dans la suite de nos travaux, nous montrons comment adapter les réseaux de neurones afin de pouvoir réaliser de bonnes performances en filtrage actif en présence des différentes perturbations reconnus dans les réseau électriques basses tensions et ceci en tenant compte des changements pouvant intervenir dans ce réseau . 2.9.2.4 Méthodes d´identification du courant perturbé−panorama historique Pour compenser les courants harmoniques, les courants déséquilibrés ainsi que pour corriger le facteur de puissance, une étape indispensable dans le processus de compensation est l´identification des composantes harmoniques du courant de charge. La qualité de la compensation dépend non seulement de la structure du filtre mais également de la méthode d´identification des courants harmoniques ainsi de la commande du VSI pour les réinjecter dans le réseau. Dans le domaine fréquentiel, l´identification des harmoniques de courant passe par l´analyse de Fourier. Une des méthodes d´identification parmi les plus anciennes est la transformée de Fourier rapide (Fast Fourier Transform) (FFT) qui nécessite une grande puissance de calcul afin de réaliser toutes les transformations en temps réel pour extraire les harmoniques afin de réaliser une compensation sélective [Pha-83]. 69 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? Les méthodes du domaine temporel permettent une réponse plus rapide et requièrent moins d´opérations que les méthodes précédentes. Elles sont basées sur la séparation du fondamental ou de certains harmoniques du reste des harmoniques par le filtrage. En revanche, la théorie des puissances instantanées reste la méthode la plus importante et la plus répandue dans le processus d´identification des courants harmoniques. Une transformation des courants et des tensions dans le repère des puissances (repère diphasé) permet l´utilisation d´un filtre passe bas afin de séparer les puissances active et réactive continues des puissances active et réactive alternatives. Les courants de références sont fournis après retour dans le repère triphasé. La compensation de la puissance réactive permet également de corriger le facteur de puissance. Une généralisation de cette technique est développée par Akagi [Aka-83] [Aka-86]. Il introduit un nouveau concept qui permet de tenir compte de tous les harmoniques du courant et de la tension. La technique est appelée méthode des puissances instantanées réelle et imaginaire (PIRI). La puissance imaginaire aura ici une signification plus large que la puissance réactive traditionnelle. Enfin, la méthode d´identification la plus utilisée est celle appelée méthode des puissances réelles et imaginaires instantanées [Aka–83]. Cette méthode offre l´avantage de choisir la perturbation à compenser avec précision, rapidité et facilité d´implantation [Ala-02]. L´identification a lieu dans le repère du courant instantané d-q, aussi appelée méthode synchrone ou méthode du référentiel lié au synchronisme, proposée initialement par Bhattacharya [Bha-91]. Depuis quelques années, les techniques neuromimétiques sont apparues comme une solution alternative à ces méthodes avec une présence très marquée des réseaux ADALINE dans cette partie importante du FAP. Ainsi que l´implication des techniques neuromimétiques à l´identification des harmoniques a favorisé une extension des méthodes existantes, les rendant capables de faire face à des variations brusques de charges et autres paramètres du réseau électrique. Dans [Pec-94], un réseau de neurones multicouche décompose un signal de courant contenant les harmoniques d´ordres 3 et 5. Une fois l´apprentissage accompli, les amplitudes des harmoniques 3 et 5 sont identifiées avec une erreur qui se situe autour de 0.2%. [El Sha-02] tente d´identifier directement les harmoniques à partir du signal mesuré sur le réseau électrique. En filtrant uniquement les harmoniques 3, 5, 7 et 13, la méthode d´identification possède une bonne fiabilité, est rapide et précise. Des méthodes qui combinent la transformée de Park avec des réseaux de neurones ont été explorées. L´identification des harmoniques s´effectue alors dans l´espace des puissances instantanées actives et réactives. Ce principe est mis en œuvre dans [Vaz-02] en utilisant un réseau de neurone du type multicouche. Des études plus récentes [Mar-04] combinent deux structures de réseaux ADALINE à plusieurs sorties afin d´identifier précisément les composantes harmoniques et symétriques du courant. Remarque Les réseaux ADALINE donnent une signification ou un sens physique à leurs poids. Ils obligent également à linéariser le problème lorsqu´il est non linéaire. En utilisant des réseaux ADALINE dans notre démarche proposée, le problème est non seulement simplifié (linéarisé) mais il est également possible d´extraire ou de déduire des paramètres physiques du problème à partir des poids neuronaux. 70 Chapitre 2 : Techniques Neuromimétiques pour l´Identification et la Commande des Systèmes Electriques : Appliquées aux FAPs ? 2.10 Conclusion Nous avons présenté dans ce chapitre un état de l´art sur les techniques neuronales appliquées à l´identification et la commande des systèmes dynamiques. Nous avons commencé notre étude par donner quelques généralités sur les RNAs : un bref historique sur le modèle mathématique d´un neurone formel. Nous avons exposé ensuite le processus d´apprentissage des RNAs et les différents algorithmes d´apprentissage. Pour leurs large utilisation, nous avons détaillé les algorithmes d´apprentissage par correction d´erreur et à rétropropagation du gradient d´erreur. Ensuite, nous avons discuté différents schémas d´identification et de commande neuronales de systèmes dynamiques. Quelques avantages d´utilisation des techniques neuomimétiques dans la commande et l´identification des systèmes dynamiques par rapport aux techniques classiques et aux autres techniques intelligentes on été évoqués tel que : la logique flou, le neuro-floue et les algorithmes génétiques. En effet, dans ce chapitre, le choix a été porté sur l´utilisation des techniques à base de réseaux de neurones, du fait de leur capacité d´apprentissage qui permet de concevoir de structures suffisamment adaptatives. C´est ainsi qu´une telle stratégie de commande appliquée aux filtres actifs shunts (FAPs), devrait conduire à des dispositifs de filtrage des harmoniques robustes aux variations de la charge non linéaire, aux situations de déséquilibres de la tension du réseau de distribution, ainsi qu´aux variations de ses paramètres (fréquence, amplitude, phase, etc…). En outre, la généralisation de cette technique intelligente à toute la commande du FAP permet d´avoir une structure homogène et bénéficiant du parallélisme inhérent aux réseaux de neurones. En revanche, notre objectif consiste à proposer une approche « tout neuromimétique» unifiée basée sur les réseaux de neurones et qui aborde l´ensemble des fonctionnalités nécessaires à un processus de filtrage actif. Il apparait que certaines méthodes présentent une mise en œuvre assez complexe. Nous veillons à proposer des solutions simples en choisissant d´utiliser : les réseaux de neurones de type multicouches MLP. Ces réseaux permettent de commander des systèmes non linéaires avec un temps de calcul compatible à l´application d´un filtre actif parallèle. L´ADALINE, qui constitue une des variantes du réseau multicouche, permet grâce à une structure très simple de pouvoir interpréter physiquement ses propres paramètres. Les prochains chapitres seront consacrés à l´application des RNAs pour chaque bloc costituant un filtre actif parallèle. 71 CHAPITRE TROIS Application des RNA -ADALINE-à l’Extraction des Composantes Symétriques de la Tension du Réseau Sommaire ___________________________________________________________________________ 3.1 Introduction……………………………………………………………………………….. 73 3.2 Généralité sur le bloc de synchronisation / système à base de PLL…………………... 73 3.3 Classique pour la synchronisation du FAP au réseau ……………………………..…... 74 3.3.1 Structure générale de la PLL classique …………………………………………... 74 3.3.2 Principe de fonctionnement de la PLL classique…………………………………. 75 3.4 PLL- neuronale pour la synchronisation du FAP au réseau ………………………….. 76 3.4.1 Extraction neuronale des composantes symétriques de tension……………………... 77 3.4.1.1 Calcul des composantes directes de la tension……………………………….. 77 3.4.1.2 Calcul des composantes inverses de la tension………………………………. 79 3.4.1.3 Topologie de RNA utilisé -Type ADALINE…………………………………. 81 3.4.1.4 Les opérateurs synthétisant les fonctions neuromimétiques…………………. 82 3.4.2 Détection de la phase instantanée (fréquence) de la tension réseau………………… 83 3.4.2.1 Détection de la phase instantanée (fréquence) au moyen d’une PLL- 84 Neuronale triphasée………………………………………………………..…………. 3.4.2.2 Poursuite de la fréquence (phase instantanée) par ADALINE basé sur la 85 forme récursive……………………………………………………………………….. 3.5 Discussion des résultats de simulation…………………………………………………... 90 3.5.1 Comparaison de la méthode neuronale avec la PLL classique………………………. 90 3.5.1.1 Détection des composantes symétriques des tensions d’un système triphasé 91 déséquilibrées ou polluées…………………………………………………………… 3.5.2 Réponse dynamique aux perturbations d’amplitude de la tension source : cas 95 particuliers…………………………………………………………………………………. 3.6 Conclusion………………………………………………………………………………… 100 __________________________________________________________________________________________ Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau 3.1 Introduction L A qualité de la tension peut être affectée, soit par la nature physique des organes d'exploitation du réseau, soit par le fonctionnement particulier de certains récepteurs [Oul-05]. Ces défauts de qualité de la tension se manifestent sous forme de différentes perturbations intéressant les paramètres caractérisant cette tension qui sont sa fréquence, l'amplitude des trois tensions, les harmoniques et le déséquilibre. Les défauts dans les réseaux de distribution et le fonctionnement de certains appareils comme le démarrage de machines par exemple, peuvent engendrer des creux de tension. Une variation lente de la charge peut causer une chute de tension pendant une durée qui peut être assez longue (voir chapitre 1). Ainsi que, l'inégalité des puissances appelées sur chaque phase se traduit par l'inégalité des amplitudes des tensions et de déphasages, ce qui est appelé déséquilibre. En plus de ces perturbations, des variations lentes de la fréquence du réseau peuvent apparaître. Dans le processus de filtrage actif, le déséquilibre de tension réduit sensiblement la qualité de compensation des harmoniques. Ceci, est dû au fait que certains algorithmes d’identification des courants de la charge non linéaire (que se soit les méthodes qui sont élaborées dans le repère des puissances instantanées, soit dans le repère des courants de la charge) exigent la connaissance des composantes directes et la phase instantanée de la tension. Ainsi, au cours de ce chapitre, nous proposons une PLL neuronale triphasée afin de palier aux limitations de la PLL conventionnelle dans des conditions de perturbation de la tension du réseau. Cette PLL neuronale est basée uniquement sur l’utilisation des réseaux de neurones linéaires ADALINE. Deux ADALINES sont élaborés pour identifier les tensions directes par la méthode des puissances instantanées PQ et un autre ADALINE est utilisé comme un régulateurneural nommé PI-Neuronal dans la VCO (pour extraire la phase instantanée nécessaire afin d’obtenir une synchronisation de l’onduleur avec le réseau de distribution et de contrôler l’échanger de la puissance active et réactive avec ce réseau. Dans ce sens, nous effectuerons une étude comparative entre les performances de la PLL conventionnelle et la PLL neuronale par simulation dans des conditions de perturbation du réseau tel que : le déséquilibre, la perturbation d’amplitude et la pollution harmoniques de la tension du réseau. L’avantage de la PLL neuronale par rapport à la PLL classique est la caractéristique adaptative à une grande plage de variation de la fréquence en présence de perturbations sur la tension. La supériorité de la PLL proposé en termes de précision et de robustesse sera ainsi prouvée. 3.2 Généralité sur le bloc de synchronisation / système à base de PLL La synchronisation appropriée avec le réseau électrique est l’un des aspects les plus importants à considérer dans le contrôle des dispositifs reliés au réseau tels que les redresseurs commandés, les filtres actifs, et également dans les systèmes de génération de l’énergie électrique tels que les centrales éoliennes et photovoltaïques. La solution la plus largement adoptée pour la synchronisation est la PLL (Phase Locked Loop ou Boucle à Verrouillage de Phase) est proposé) [Rod-07]. 73 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau Afin de contrôler les échanges de puissance, l’onduleur doit être toujours synchronisé avec le réseau. Pour améliorer la qualité de l’énergie au niveau du réseau tout en assurant un facteur de puissance quasi-unitaire, la génération d’un signal sinusoïdal en phase avec la tension d’alimentation est nécessaire pour la détermination des courants de références. Cependant, le système de tension auquel nous avons accès (FAP) est celui mesuré au niveau du point de raccordement (PCC), c'est-à-dire (Vs). Lorsque la charge est non linéaire, elle absorbe des courants non sinusoïdaux qui génèrent des harmoniques de courant, dégradant ainsi la tension au point commun de connexion (PCC). De plus, si les courants absorbés par la charge sont déséquilibrés, un système inverse de tension apparaît au niveau de PCC. Par conséquent, des composantes harmoniques risquent de subsister dans le courant de source ( ) après compensation. En effet, l’objectif du bloc de synchronisation est d´obtenir la phase de la tension instantanée du réseau par la réalisation d’un suivi de phase de la composante en quadrature, ce qui se produit lorsque la phase estimée est égale à la phase du réseau [Ben-03]. Dans la plupart des stratégies de commande conventionnelles pour les dispositifs électronique de puissance, spécialement pour le filtrage actif shunt, l’amplitude, la fréquence et la phase instantanée de la tension directe du réseau électrique, sont nécessaires. Puisque la tension du réseau est souvent perturbée et/ou déformée, et afin de généraliser l’application des méthodes d’identification neuronales des harmoniques que nous avons adopté à tout type de tension, le système à base de PLL. La PLL est la technique la plus répandue pour l'extraction de la composante directe de la tension du réseau [Kau-97]. 3.3 PLL classique pour la synchronisation du FAP au réseau 3.3.1 Structure générale de la PLL classique La PLL est un élément clef dans les nouvelles techniques de commande en électronique de puissance. Dans le réseau électrique triphasé, la PLL est utilisée pour détecter des composantes symétriques (directe, inverse et homopolaire) ainsi que la phase instantanée de la tension. Dans [Bru-99] [Ala-02] [Kim-08] [Fli-09], des techniques de PLL triphasées ont été développées. La figure 3.2 montre la structure classique d’une PLL classique [Hsi-96]. 2 3 Repère triphasé abc Repère de Clarke αβ Repère de Park dq Fig. 3.1 Passage dans le repère tournant de Park de la composante directe. 74 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau abc αβ **+, ( ( ) ) Filtre Passe-Bas &2/3 αβ DQ )(− ) − + !"# Régulateur PI VCO 1 αβ DQ abc αβ )( ) *,+ - -. .- Fig. 3.2 Structure classique d’une PLL triphasée. 3.3.2 Principe de fonctionnement de la PLL classique La PLL est un système asservi, comprenant un régulateur pour la détection de la pulsation directe de la tension. Son principe est basé sur l’emploi d’un régulateur PI ou RST1. Son fonctionnement se base sur la transformation de Park dans le repère DQ (Fig. 3.1). En fait, la PLL réalise le suivi de phase de la composante directe de la tension du réseau afin d’éliminer la composante en quadrature , ce qui se produit lorsque la phase estimée est égale à la phase du réseau . , et Les tensions mesurées sur le réseau au point de raccordement du filtre actif parallèle , subissent une transformation de Concordia directe (transformation α β) afin de travailler dans un repère à deux dimensions. Les tensions obtenues ( )et ( ) (avec la phase instantanée réelle de la tension directe) sont exprimées dans le repère de Park par une rotation (− ), où est l'intégrale de l'estimation de la pulsation déterminée par le régulateur PI ou RST. Nous obtenons ainsi et , les tensions directe et quadratique. sera donc ( − ).Pour satisfaire la condition = L'angle de phase de la tension (l'angle de phase réel de la tension directe égal à l'angle de rotation estimé), il faut choisir la valeur de la tension de référence !"# nulle. La PLL sera verrouillée lorsque cette condition sera satisfaite. Dans le cas où la tension du réseau est sinusoïdale et équilibrée, on aura : = = , avec = + % où = (pulsation de la tension du réseau), % l'angle de la composante directe de la tension du réseau. 1 Des travaux récents montrent l'avantage d'utiliser un régulateur RST amélioré [Ala-02] au lieu d'un régulateur RST classique ou d'un régulateur PID. 75 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau Dans ces conditions, les tensions mesurées au point de raccordement du filtre actif parallèle sont données par : / 0 = cos ( ) 1 cos( − 2 ⁄3) 6(3.1) cos ( + 2 ⁄3) La procédure de calcul qui suit l'application de la transformation de Concordia et Park est donnée par la relation suivante : ; Où 9 : = = (− < 7 ). 7 : 8 = 9 ./ 8=> 0 ? cos( sin( (3.2) − − est la matrice transposée de Concordia donnée par : 9 ) B(3.3) ) : L'operateur P symbolise la transformation de Park, définie par : 1 E = > D − D C− (− 0 √ − √ KL ) = 7 − MN J I I H MN KL 8 L'asservissement de phase sera réalisé lorsque − = 0. Dans ce cas, l'angle de phase de la tension d'alimentation et l'angle estimé sont égaux. Les tensions dans le repère de Park seront : vPQ = 0 vPR = > VR (3.4) Si la tension du réseau est déséquilibrée et polluée, les composantes de tension issues de la transformation de Park le seront également, et de ce fait le fonctionnement de la PLL sera perturbé. Pour cela, lors du choix des paramètres du régulateur, il faut tenir compte de ces perturbations afin que le système à base de PLL fonctionne avec une bonne précision [Ala-02]. Les caractéristiques non adaptatives de la commande classique (PI, RST) et le FPB utilisé sont des inconvénients principaux de la PLL conventionnelle. En effet, le contrôleur classique est limité par une plage de fonctionnement de la fréquence, en plus les gains fixes du contrôleur classique rendent la PLL non adaptative aux variations de la fréquence du signal. Le FPB produit un retard, voire crée une instabilité dans la boucle fermée de l’oscillateur contrôlé en tension (Voltage Controlled Oscilator) (VCO) [Ngu-10]. 3.4 PLL- neuronale pour la synchronisation du FAP au réseau Une détection précise et rapide de la phase instantanée de la tension du réseau est essentielle pour assurer la génération correcte des courants de référence. De plus, la PLL utilisé dans une application de filtrage actif doit prendre en compte des tensions déformées tant par des 76 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau harmoniques que par le bruit et exige de ce fait un algorithme de contrôle robuste, rapide et efficace. En fait, l’objectif de notre thèse est de proposer une PLL neuronale triphasée basée sur l’utilisation d’un réseau de neurone linéaire ADALINE. Cette PLL-Neuronale est développée pour évaluer la fréquence et la phase instantanée de la composante directe de la tension. Comme on peut le voir à la figure 3.3, la PLL-Neuronale peut se construire autour de deux blocs fonctionnels avec d’une part l’extraction des composantes symétriques et d’autre part la détection de la phase instantanée de la tension du réseau. En effet, notre proposition est de profiter des caractéristiques linéaire et adaptatif du RNA ADALINE et de l’introduire dans ces deux blocs [Lah-15a]. U . Extraction neuronale des composantes symétriques de la tension V!" W" et ⋮ ⋮ VXY"!Z" . ( ) . (V) Détection neuronale de la phase instantanée VCO ⋮ ⋮ U Fig. 3.3 PLL-Neuronale triphasée basée sur l’utilisation des ADALINEs. 3.4.1 Extraction neuronale des composantes symétriques de la tension En général, L’extraction des composantes directes de la tension est une étape importante dans une stratégie d’amélioration de la qualité des signaux dans un réseau électrique. Dans le domaine du filtrage actif, lorsque le système est déséquilibré, il est nécessaire de compléter le schéma de l’APF par une technique basée sur le principe d’une PLL pour réaliser une synchronisation sur les trois phases. En revanche, la plus part des processus d’identification des courants harmoniques que nous allons élaborés dans le chapitre 4, sont validés uniquement pour des systèmes équilibrés. Dans cette partie de la thèse, une approche neuronale est proposée pour extraire les composantes symétriques des tensions du réseau de distribution. Le principe de cette approche repose sur une nouvelle formulation de la théorie des puissances instantanées (PQ) qui est appris par les réseaux de neurones ADALINE et ceci en tenant compte des conditions perturbées de la tension du réseau. 3.4.1.1 Calcul des composantes directes de la tension Le principe de l'extraction des composantes symétriques est basé sur la théorie des puissances instantanées (PQ) [Her-07] [Her-09] [Aka-83]. Selon cette théorie, des puissances actives et réactives sont calculées et leurs composantes continues sont instantanément séparées des composantes alternatives. Les puissances continues sont alors utilisées pour obtenir les composantes directes de tension dans le repère abc. 77 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau La méthode des puissances instantanées proposée par Akagi [Aka-84] donne l’expression des puissances instantanées à partir du repère αβ comme suit : \ = = − M + M + M M (3.5) À partir de cette relation, la tension source de ce repère peut être déduite et exprimée selon la formulation suivante : 7 M 8 = V^ _V^ 7 M ] ` M \ 8; = −M (3.6) Cette expression peut être utilisée pour déterminer la composante fondamentale de la tension directe à partir de la composante fondamentale d’un système direct de courants et des composantes continues des puissances associées. ( ) 7 ( ) 8 = Va^] _Va^` ? M′ M′ M′ \̅ ′ B7 8 −M′ d′ (3.7) Où M′ et M′ sont les courants permettant de produire des puissances constantes. Ces courants fictifs correspondent aux courants continus fondamentaux avec une amplitude unitaire et une phase qui est nulle dans le repère αβ exprimés par : M′ cose . 7M′ 8 = ? sin . BAvec =1 (3.8) Ainsi, ces courants peuvent être utilisés en association avec le vecteur de tension source Z pour calculer les puissances fictives \′ et ′ selon la relation (3.9). Ces puissances n’ont pas un sens physique. 7 Avec g h: = &2⁄3 i : \a 8 = 7 ′ . = 9 : . M′ 8 7M′ 8 = ? − M′ M′ M′ B(3.9) − M′ La relation (3.10) permet d’exprimer de manière détaillée la puissance active fictive \a comme suit : \a = \̅ a + \ j a = ∑m Xn 3 VX cos( ∅X( ) − ) + ∑m Xn 3 VX cos(∅X(V) + ) (3.10) Où \̅ a est la puissance délivrée par des tensions fondamentales directes et des courants fictifs. \ = ′ M′ + m M′ = ogcos(N − 1) m Xn + ogcos(N + 1) Xn sin(N − 1) sin(N + 1) −3 h 7 3 3 h 7 −3 X cos∅X( ) X sin∅X( ) X cos∅X( ) X sin∅X( ) 8 8 (3.11) L’expression (3.11) est une somme de composantes harmoniques qui peut adopter l’équation linéairement séparable (3.12) 78 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau p(q) = r : . s(q) cos(N − 1) E D sin(N − 1) s( ) = D D cos(N + 1) C sin(N + 1) Avec : ez • \′ ‚́ x{ x| xy sin(N − 1) ‚ ́ = sin \a 7 8 ′ =7 − „: M′ 8 7M′ 8 X cos∅X( ) ⅀ cos(N + 1) sin(N + 1) VX cos∅X(V) VX sin∅X(V) e \′ sin(N − 1) ⅀ cos(N + 1) sin(N + 1) •a ( € - e′ •a ~ - + I I H 7 + ′ cos(n − 1) J X sin∅X( ) I ez • cos(n − 1) ‚ ́ = cos ‚́ 3 J E −3 I I ; r = DD −3 D I C 3 H (3.12) M′ ? M′ Ma ( ) ( ) ( ) 1 8 = + Ma M′ \̅ ′ B7 8 −M′ d′ „+, ( ) x{(z) x|(z) xy(z) Fig. 3.4 Bloc d’extraction de la composante directe de tension basant sur la théorie des puissances instantanées PQ. Le calcul de la puissance réactive fictive adopte le même principe. La figure 3.4 permet d’illustrer la méthode neuronale proposée pour l’extraction de la composante directe de tension. En définitive, la composante fondamentale des tensions directes . du système triphasé est obtenue à partir des deux premiers éléments du vecteur poids. En fait, uv (q) w uv (q) correspondent à la composante fondamentale (N = 1) et représentent respectivement la partie ( ) continue des puissances instantanées \̅ a w d a . La tension directe . est déterminée par conversion de ces puissances continues dans le repère αβ avec l’expression (3.7) et en les multipliant par 9 . ( ) 3.4.1.2 Calcul des composantes inverses de la tension Pour le calcul du système inverse, deux ADALINE similaires sont utilisés pour détecter la composante fondamentale de la tension inverse étant : (V) . M′ cos 7M′ 8 = ? −sin et les courants fictifs seront choisis comme B (3.13) 79 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau De la même manière, (V) . peut être déduite à partir des deux premiers poids. À partir des composantes fondamentales de la tension directe ( ) . et inverse (V) . on peut déduire la composante homopolaire Elles peuvent être également utilisées par le détecteur de phase pour estimer la fréquence instantanée du réseau. (v) . . Remarque Si nous observons la figure 3.5.e, on peut conclure que après l’apprentissage, la puissance réactive continue d a converge vers zéro en régime permanent, ce qui nous permet d’imposer a = 0 dés le début. Par conséquent, un seul ADALINE peut être suffisamment utilisé pour extraire la composante continue de la puissance active. Les figures 3.5. a, b, c, d représentent la variation de la tension et en fonction du temps ainsi que la variation de la tension en fonction de avant et après l’extraction des composantes symétriques de la tension. b) a) d) c) e) e) Puissance fictive active et réactive Fig. 3.5 Résultats de simulation caractérisant le bloc d’extraction de la composante directe de tension basant sur la théorie des puissances instantanées PQ. 80 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau 3.4.1.3 Topologie de RNA utilisé -Type ADALINE Algorithme d’apprentissage Le réseau de neurone ADALINE utilisé pour l’estimation des puissances fictives : la puissance active p′ et la puissance réactive q′ est schématisé sur la figure 3.6. Ainsi, l’apprentissage de l’expression (3.11) est réalisable par un réseau de neurone de type ADALINE. En considérant p dans (3.12) comme la sortie de l’ADALINE, son vecteur d’entrée s(q)est constitué de signaux sinusoïdaux de fréquence multiple de celle de la composante fondamentale. Cette structure neuronale répond à un apprentissage supervisé (voir chapitre 2), e est comparée à une valeur désirée \′ obtenue à partir des courants telle que sa sortie p… = \′ fictifs et la tension source mesuréexy−{|y . L’erreur w… = \a − p… est utilisée par un algorithme d’apprentissage de type LMS (voir section 2.5.2.a) pour mettre à jour les poids u… de l’ADALINE pour l’itération suivante. De cette manière, ces poids convergent automatiquement. Après la phase d’apprentissage, les éléments du vecteur poids r représentent les amplitudes des puissances issues des tensions directes de fréquence Nu et les courants de l’expression (3.8). cos(n − 1) 1 sin(n − 1) cos(n + 1) sin(n + 1) uv (q) ⋮ u‰- ⅀ u‰- Š*‹ . Œ‹ u‰- uX (q) … s(q) ⋮ •a € Algorithme Widrow-hoff e \′ - + \′ w(q) Fig. 3.6 Structure du réseau ADALINE pour l’estimation de la puissance fictive p′. L'algorithme d'apprentissage que nous avons utilisé est une version modifiée de l'algorithme Widrow-Hoff [Vaz-03]. Pour réaliser une bonne prédiction du signal, l'algorithme cherche à annuler l'erreur w(q) qui correspond à la différence entre le signal désiré et le signal estimé, ou à minimiser cette erreur jusqu´a une valeur fixée au préalable. Cet algorithme se présente comme suit : r(q + 1) = r(q) + †w(q)sq) (3.14) ‡ + s(q): s(q) Où r(q) est le vecteur poids neuronal à l'instant q, s(q)le vecteur d'entrée à l'instant q, w est l'erreur à l'instant q, µ est le paramètre d'apprentissage et λ une constante convenablement choisie pour ne pas annuler le dénominateur [Das-97]. 81 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau Pour éviter le choix difficile de la constante et afin de rendre l'apprentissage plus rapide et plus robuste, une nouvelle variante a été proposée : †w(q)Ž(q) Ms(q): Ž(q) ≠ 0 • r(q + 1) = • (3.15) s(q): Ž(q) r(q) Ms(q): Ž(q) = 0 r(q) + Avec Ž(q) = ’N“s(q)” + s(q). Comme s(q) est un vecteur constitué uniquement de termes en cosinus et en sinus, on a : −1 ≤ s(q) ≤ +1 alors, |Ž(q)| ≥ |s(q)|. Au début de l'apprentissage, le signal estimé dépend du choix initial des poids, par la suite ce même signal évolue indépendamment de ce choix. Le choix du paramètre d'apprentissage † est primordial. Une valeur grande de ce paramètre permet une convergence rapide de l'algorithme mais une stabilité fragile lorsque le signal varie lentement. Une valeur petite du paramètre ralentit la convergence des poids de l'ADALINE, mais quand celle-ci est atteinte la stabilité est meilleure (voir chapitre 2). 3.4.1.4 Les opérateurs synthétisant les fonctions neuromimétiques Le bloc « Apprentissage de Widrow-Hoff » L’algorithme d’apprentissage utilisé dans nos travaux est celui de Widrow-Hoff modifié présentée au chapitre 2. Selon sa structure fonctionnelle présentée à la figure 3.7, son architecture est constituée d’un additionneur, d’un multiplicateur à trois entrées et d’un diviseur. † w(q) sq) Multiplicateur 3 entrées Diviseur amélioré s : (q) o + rq) Ž+ r(q − 1) Bloc de mémorisation num Fig. 3.7 Structure fonctionnelle de l’algorithme d’apprentissage de Widrow-Hoff. La fonction d’activation Sigmoïde On retrouve essentiellement deux fonctions d’activation dans notre application : la fonction d’activation linéaire utilisée pour les ADALINES et la fonction d’activation sigmoïde qu’on retrouve dans les réseaux de neurones de type perceptrons multicouches. Cette dernière, qui est présentée à la figure 3.8, répond à la relation mathématique 3.16. ˜(™) = 1 (3.16) 1 + w -š 82 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau Fondé sur cette expression, on peut simplement réaliser la fonction sigmoïde à l’aide d’une fonction exponentielle, d’un additionneur à deux entrées et d’un diviseur. 1 ™(q) + ¡¢£(Š) Diviseur amélioré ˜(™) Fig. 3.8 Structure fonctionnelle de l’algorithme d’apprentissage de Widrow-Hoff. 3.4.2 Détection de la phase instantanée (fréquence) de la tension du réseau Dans l’identification des courants de la charge, il est indispensable de connaitre de manière précise les principaux paramètres du signal dont la fréquence fondamentale du réseau2 est un paramètre important. En plus, La technique d'extraction neuronale des composantes symétriques de la tension du réseau électrique, nécessite la connaissance de la phase instantanée de la tension du réseau. La fréquence d’un réseau de distribution (de 50 Hz) peut avoir des fluctuations de ±0.20•ž, soit 0,4% de la fréquence nominale en régime permanent. De façon générale, elles ne sont pas importantes en pratique. Toutefois, dans le cadre de la commande du FAP, ces fluctuations dégradent considérablement les résultats d’identification des harmoniques de courant si la PLL utilisée ne restitue pas instantanément et fidèlement la phase et la fréquence du réseau [Dzo11] ; [Wira-09]. Il existe plusieurs méthodes pour identifier la fréquence fondamentale d’un réseau en présence des perturbations (les harmoniques et le déséquilibre). L’identification de la fréquence (la phase instantanée ) est délicate dans la cas où il y a des perturbations de tensions et de courants dans le réseau. Dans cette section, nous avons élaborés deux systèmes de poursuite de la fréquence et de la phase instantanée en temps réel. Le premier système reprend le principe de la PLL-Neuronale triphasée avec un régulateur PI-Neuronale et le second utilise un réseau de neurones ADALINE (deux variantes) basé sur une formulation récursive de la tension directe comme entrée. Une comparaison de leurs performances sera validée par des simulations. 2 Le concept de fréquence n’a de sens que dans le régime permanent et vaut la dérivée temporelle de la phase instantanée. 83 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau 3.4.2.1 Détection de la phase instantanée (fréquence) au moyen d’une PLL-Neuronale triphasée Dans [Aka-07] [Ngu-10.a], une solution alternative qui est un algorithme de détection de phase instantanée améliorée qui peut être appliqué à tous les systèmes triphasés déséquilibrés ou déformés. Elle peut être appliquée à chaque signal d'entrée générique, à savoir, soit des tensions ou des courants issus d'un système à trois phases. Comme pour un VCO (Voltage Controlled Oscillator) monophasé, l'approche proposée essaye de garder le terme MN( − ) proche de zéro, où est l'angle de phase du système et son estimation. Le développement de ce terme permet d’obtenir la relation (3.17): MN( − ) = MN KL − KL MN (3.17) Dans cette expression, le termeKL peut être associé à la tension fondamentale de la phase a, peut être associé à la tension . ⁄√3 entre les phases b et c. Dans le cas des systèmes et MN déséquilibrés avec des distorsions, ce VCO utilise un régulateur PI et la valeur nominale de c-à-dire pulsation X = 2 ˜X (fréquence fondamentale˜X = 50•ž). Sa sortie estimée est . Dans notre travail, on va proposer de remplacer le régulateur PI classique par un régulateur capable d'adapter à tous les changements de paramètres du réseau électrique nommé PINeuronale. Le PI-neuronale est un réseau de neurone linéaire type ADALINE pour ajuster, enligne, les paramètres proportionnel (P) et intégral (I) du régulateur. Le schéma fonctionnel de ce VCO-neuronale est représenté par la figure 3.9. Détection des composantes symétriques . ⋮ ⋮ −√3sinU ( ) .( ) ( ) . + - . (M) ⅀ 1 ž−1 Œ© (‹) Œ (‹) cosU X ⅀ + _ 9 ž−1 Intégrateur PI-Neuronale VCO-Neuronale proposé Fig. 3.9 PLL -Neuronale triphasé proposée avec la phase instantanée détectée avec un VCO-neuronale proposé. Pour tester le VCO-Neuronale proposé, nous avons présenté dans la prochaine section deux méthodes neuronales pour estimer en temps-réel la fréquence (phase instantanée) d’un système électrique. Ces méthodes permettent d’estimer la fréquence au sein du schéma d’un FAP pour en 84 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau augmenter les performances. Elles se basent sur la même formulation récursive du signal que dans [Das-97]. 3.4.2.2 Poursuite de la fréquence (phase instantanée) par ADALINE basé sur la forme récursive P. K. Dash a proposé d’utiliser un réseau de neurone ADALINE pour extraire la fréquence fondamentale en se servant des tensions de charge [Ai-07]. Akagi [Aka-07] nous montre qu’il est possible de faire une poursuite de la fréquence basée sur la théorie de la puissance instantanée en utilisant des puissances fictives. Le filtre de Kalman est également utilisé pour estimer la fréquence du signal [Gou-97]. L’identification de la fréquence (la phase instantanée) est délicate dans le cas où il y a des perturbations de tensions et de courants dans le réseau. Ici, nous avons étudié plusieurs méthodes et effectué une comparaison de leurs performances validées par des simulations. Nous avons proposé deux méthodes neuronales pour estimer en temps-réel la fréquence d’un système électrique. Ces méthodes permettent d’estimer la fréquence au sein du schéma d’un FAP pour en augmenter les performances. Elles se basent sur la même formulation récursive du signal que dans [Das-97]. Telle que, pour un signal qui décrit une tension ou un courant on a : « p( ) = o ªX MN( Xn X (q 9" + %X ) (3.18) Avec ªX l’amplitude du Nè‰" terme, X = N sa pulsation et %X sa phase, 9" est la période d’échantillonnage et = q9" symbolise le temps continu. En calculant les signaux retardés p(q + 1) et p(q − 1), nous obtenons : « p(q + 1) = o ªX MN( Xn « X (q = o gªX MN( Xn « p(q − 1) = o ªX MN( Xn « Xn X q 9" X (q = o gªX MN( + 1) 9" + %X ) + %X ) . KL ( X 9" ) + ªX KL ( X q 9" + %X ). MN( X 9" )(3.19) X 9" ) − ªX KL ( X q 9" + %X ). MN( X 9" )(3.20) − 1) 9" + %X ) X q 9" + %X ) . KL ( En combinant les deux dernières équations, l’expression récursive du signal p( ) peut être déduite comme suit : « p(q + 1) + p(q − 1) = 2. o gªX MN( Xn = 2KL ( X q 9" X 9" ). p(q) + %X ) . KL ( X 9" ) (3.21) 85 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau p(q) = 2KL ( Ainsi : N 9" ). p(q − 1) − p(q − 2) (3.22) Dans le cas où les harmoniques ne sont pas présents, nous pouvons réécrire le signal p( ) par : p(q) = 2KL ( 9" ). p(q − 1) − p(q − 2) « p(q + 1) + p(q − 1) = 2. o gªX MN( Xn = 2KL ( X q 9" + %X ) . KL ( X 9" ) X 9" ). p(q)(3.23) a. Méthode de P. K. Dash basée sur un ADALINE Dans cette partie, en exploitant la forme récursive (3.21) de la mesure de la tension sur le réseau électrique (p( ) = ( ))comme entrée d’un ADALINE. Pour mener l'étude, nous avons choisi le cas le plus défavorable, celui où la tension est supposée déséquilibrée. Expression de la forme récursive de la tension du réseau Généralement, Pour un système triphasé en régime déséquilibré, les composantes directe inverse et homopolaire sur les trois phases, respectivement , V et v , sont données par les équations suivantes : - = / V où , V v, et -. 0 - = cos ( + % ) 1 cos( + % − 2 ⁄3) 6(3.24) cos ( + % + 2 ⁄3) cos ( + %V ) = / V-. 0 = V 1 cos( + %V + 2 ⁄3) 6(3.25) Vcos ( + %V − 2 ⁄3) V- v = / v- v-. 0 v- cos ( 1 v cos( cos ( = + %v ) + %v ) 6(3.26) + %v ) sont respectivement les amplitudes directe, inverse et homopolaire. = +% , Les phases instantanées directe, inverse et homopolaire sont respectivement, + %V , v = + %v , où % , %V , %v sont les déphasages par rapport à l'instant V = initial de ces composantes. La tension déséquilibrée sur chacune des trois phases est donnée par : = / - -. 0 - = 1 cos ( + % ) + cos ( + % −2 ⁄3) + cos ( + % +2 ⁄3) + cos ( V cos ( V cos ( V + %V ) + v cos ( + %v ) + %V +2 ⁄3) + v cos ( + %v )6(3.27) + %V −2 ⁄3) + v cos ( + %v ) 86 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau La tension déséquilibrée triphasée peut s'écrire aussi sous cette forme compacte : = 1 + % ) ; = + 0 ®+, )( Avec les sous-matrices de Clarke suivantes : ®+, 1 −% ) ; = + 0 V ®+, )(− 1 E = D− D C− 0 √ − √ v ®+ )( + %v ) (3.28) J 1 I et ®+ = /10. I 1 H Comme nous avons vu précédemment, notre étude concerne la compensation des harmoniques a l’aide d’une filtre actif parallèle est de trois fils (voir chapitre 1 et 2), donc, on ne s’intéresse à identifier que les amplitudes de la composante directe et la composante inverse V . Donc, la tension déséquilibrée sur la phase « a » est : - (q) = √2 KL ( q9" + % )+√2 V KL ( q9" + %V )+√2 ¯ KL ( q9" + %¯ ) où 9" représente la période d'échantillonnage et = q9" . (3.29) À l'instant (q + 1) cette expression devient : - (q + 1) = √2 K−° (q + 1) = √ 2 KL ( (q+1)9" + % ) +√2 V KL ( (q+1)9" + %V ) + √2 ¯ KL ( (q + 1)9" + %¯ ) ±KL ² q9w + % ³KL ( 9w ) − MN² q9w + % ³ MN( 9w )´ (3.30) +√2 V gKL ( q9" + %V )KL ( 9" ) − MN( q9" + %V ) MN( 9" )h +√2 L ±KL ² q9w + %L ³KL ( 9w ) − MN² q9w + %L ³ MN( 9w )´(3.31) À l'instant (q − 1),l'expression (3.30) devient : - (q − 1) = √2 - (q − 1) = √2 KL ( (q−1)9" + % ) +√2 V KL ( (q−1)9" + %V ) + √2 ¯ KL ( (q − 1)9" + %¯ ) (3.32) gKL ( q9" + % )KL ( 9" ) + MN( q9" + % ) MN( 9" )h +√2 V gKL ( q9" + %V )KL ( 9" ) + MN( q9" + %V ) MN( 9" )h +√2 ¯ gKL ( q9" + %¯ )KL ( 9" ) + MN( q9" + %¯ ) MN( 9" )h(3.33) En faisant la somme des tensions aux instants q + 1 et q − 1, nous obtenons : (q − 1) = 2KL ( 9" )g√2 KL ( q9" + % ) +√2 V KL ( q9" + %V ) + √2 ¯ KL ( q9" + %¯ )] - (q + 1) + - (3.34) 87 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau = 2KL ( 9" ) - (q) (3.35) D’où, la forme récursive de la tension déséquilibrée du réseau peut alors s'écrire sous la forme : Donc on peut conclure que : (q + 1) = 2KL ( 9" ) - (q) = 2KL ( 9" ) - (q) − (q − 1) − (q − 1) - (3.36) (q − 2) (3.37) Construction des ADALINE pour la poursuite de la fréquence En notant que la pulsation ω dans l'équation (3.37) est indépendante du temps et que le terme 2KL ( 9" ) est constant, nous pouvons exprimer celle-ci en notation vectorielle : - (q) = r : s(q) - (q s(q) = 7 Avec (3.38) - − 1) 8 (q − 2) (3.39) r : = g2KL ( 9" ) −1h (3.40) Comme montré à la figure 3.10, en prenant les deux valeurs associé à la forme récursive de la tension - (q − 1) et - (q − 2) comme entrées d’un réseau ADALINE, les poids de cet ADALINE u (q) et u (q) s’adapteront et après l’apprentissage, ils convergeront vers les valeurs 2KL ( 9" ) et −1, respectivement. Donc, la fréquence fondamentale peut être calculée à partir du premier poids comme suit : ˜= arccosgu (q)⁄2)h (3.41) 2 9" L’algorithme d’apprentissage de l’ADALINE est du type LMS (Widrow-Hoff modifié) est utilisé pour la mise à jour adaptative des poids avec un coefficient d’apprentissage † = 0,001 . Ce module de poursuite de fréquence sera associé avec le module de calcul des composantes de la tension que nous avons décrit dans la section précédente, et sera aussi associé avec les modules d'identification des harmoniques qui feront l'objet du chapitre 4. Ainsi, nos approches neuronales pour l'identification des tensions et courants du réseau électrique seront robustes aux variations et fluctuations de la fréquence. Ž- Œ (‹) Ž- Œ, (‹) 2cos( 9" ) ⅀ w(q) ¼ − + u (q) 2 2 9" °»KKL ·¸¹º 1 ez • ª °¶MNw Fig. 3.10 1ère méthode neuronale dédiées à l’estimation de fréquence (la phase instantanée) du réseau basée sur des lignes à retard. 88 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau En outre, le poids w (k) converge vers la valeur −1 et peut être utilisé pour évaluer la qualité de convergence. L’un des avantages majeurs de cette approche est son immunité par rapport à l’amplitude et à la phase du signal [Hal-09]. Il est important de montrer que la fréquence ˜estimée dépend de la période d’échantillonnage 9" a une grande influence sur les performances de cette approche. En effet, en présence d’harmoniques, la fonction °»KKL dans (3.41) reste sensible [Hal-09]. Afin de maximiser la dynamique et assurer la stabilité du système il est conseillé de choisir une période d’échantillonnage 9" = 1⁄4˜X . Il est à noter que ce choix a pour conséquence la suppression d’une partie des harmoniques existants dans la tension du réseau [Bec-13]. Toutefois, ce désagrément est éliminé lorsque la méthode neuronale d’extraction des composantes de tension est associée à cette stratégie simple et rapide de détection de phase à base de réseau de neurones afin d’avoir une structure d’une PLL-neuronale triphasé adaptative (Fig. 3.11). Détection des composantes symétriques . ⋮ ⋮ ( ) .( Ž- ) ( ) Œ (‹) Ž. Œ, (‹) (M) 2cos( 9" ) ⅀ ¼ − −− w(q)− − + u (q) ·¸¹º 2 2 9" °»KKL 1 ez • ª °¶MNw Fig. 3.11 PLL triphasé avec la fréquence détectée par un ADALINE. La section suivante présente une variante de cette approche afin d’améliorer la performance de l’estimation de la fréquence en présence d’harmoniques dans le signal (tensions et courants). b. Le réseau ADALINE avec une pré-multiplication Le réseau ADALINE avec une pré-multiplication [Hal-09] est une variante du réseau ADALINE proposé par [Das-97] (voir section 3.4.2.2.a). L’idée est de ne pas utilisé le signal original (p( ) = ( ) directement pour faire le calcul, mais le signal retardé et multiplié par luimême. D’autre côté, de faire une pré-multiplication de signal original pour accentuer la différence entre les deux signaux de fréquences proches au bout d’une période. L’ADALINE prend donc en entrée un signal dont la fréquence est le double de celle du signal à estimer (Fig. 3.12). L’apprentissage de cette décomposition permet une estimation plus rapide et plus précise [Wir09] 89 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau Ž- Ž- Prémultiplication Ž- Œ (‹) Ž- Œ, (‹) 2cos( 9" ) ⅀ w(q) ¼ − + u (q) 2 2 9" °»KKL ,· 1 ez ,¿ ª °¶MNw Fig. 3.12 2ère méthode neuronale dédiées à l’estimation de fréquence (la phase instantanée) du réseau multiplié et retardé [Hal-09] [Bou-13] [Wir-09]. 3.5 Discussion des résultats de simulation Le modèle de simulation que nous avons utilisé se réfère à un cahier de charge industriel, sa modélisation complète est récapitulée dans le chapitre 5. Pour la PLL classique, l’extraction du système direct de tensions a été réalisée à la section 3.3. Par contre, l’estimation des composantes directes et inverses de la tension par les réseaux ADALINE est obtenue en se basant sur l’utilisation de la méthode des puissances instantanées PQ-neuronale présentée par la section 3.4.1 et la détection de la phase instantanée (fréquence estimée). Nous allons procéder à trois essais simulés sous Matlab/Simulink avec ces trois méthodes de poursuite de la fréquence qui sont : Un VCO-classique qui comporte un correcteur PI classique ; Un VCO-neuronale qui comporte un réseau ADALINE nommé PI –neuronale (voir section 3.4.2.1) l’ajustement, en- ligne, des paramètres proportionnel (P) et intégral (I) de ce régulateur été obtenu avec un coefficient d’apprentissage † = 0.0001; Un réseau ADALINE basé sur une formulation récursive (voir section 3.4.2.2.a) dont le coefficient d’apprentissage est † = 0.00004. On note que la PLL classique estime uniquement les composantes directes de la tension, alors que la méthode neuronale que nous avons conçue détermine également les composantes inverses et homopolaires. 3.5.1 Comparaison de la méthode neuronale avec la PLL classique Afin d’évaluer la performance de la PLL neuronale proposée, quelques comparaisons avec une PLL triphasée conventionnelle et celle utilisant les retards du signal ont été effectuées en se basant sur la réponse dynamique du système sous les conditions suivantes : 90 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau 3.5.1.1 Détection des composantes symétriques des tensions d’un système triphasé déséquilibrées ou polluées Pour mener un premier test de notre PLL- Neuronale proposée, nous avons choisi le cas d’un système de tensions source triphasé déséquilibré puis le cas d’un système de tensions pollué par le 3ème et le 5ème harmoniques respectivement. a) Tension source déséquilibrée. b) Tension directe obtenue à l’aide d’une PLL conventionnelle c) Tension directe obtenue à l’aide d’une PLL Neuronale d) Tension inverse obtenue à l’aide d’une PLL Neuronale. e) Comparaison entre les tensions : source/ directe. Fig. 3.13 Comparaison entre les performances de la PLL conventionnelle et la PLL-Neuronale proposée basé sur un VCO-neuronale proposé, pour une tension source déséquilibrée. 91 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau Les figures 3.13.b et 3.14.b donnent le résultat avec une fréquence détectée par la VCO classique qui comporte un correcteur PI classique et un Filtre Pass-Bas. Les figures 3.13.c,d et 3.14.c,d représentent les résultats avec la fréquence obtenue par un VCO–neuronale proposé qui était basé sur un PI-neuronale. Les figures 3.15 donnent les résultats avec la fréquence obtenue par un réseau ADALINE de formulation récursive. En observant les trois figures 3.13, 3.14 et 3.15, nous constatons que les ondes de tensions directes et inverses obtenus par l’approche neuronale est moins rapide d’atteindre le régime permanent que celles obtenus par l’approche classique car le réseau de neurone a besoin d’un temps d’apprentissage ( ≈ 0.04 ). Mais la forme d’onde de tensions directes par la PLL-neuronale est très proche de la sinusoïde par rapport à la PLL conventionnelle et la tension inverse tende vers une très petite valeur entre (2 à18 ). a) Tension source polluée par le 3ème et 5ème harmoniques. b) Tension directe obtenue à l’aide d’une PLL conventionnelle. c) Tension directe obtenue à l’aide d’une PLL Neuronale. d) Tension inverse obtenue à l’aide d’une PLL Neuronale. e) Comparaison entre les tensions : source/ directe. Fig. 3. 14 Comparaison entre les performances de la PLL conventionnelle et la PLL-Neuronale proposée, pour une tension source polluée par le 3ème et le 5ème harmoniques. 92 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau D’un coté, la qualité des tensions directes estimées peut être évaluée par son spectre fréquentiel. Si on compare les deux spectres fréquentiels de la tension directe estimée (phase a) obtenue par les différents PLL utilisées sous une tension source polluée par le 3è‰" et le 5è‰" harmonique (Fig. 3.16) et sous une tension source déséquilibrée (Fig. 3.17), on peut remarquer que le taux de distorsion de chaque harmonique de la tension directe estimée par la PLL-neuronale de base VCO contenant un PI-neuronale est le plus bas par rapport aux PLLconventionnelle et la PLL-neuronale basé sur un ADALINE et ceci pour touts les harmoniques 3, 5, 7, 11, 13,17 et 19. a) Tension source : polluée puis déséquilibrée. b) Tension directe obtenue à l’aide d’une PLL à base d’un Adaline de forme récursive. b) Tension inverse obtenue à l’aide d’une PLL à base d’un Adaline de forme récursive. c) Comparaison entre les tensions directes obtenue à l’aide d’une PLL conventionnelle, une PLL-neuronale à base d’un Adaline et la tension source. Fig. 3.15 Caractéristiques d’une PLL-Neuronale qui utilise un ADALINE basé Fig. qui utilise un ADALINE sur3.15 une Caractéristiques forme récursive,d’une pour PLL-Neuronale une tension polluée puis déséquilibrée à basé = 0.06 . sur une forme récursive, pour une tension polluée puis déséquilibrée à = 0.06 . 93 Chapitre 3 : Application des RN RNA -ADALINE- à l’Extraction des Composantess Symétriques Sym de la Tension du Réseau D’un autre coté, a partir ir du tableau 3.1, on peut constater que, pour les deux de cas d’un système déséquilibrée ou polluée,, le taux tau de distorsion total de la tension directe irecte estimée par la PLLneuronale proposée (9•Â = 0.36%) reste le plus petit par rapport aux 9•Â de la deuxième PLL-Neuronale basé sur la forme form récursive et la PLL classique. Tab.3.1 Comparaison entre tre le ttaux de distorsion total (9•Â%) de la tension ion dir directe estimée, pour les différentes PLL utilisées. *ÃÄ (%) PLL-Conventio ventionnelle PLL-Neuronale à base d’un VCO-neuronale (PIneuronale) PLL--Neuronale à base d’un Adalin daline (forme récursive) Source déséquilibrée Source déséquilibrée Source ource déséqui éséquilibrée 1.76 de la tension directe estimée (phase a) Source polluée 3.36 0.36 Source polluée 0.36 0 0.45 Source polluée 1.06 2,5 (d) Va -PLL conventionnell ionnelle Série1 hi/h1 ( % ) 2 Série2 Va(d)-PLL neuronale le proposée prop 1,5 Série3 Va(d)-PLL neuronale (Ad Adaline) 1 0,5 0 3 5 7 11 13 17 19 Rang d'harmonique hi/h1 ( % ) Fig. 3.16 Spectre fréqu fréquentiel de la tension directe estimée (phase ase a) a obtenue par les ème différents PLL utilisées es sous s une tension source polluée par le 3 et le 5ème harmonique. 2 1,8 1,6 1,4 1,2 1 0,8 0,6 0,4 0,2 0 (d) Va -PLL conventionnel ionnelle Série1 Va(d)-PLL–neuronale ale pro proposée Série2 Série3 Va(d)-PLL neuronale (Ad Adaline) 3 5 7 11 13 17 19 Rang d'harmonique Fig. 3.17 Spectre tre fré fréquentiel de la tension directe estimée (phase hase a) obtenue par les différents ts PLL utilisées sous une tension source déséquilibrée. librée. 94 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau 3.5.2 Réponse dynamique aux perturbations d’amplitude de la tension source : cas particuliers Cette section présente les résultats de simulation pour détecter le système direct et le système inverse des tensions avec la fréquence du réseau triphasé maintenue constante. Les tests suivants sont mis en œuvre avec un système triphasé de tensions ayant une amplitude perturbée (modifiées) par : une chute identique sur les trois phases, une chute de tension sur une seule phase puis une coupure d’une phase respectivement. L’objectif est d’évaluer la robustesse de l’approche neuronale proposée dans des conditions dégradées. a. Détection des composantes symétriques des tensions d’un système triphasé avec une chute de tension identique sur les trois phases Les figures 3.18.a, 3.18.b, 3.18.c montrent l'évolution des paramètres de la tension réseau lorsque une chute de tension de 50% (identique) au niveau des trois phases est soudainement imposée à = 0.08 . Sur la figure 3.18.a nous représentons les tensions du réseau. La figure 3.18.b montre l'évolution de la tension directe avec sa composante continue qui passe de 335.6 à 168.5 avec un temps de 0.03 . Sur la figure 3.18.c nous pouvons observer l'identification de la tension inverse avec sa composante continue qui augmente jusqu'au 23.9 au moment de la chute puis elle reprend une valeur de 2.5 lors de son régime permanent durant un temps de 0.04 . À partir de ces résultats, nous remarquons qu'une chute de tension identique sur les trois phases du réseau électrique cause une chute au niveau des tensions directes mais elle n’influe pas sur les tensions inverses en régime permanent. La méthode d'identification des tensions avec les réseaux de neurones ADALINE est désormais validée en temps réel. Elle est robuste face aux variations dans le réseau électrique. 95 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau a) Tensions source. b) Tensions directes estimée. c) Tensions inverses estimées. Fig. 3.18 Extraction des systèmes direct et inverse de tensions en cas d’apparition d’une chute identique d'amplitude de 50% au niveau des trois phases à = 0.08 . b. Détection des composantes symétriques des tensions d’un système triphasé avec une chute de tension sur une seule phase Si, une chute de tension de 50% est survenue au cours du fonctionnement du système au niveau de la première phase du réseau. Les deux autres phases sont maintenues à la même valeur initiale. Les tensions du réseau électrique sur les trois phases sont représentées sur la figure 3.19.a. La figure 3.19.b montre les tensions directes sur les trois phases avec une diminution de leur amplitude de 16.5% au moment ( = 0.08 )de la chute opérée sur la première phase du réseau électrique. Sur la figure 3.18.c, nous pouvons observer l'évolution correspondante de la tension inverse dont la composante continue passe de 3,2 à 56,9 avec une augmentation de près de 140%. Ainsi, nous constatons qu'une chute de tension sur une phase du réseau électrique entraine une chute au niveau des tensions directes et une légère augmentation au niveau des tensions inverses. 96 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau a) Tension source b) Tensions directes estimés c) Tensions inverses estimés Fig. 3.19 Extraction des systèmes direct et inverse de tensions en cas d’apparition d’une chute d'amplitude de 50% au niveau de la phase « a » à = 0.08 . c. Détection des composantes symétriques des tensions d’un système triphasé avec coupure d’une phase Cette section présente les résultats de simulation pour détecter le système direct et le système inverse des tensions pour un système de tensions de la source qui est perturbé par une coupure d’une phase (un des cas le plus extrême dans les systèmes de distribution). Dans la figure 3.20, nous constatons que dans l’intervalle de = 0.03 à = 0.08 , le système direct des tensions coïncide avec le système des tensions de source. Une fois que le système est déséquilibré lors d’une coupure au niveau de la phase « a », les réseaux ADALINE nécessitent 0.045 pour atteindre le régime permanent où le système inverse est définit. Ainsi, nous constatons qu'une chute de tension sur une phase du réseau électrique entraine une chute au niveau des tensions directes (Fig. 20.b) et une augmentation remarquable au niveau des tensions inverses (Fig. 20.c). 97 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau a) Tension source. b) Tensions directes estimées. c) Tensions inverses estimées. Fig. 3.20 Extraction des systèmes direct et inverse de tensions en cas d’apparition d’une coupure au niveau de la phase « a » à = 0.08 . Ainsi, la comparaison entre la tension directe estimée par les différentes PLL utilisées, en cas d’une apparition d’une chute de tension d'amplitude de 50% au niveau de la phase « a » (Fig. 3.19) et en cas d’une coupure de tension de la phase « a » ( Fig. 3.20), conduit a dire que à l’aide de la PLL neuronale ou classique on peut récupérer (augmenter), relativement, l’amplitude de la tension de la phase « a ». D’autre part, la figure 3.21 et la figure 3.23 confirme que le choix de la PLL-neuronale proposée est primordiale car son taux de distorsion totale de la tension directe estimée par les différentes PLL est le plus bas (9•Â ÅÆW" = 0.54%, 9•Â ¯ÆÇÆ!" = 0.92%). Finalement, à partir des résultats de simulation précédents, on peut conclure que : Avec son aptitude adaptative, la PLL neuronale peut poursuivre instantanément la fréquence avec une bonne précision par rapport au VCO régulé par un correcteur PI classique. En plus, la méthode d’extraction neuronale des composantes symétriques de la tension V!" W" et VXY"!Z" est plus rapide que la PLL conventionnelle conçue avec un filtre passe-bas et un régulateur PI conventionnelle. La PLL neuronale est meilleure en termes de robustesse et de rapidité. 98 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau Fig. 3.21 Comparaison entre la tension directe estimée par les différentes PLL utilisées en cas d’apparition d’une chute de tension d'amplitude de 50% au niveau de la phase « a ». a) PLL-neuronale proposée. c) b) PLL-neuronale (ADALINE). c) PLL-classique. Fig. 3.22 Spectre fréquentiel de la tension directe estimée (phase a), par les différentes PLL, en cas d’apparition d’une chute de tension d'amplitude de 50% au niveau de la phase « a ». 99 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau Fig. 3.23 Comparaison entre la tension directe estimée par les différentes PLL utilisées (phase a) en cas d’une apparition d’une coupure de tension de la phase « a ». a) PLL-neuronale proposée. b) b) PLL-neuronale (ADALINE). c) PLL-classique. Fig. 3.24 Spectre fréquentiel de la tension directe estimée (phase a), par les différentes PLL, en cas d’apparition d’une coupure de tension de la phase « a ». 3.6 Conclusion Dans les applications liées au réseau électrique, essentiellement, pour le filtrage actif shunt, la connaissance de la fréquence ainsi que la séquence directe fondamentale des tensions mesurées au point de raccordement PCC est souvent impérative. 100 Chapitre 3 : Application des RNA -ADALINE- à l’Extraction des Composantes Symétriques de la Tension du Réseau Lorsque le système est déséquilibré ou perturbée par certains harmoniques, il faut compléter le schéma du FAP par une technique basée sur le principe d’une PLL (Phase Locked Loop) pour réaliser une synchronisation sur les trois phases des différents blocs constitutifs de la commande d’un FAP. Ceci à pour but d’avoir un compensateur universel capable d'annuler les harmoniques des courants, la puissance réactive et permet notamment de corriger le déséquilibre du système des tensions et des courants. Dans cette section, nous avons modélisé une nouvelle PLL neuronale adaptative selon la théorie des puissances instantanées (PQ), basée sur le réseau de neurones linéaire ADALINE, car celle-ci permettait de rendre l’extraction des composantes symétriques de tension et la détection de la phase instantanée du réseau roustes aux éventuelles variations des paramètres du système électrique. Par conséquent, on peut dire que le réseau ADALINE est donc un des outils pour améliorer la précision de l’estimation et la robustesse de la PLL afin de suivre en temps réel les variations de la fréquence du réseau électrique. Plusieurs tests ont été effectués en élaborant la réponse dynamique de la PLL-neuronal proposée sous des conditions divers concernant la tension source telle que : le déséquilibre, la pollution, la coupure d’une phase, la chute au niveau de phase et la chute identique sur les trois phases. Les avantages des méthodes neuronales par rapport à une PLL conventionnelle sont de meilleures performances, le fait d’être plus rapides, roustes aux variations des paramètres du système électrique et elles présentent une structure de calcul homogène en vue d’une implémentation matérielle efficace. Il est intuitif de conclure que, Les deux méthodes neuronales proposées ci-dessus permettent de remplacer, avec sucée les PLL classiques. Dans le prochain chapitre nous allons élaborer quelques méthodes neuronales d'identification des harmoniques et renforcer certaines d’elles, qui sont sensibles aux fluctuations de la fréquence, par une stratégie de synchronisation neuronale qui fera une extraction de la phase instantanée du réseau et des composantes symétriques de tension (PLL-Neuronale). 101 CHAPITRE QUATRE Identification Intelligente-Neuronale des Courants Harmoniques Sommaire _________________________________________________________________________________ 4.1 Introduction………………………………………………………………………………………. 103 4.2 Principe du filtre actif parallèle ………………………………………………………………… 104 4.3 Stratégie d’identification des harmoniques avec Adaline……………………………………... 105 106 4.4 Identification neuronale des harmoniques dans l’espace de courant avec ADALINE.…… 4.4.1 Méthode neuronale Directe………………………………………………………….…….... 106 4.4.2 La méthode neuronale Tri-monophasée……………………………………..…………….... 108 4.4.3 Identification des harmoniques avec la méthode neuronale des courants diphasés………… 111 4.4.4 Méthode neuronale synchronisée…........................................................................................ 115 4.5 Identification des harmoniques selon le repère des puissances ………………………….…… 118 4.5.1 Méthode neuronale des puissances instantanées réelle et imaginaire (méthode P-Q)………. 119 4.5.2 Méthode neuronale des puissances instantanées modifiée…………………………………... 124 4.5.3 Méthode neuronale des courants actifs et réactifs…………………………….……………. 127 4.6 Identification sélective des harmoniques de références par un filtre multi-variable ‘FMV’… 130 4.7 Comparaison structurelle et fonctionnelle des méthodes d’identification……………………. 133 4.8 Résultats de simulation ………………………………………………………………………….. 135 4.8.1 Evaluation des méthodes d’identification sous divers conditions de fonctionnement…….. 135 4.8.2 Performances dynamiques du FAP…………………………………………………………. 136 4.9 Comparaison des résultats de simulation : Discussion………………………………………… 146 4.9.1 Compensation des harmoniques et de la puissance réactive…………………………….….. 151 4.9.2 Compensation sélective des harmoniques et de la puissance réactive………………………. 152 4.10 Conclusion………………………………………………………………………………………... 153 ___________________________________________________________________________________________ Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques 4.1 Introduction A FIN d’améliorer la qualité des courants côté source, le FAP a besoin d’une étape appelée identification pour séparer efficacement la composante fondamentale et estimer individuellement les harmoniques de courant générés par la connexion de la charge non linéaire sur le réseau. Pourquoi introduisons nous l’identification intelligente alors qu’il existe plusieurs méthodes d’identification dans la littérature ? En effet, la transformation rapide de Fourier, la méthode des ondelettes, etc. dans [Car-09] demandent une grande charge de calcul et ne sont pas adéquates avec les changements rapides de la charge. Par contre, la caractéristique adaptative du réseau linéaire ADALINE peut être exploitée pour estimer instantanément des signaux (puissances, tensions et courants) en présence des changements rapides de la charge ou de conditions indésirables dans le réseau électrique (déséquilibre de tensions et de courants par exemple) afin d’obtenir des courants à réinjecter. L'identification des harmoniques est une étape très importante dans le processus de compensation active. En effet, le système de commande, même très efficace, ne pourra pas à lui seul effectuer des corrections suffisantes si les harmoniques parasites sont mal identifiées [Oul05]. Dans ce chapitre, nous venons de présenter plusieurs méthodes d’identification neuronale pour détecter les courants harmoniques émises par les charges non linéaires connectées au réseau électrique basse tension. Toutes ces méthodes sont basées sur l’apprentissage des puissances ou des courants à l’aide de réseaux ADALINE mais chacune s’appuie sur une stratégie différente afin d’atteindre cet objectif. Les méthodes des puissances instantanées P-Q et P-Q modifiée ainsi que la méthode des courants actifs travaillent dans l’espace des puissances à l’inverse de la méthode synchronisée, directe, diphasée et trimonophasée qui travaillent dans l’espace des courants mesurés. Ces méthodes utilisent des expressions spécifiques et appropriées, soit des puissances, soit des courants. Ces expressions, des sommes pondérées de termes harmoniques, sont apprises par des ADALINE. Pour chaque expression, les termes harmoniques sont synthétisés et utilisés comme entrée par les ADALINE dont les poids convergent vers leur amplitude respective. L’erreur entre la sortie des ADALINE et une grandeur mesurée permet d’ajuster en temps-réel les poids et donc d’estimer en permanence l’importance de chaque harmonique. Pour toutes les méthodes, l’idée de base repose sur une détection synchrone qui a été abouti à l’aide d’une PLL-neuronale proposée dans la chapitre.3. Afin de rendre ces méthodes universelles et applicables pour n'importe quelle forme de la tension source, il est indispensable de renforcer quelques une par une approche neuronale (PLLneuronale) dont le rôle est de détecter les composantes symétriques de la tension du réseau (directe, inverse, homopolaire) ainsi que la phase instantanée (fréquence) su réseau. Cette approche a été présentée dans le chapitre précédent. En pratique, le choix final de la méthode d’identification dépendra des objectifs fixés : 103 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques compensation de tous les courants harmoniques; compensation sélective de certaines harmoniques; compensation de la puissance réactive (courant réactif); application sur des installations triphasées ou monophasées; correction du déséquilibre; transmission d’un maximum de puissance active de la source vers les charges, etc… 4.2 Principe du filtre actif parallèle Pour des installations électriques existantes, les filtres actifs parallèles (FAP) sont à ce jour les solutions avancées de dépollution les plus adéquates [Bru-99]. Elle permet de restituer la forme sinusoïdale du courant provenant du réseau électrique lorsque celui-ci est déformé par une charge non linéaire. L'insertion du FAP dans un réseau de distribution électrique est facile, elle permet d'éliminer, par compensation, les harmoniques introduites par une charge non linéaire. Dans notre étude, pour quantifier le degré de pollution harmonique sur les réseaux électriques, le taux global de distorsion harmonique (THD) est bien adapté. L’architecture générale d'un FAP triphasé de type tension est rappelée par la figure 4.1 où l'on distingue deux blocs : l'onduleur et le filtre de sortie de la partie puissance ainsi que les différents algorithmes de la partie contrôle-commande. La partie puissance est généralement constituée d'un onduleur de tension à base d'interrupteurs de puissance, commandables à l'amorçage et au blocage avec des diodes en antiparallèle (IGBT), d'un circuit de stockage d'énergie (souvent capacitif) et d'un filtre de sortie du premier ordre. La partie contrôle-commande est composée d'une première étape chargée d'extraire le système direct des tensions aux bornes de la charge. Une seconde étape réalise l'identification des harmoniques et l'étape finale génère la commande de l'onduleur. Extraction de la composante directe de tension Phase instantanée Réseau électrique Onduleur + Filtre de sortie , … Commande Charge non linéaire Identification des courants harmoniques de références par : ADALINE ⋮ ⋮ Fig .4.1 Architecture générale d’un filtre actif parallèle : Rôle de la partie identification des courants harmoniques de références. 104 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques L'étape d'extraction des composantes directes de la tension a été présentée dans le chapitre 3. Dans la suite, l'étape d'identification des courants harmonique, sera traitée dans cette section par plusieurs techniques : principalement, par des techniques neuronales et de la technique basée sur les Filtres Multi-Variables. Lorsque les composantes harmoniques sont identifiées, elles sont utilisées pour générer des courants de référence qui sont injectés en opposition de phase dans le réseau électrique via un dispositif de puissance (onduleur et un filtre de sortie). La commande de l’onduleur est également basée sur une approche neuronale (Chapitre.5). 4.3 Stratégie d’identification des harmoniques avec ADALINE L’utilisation des réseaux neuromimétiques dans le domaine des systèmes électriques est de plus en plus fréquente à cause de leurs aptitudes à apprendre des non linéarités et à généraliser à partir d’exemples. En effet, depuis une dizaine d’année, de nombreuses techniques basées sur des réseaux neuromimétiques et sur l’Adaline [Wid-96] en particulier ont été développées pour identifier et filtrer les harmoniques dans les systèmes électriques [Cri-02]. Les réseaux Adalines sont des estimateurs linéaires capables d’apprendre en ligne des signaux dépendant du temps [Wid-96]. Avec une règle d’apprentissage du type LMS (Least Mean Squares), l’apprentissage est rapide et robuste tout en étant compatible avec une contrainte temps-réel. De plus, la simplicité de son architecture lui confère des atouts supplémentaires : l’interprétation à ses poids et une facilité certaine pour une implémentation matérielle. Dans ce chapitre, plusieurs approches neuronales, dans l’espace de courant et dans l’espace de puissances, sont élaborées. Après la formulation théorique des puissances/courants en une expression apprise par des ADALINEs, l’identification des harmoniques repose sur la base d’une démarche commune comme suit : d’abord exprimer et décomposer les signaux (des courants ou des puissances) sous la forme de sommes pondérées de composantes sinusoïdales, puis apprendre les sommes pondérées qui sont des relations linéaires à l’aide de réseaux ADALINE, enfin séparer « filtrer » la composante fondamentale des composantes harmoniques Les avantages de ces approches neuronales sont les suivants : puisque les entrées des ADALINE sont choisies, la compensation sélective des harmoniques revêt une forme quasi-inhérente, selon la même logique, il est possible de déterminer la puissance réactive du réseau de distribution électrique pour la corriger, l’apprentissage en ligne permet un ajustement permanent des amplitudes estimées, et de faire ainsi face à tous changements et à toutes variations du contenu harmonique induites par des modifications des charges non linéaires. 105 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques 4.4 Identification neuronale des harmoniques dans l’espace de courant avec ADALINE Dans cette partie l'identification et le filtrage s'effectuent dans l'espace des courants. Quatre méthodes seront développées : Il s'agit de la méthode neuronale directe, de la méthode des PQ neuronale, de la méthode Tri-monophasé et de la méthode des courants diphasés synchrone, courants actif. 4.4.1 Méthode neuronale Directe Sur le réseau électrique, en prélevant le courant absorbé par une charge non linéaire, sa décomposition en série de Fourier pour chaque phase révèle les deux composantes de la façon suivante : = + # Dans cette relation, et # représentent respectivement le courant fondamental et le courant harmonique peuvent s’exprimer de manière détaillée selon les relations (4.2) et (4.3). et # = $%% &'( ) − + + $%, ( - ) − + (4.1) (4.2) = . /$0% &'(- ) − + + $0, ( -- ) − + 1 4.3 02,,…3 Où )est la pulsation fondamentale du réseau électrique, α est un déphasage quelconque qui peut être égale à zéro, $%% et $%, sont les amplitudes associées aux cosinus et sinus du courant fondamental tandis que $%% et $%, sont les coefficients des termes en cosinus et sinus du courant harmonique. - est l’ordre des harmoniques générées par la charge non-linéaire et 7 est un entier naturel associé aux harmoniques présentés dans le réseau électrique. Extraction des courants avec les ADALINEs L'identification des harmoniques se fait par un réseau ADALINE identique sur chaque phase comme le montre la figure 4.2. Les entrées de ce réseau sont les termes en cosinus et en sinus issus de la décomposition en série de Fourier du courant mesuré (à l'exception d'un terme constant correspondant à un biais) [Oul-05]. L'expression du courant de charge peut alors s’écrite sous la forme matricielle selon l’expression : = 89 .: Avec 8 représente le vecteur des poids de l'ADALINE et : le vecteur des entrées de l’ADALINE, constitué des composantes cosinus et sinus des différentes harmoniques : et : 89 = /&'( ) − + = /$%% $%, ( - ) −+ $,% $,, … $0% $0, 1 … &'(- ) − + ( -- ) − + 1 (4.4) (4.5) (4.6) Nous utilisons l'algorithme d'apprentissage de Widrow-Hoff modifié présenté dans le chapitre 3 pour la mise à jour des poids. Le courant fondamental estimé est alors évalué comme suit : 106 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques = 8;% &'() + 8<% ( -) (4.7) où 8;% et 8<% représentent les poids du réseau ADALINE associés aux entrées constituées des termes cosinus et sinus pour la fréquence fondamentale. La différence entre ce courant et celui mesuré sur la charge donne la somme des harmoniques et donc de ce fait le courant de référence: = # = − (4.8) En outre, la méthode directe permet d'identifier les courants harmoniques individuellement afin de réaliser une compensation sélective. A ce titre, dans le but de sélectionner celles que l'on veut compenser. Il suffit alors de prélever les amplitudes identifiées à partir des poids de l' ADALINE correspondant aux composantes des cosinus et sinus des harmoniques concernées. Ainsi, pour une harmonique d'ordre N on peut écrire : = $3% &'(7 ) − + + $3, ( -7 ) − + 4.9 3 Et l’amplitude de l’harmonique sera obtenue par la relation (4.10): $ 3 , , = >8;3 + 8<3 , avec8;3 = $3% et8<3 = $3, 4.10 Pour généraliser l’utilisation de la méthode directe neuronale en cas de fonctionnement perturbée de la tension source (déséquilibrée, polluée, creux de tension,…) une PLL-neuronale (section 3.4) est nécessaire. L’idée de base repose sur une détection synchrone. % PLL ⋮ ⋮ Adaline FGH I 1 cos FGH − α sin FGH − α ⋮ cos/n FGH − α 1 sin/n FGH − α 1 R;% I R<% I ⋮ R;0 I JK − + $%% &'( F JK − + $%, ( - F ⅀ R<0 I … : I RT I Algorithme de Widrow-hoff % + + + I + - %# - L I Fig. 4.2 Structure de l'Adaline sur la première phase pour la méthode d'identification directe. 107 I Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques 4.4.2 La méthode neuronale Tri-monophasée De même que la méthode directe, la méthode tri-monophasée que nous avons élaborée permet de traiter les trois phases de façon indépendante, et de ce fait, s’applique aux systèmes triphasés et monophasés. Le principe est basé sur l'estimation de l'amplitude de la composante fondamentale active et de la composante fondamentale réactive du courant absorbé par la charge [Oul-07]. La compensation des harmoniques et/ou de la composante fondamentale réactive se fait par la génération de signaux sinusoïdaux d'amplitude unitaire. De plus, la méthode trimonophasée permet de s'affranchir de l'utilisation d'une PLL. a. Principe En multipliant le courant de charge de l’équation (4.1) respectivement par ( -) nous obtenons les expressions (4.11) et (4.12) 1 $ − $%, &'(2) + $%% ( - 2) 2 %, 1 + . $0, &'( - − 1 ) − $0, &'( - + 1 ) 2 % (- ) = + 02,….3 1 . 2 02,….3 et &'() $0% ( - - + 1 ) − $0% ( - - − 1 ) 4.11 1 $ + $%, ( -2) + $%% &'( 2) 2 %% 1 . $0% &'( - − 1 ) + $0% &'( - + 1 ) + 2 % . &'( ) = + 02,….3 1 . 2 02,….3 $0, ( - - + 1 ) + $0, ( - - − 1 ) 4.12 A partir de ces relations, seuls les termes représentant les composantes continues sont proportionnelles respectivement à l'amplitude du courant fondamental actif $%% et à l'amplitude du courant fondamental réactif $%, . En notation vectorielle, les équations (4.11) et (4.12) peuvent être écrite : % % (- ) &'( ) 9 :VW0 = 8VW0 = 8 9XV : XV (4.13) 9 8VW0 = /$%, − $%, $%% …$0, − $0, $0% − $0% …] 9 :VW0 : 9XV 8 9XV = /$%% − $%, $%% …$0, − $0, $0% −$0% …] (4.14) (4.15) (4.16) 1 = /1 &'( 2) sin 2) … cos - − 1 ) cos - + 1 ) sin - + 1 ) sin - − 1 ) … 1 2 (4.17) 1 = /1 ( - 2) cos 2) … sin - + 1 ) sin - − 1 ) cos - − 1 ) cos - + 1 ) … 1 2 (4.18) 108 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques En implémentant chacune des équations (4.13) et (4.14) par un ADALINE conformément à stratégie d'identification des courants harmoniques par la méthode tri-monophasée (Fig. 4.3). 9 et 8 9XV représentent alors les vecteurs poids des deux ADALINE. D’autre part, les 8VW0 9 vecteurs d'entrées correspondants :VW0 et : 9XV contiennent les cosinus et sinus des différentes harmoniques. ( -) Z; Z[ ( -) 1/2&'(2) 1/2( -2) 1/2( - - + 1 ) L% I 1/2( - - − 1 ) Z; &'() ( -) ⅀ ⋮ \ $%, bc (k) 1/2 $%% bc (k) 1/2 1/2( -2) 1/2&'(2) ⅀ ⋮ 1/2&'( - − 1 ) &'() V] − + + &'() L, I 1/2&'( - + 1 ) ^ `\ + ^ + Z[ \ _ `\ V] − + + Fig. 4.3 Structure d'identification des courants de références avec la méthode tri-monophasée avec deux ADALINEs. Ainsi, l'amplitude $%, de la composante continue du courant fondamental réactif est déterminée par le poids 8T I du premier réseau ADALINE et celle notée $%% du courant fondamental actif par le poids 8T I du deuxième ADALINE. De ce fait, le courant fondamental peut être reconstitué en multipliant respectivement $%% et $%, par &'( ) et ( - ) pour aboutir l’expression (4.19). = $%% &'( ) + $%, ( - ) 4.19 Le courant harmonique sur la première phase sera calculé comme suit : = # = − (4.20) Pour chaque phase, le courant harmonique se détermine par la même démarche et ceci en tenant compte des courants de charge , et Y . 109 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques De plus, la méthode tri-monophasée rend possible l’identification sélective (identifier individuellement les harmoniques à compenser) car on peut récupérer les valeurs correspondantes pour chaque harmonique sur l'un des deux réseaux ADALINE. Ainsi, nous pouvons composer le courant harmonique d'ordre 7 comme suit : = $3% &'( ) 3 + $3, ( - 7) (4.21) 4.4.2.1 La méthode neuronale Tri-monophasée Modifier Cette nouvelle approche est proposée dans [Dzo-09] ; [Dzo-11] dont le but de réduire le nombre d’ ADALINE utilisé dans la méthode Tri-monophasée. Si nous examinons de plus près l'équation (4.11), on peut remarquer que $%% est le coefficient du terme ( - 2) .Etant donné % , que ce terme représente la troisième entrée du même ADALINE utilisé pour la méthode TriMonophasé, par conséquent, le poids 8T I estime l’amplitude de la composante du courant réactif $%, et le poids 8, I ) estime l’amplitude de la composante du courant actif de ce même ADALINE $%% . La détermination des deux amplitudes permet de retrouver la composante fondamentale du courant de charge, et de ce fait le courant harmonique. Par conséquent, nous pouvons proposer une structure simplifiée de la méthode Tri-monophasée nommée la méthode Tri-monophasée Modifiée qui repose en un seul ADALINE par phase (Fig 4.4). ( -) 1d 2 Z[ \ $%, RT(k) 1 &'(2) 2 1 ( -2) 2 R%(k) R,(k) ⋮ ⋮ 1 ( - - + 1 ) 2 1 ( - - − 1 ) 2 R0Z% (k) R0 (k) ( -ωt &'() ⅀ ( -) Algorithme de Widrow-hoff $%% ^ V] − ^ sinωt + + Z[ \ cosωt + e la méthode tri-monophasée Fig. 4.4 Structure d'identification des courants de références avec Modifier avec un seul ADALINE. Remarque Toutefois, il restera à évaluer l’impact du problème de stabilité concernant la détermination de $%% , dont l’entrée correspondante n’est pas un biais, i.e. constante comme c’est le cas pour le poids $%, . 110 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques 4.4.3 Identification des harmoniques avec la méthode neuronale des courants diphasés a. Décomposition des courants Contrairement aux méthodes basées sur la théorie des PQ [Aka-96], la méthode des courants diphasés travaille dans l’espace des courants DQ. Elle requiert de ce fait moins de calculs tout en étant plus précise et plus robuste. Considérons l’expression suivante, représentant les courants perturbés par des harmoniques dans un système électrique triphasé : &'( iH + j% &'( -iH + j0 f , g = $% h &'( iH + j% − 2k⁄3 m + ∑02,….3 $0 h&'( -iH + j0 − 2k⁄3 m &'( iH + j% + 2k⁄3 &'( -iH + j0 + 2k⁄3 Y % (4.22) avec φp est le déphasage de l’harmonique d’ordre n entre la tension et le courant de charge. D’autre part, la première partie représente les courants fondamentaux et la seconde modélise la somme des distorsions harmoniques. Cette même relation peut s'écrire de la façon suivante: Ces courants peuvent s’écrire dans l’espace αβ à l’aide de la transformée de Concordia exprimée par la matrice eY, : r 9 q t = eY, f s avec : eY, u% u, g uY 3 3 &'( ) − j% &'( -) − j0 t 4.23 = v $% q t + . v $0 q ( - ) − j% ( - -) − j0 2 2 1 0 , = > h−1⁄2 √3⁄2 m Y −1⁄2 −√3⁄2 02,….3 La transformation de Park x −FH , avec un angle de rotation de −FH , est appliquée sur les courants de l'équation (4.36). Les nouveaux courants dans le repère de Park DQ seront obtenus comme suit : q 3 3 &'(j% &'( - − 1 iH − j0 r t 4.24 t = x −iH q t = v $% { −( -j | + . v $0 q ( - - − 1 iH − j0 % s 2 2 z y &'(iH avec :x −iH = q −( -iH ( -iH t &'(iH 02,….3 Chacun de ces courants diphasés peuvent être séparés en deux parties, une composante alternative ainsi qu’une composante continue, soit respectivement : ~ y• }̅y ; z2 }~z• }̅z (4.25) y2 } &'(j% }̅y Y q}̅ t=> $% { −( -j |(4.26) , % z 3 }~y &'( - − 1 iH − j0 t 4.27 . $0 q q}̃ t = v ( - - − 1 iH − j0 2 z 02,….3 111 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques On peut voir que les composantes continues }̅y et }̅z de (4) sont issues de la fréquence fondamentale. D’un autre côté, les composantes alternatives e }~y et e }̃z de (5) proviennent quand à elles des distorsions harmoniques. L’objectif de la méthode revient à identifier les composantes continues et alternatives des courants DQ ou αβ et la séparation peut se faire par deux filtre passe bas. Pour retrouver les courants harmoniques (de référence) dans le repère triphasé, nous effectuons successivement les transformations inverses de Park et de Concordia avec les matrices eY, et x FH sur les courants de l'équation (4.26) : h % , m=eY, x Y }̃ iH q}̃y t(4.28) z Dans notre étude, nous proposons d’identifier les composantes issues de la fréquence fondamentale et des distorsions harmoniques à l’aide d’ADALINES. Cette identification peut se faire indifféremment dans l’espace des courants DQ ou dans l’espace des courants αβ. b. Extraction des courants harmoniques avec les ADALINE (repère DQ) Deux Adalines seront nécessaires pour extraire les courants harmoniques dans le repère DQ. La figure 4.5 montre la topologie de l'identification des courants harmoniques diphasés. Les deux courants de l'équation (4.24) peuvent s'écrire séparément comme suit : y 3 3 = v $% &'(j% + . v $0 cos - − 1 FH − j0 2 2 02,….3 3 3 = v $% &'(j% + . v $0 /cos - − 1 FH &'(j0 + sin - − 1 FH ( -j0 1 2 2 02,….3 z 3 3 = v $% ( -j% + . v $0 sin - − 1 FH − j0 2 2 (4.29) 02,….3 3 3 = v $% ( -j% + . v $0 /sin - − 1 FH &'(j0 − cos - − 1 FH ( -j0 1 2 2 02,….3 (4.30) En notations vectorielles, les équations (4.29) et (4.30) seront données par : q 8y9 :y t = „ 9 8z :z z y … (4.31) Avec les vecteurs (où n = 1; 5; 7; 11; 13 ;…N). ‰ 8y9 = > /$% &'(j% $Š &'(jŠ $Š ( -jŠ … $0 ( -j0 1 , ‡ ‡ :y = /1 &'( 4FH ( - 4FH … ( - - − 1 FH 1 ‹ ˆ8 9 = >Y /−$ ( -j $ &'(j −$ ( -j % % Š Š Š Š … −$0 ( -j0 1 z , ‡ ‡ = /1 ( - 4FH &'( 4FH … &'( - − 1 FH 1 † :z Y (4.32) 112 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Nous proposons d’apprendre les expressions de (4.31) avec deux ADALINES. Ainsi, les vecteurs :y et :z constituent les signaux d’entrées pour deux ADALINES. Les vecteurs 8y9 et 8z9 , qui représentent les poids des ADALINES sont estimés par le processus d’apprentissage. De cette façon, le poids 8T I) du premier ADALINE estime }̅y et le poids 8T I du second ADALINE estime }̅z . Les composantes alternatives }~y et }̃z des courants diphasés se retrouvent par soustraction : [ [• PLL • ⋮ ⋮ Adaline [ • ‘‘’ cos 4FH 1 • r }~y f g = h }̃z m(4.33) − }̅z z RT (k) ⋮ cos 7 − 1 FH sin 7 − 1 FH −• s sin 4FH y – }̅y Ž 1 sin 4FH cos 4FH sin 7 − 1 FH cos 7 − 1 FH RT (k) ⋮ }̅y + “̃• - ⅀ + - yZ est }̅z ⅀ - zZ est + - + “̃Ž • }̃r }̃s ‘’ Z[ Z• Z Fig. 4.5 Structure d'identification des courants harmoniques par la méthode des courants diphasés. à l’aide des transformations eY, et x iH appliquées à ces courants, nous retrouvons les courants de référence % , , L Y Kans le repère triphasé. Cette démarche est représentée et résumée par la Figure. 4.5. C. Extraction des distorsions harmonique dans l’espace αβ Contrairement à l’identification des harmoniques dans l’espace DQ, l’identification des 9 harmoniques1 dans l’espace αβ ne nécessite que la transformation eY, . Ainsi, les courants r et s s’écrivent dans l’espace αβ en notation vectorielle à partir de l’expression (4.23) : 8r9 :r r q t=„ 9 8s :s s … (4.34) 1 Contrairement aux filtres passe bas, les réseaux ADALINE offrent la possibilité d'extraire d'une manière précise les courants harmoniques dans le repère αβ [Ould-05]. 113 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques avec les vecteurs (où n = 1; 5; 7; 11; 13 ;…N) . ‰ ‡ ‡ :r ˆ ‡ ‡ † :s = /1 8r9 = >, /$% $Š $Š … $0 1 Y &'( iH −j% 8s9 = &'( 5iH − j% Y > /$% , = /1 ( - iH −j% … &'( -iH − j% 1‹ $Š $Š … $0 1 ( - 5FH − j% (4.35) … ( - -iH − j% 1 Comme pour le repère DQ, deux réseaux Adaline seront utilisés pour la reconstitution des et :s sont générés et servent courants r et s dans le repère αβ. Ainsi, les vecteurs :r d’entrées aux ADALINES, alors que les vecteurs poids 8r9 et 8s9 sont issus de l’apprentissage. Les deux premiers poids 8T I de ces deux réseaux ADALINE permettent d'estimer les courants fondamentaux représentés par le premier terme de l'équation (4.23). Ainsi, nous pouvons déduire les courants harmoniques dans ce même repère αβ. Finalement, les courants harmoniques dans le repère triphasé seront obtenus par la transformationeY, . 4.4.3.1 Modification de la méthode neuronale des courants diphasés C’est une variante de la méthode des courants diphasés neuronale utilisée pour identifier les courants harmoniques mais avec cette fois un seul réseau de neurones de type ADALINE. Cette approche reprend la transformation du courant de charge du système triphasé successivement vers le repère αβ puis vers le repère en quadrature DQ grâce respectivement à la matrice de Concordia et la matrice de rotation de Park. L’espace DQ permet la décomposition du courant de charge en expression linéaire puis sa séparation en une composante alternative liée au courant harmonique et une composante continue liée au courant fondamental. Le principe de la méthode des courants diphasés modifiée neuronale est illustré par la figure 4.6. Cette fois-ci, dans le repère DQ, nous retenons une seule expression de courant que nous présentons en notation matricielle. A titre d’exemple et selon l’axe D, nous avons déjà observé que selon l’expression (4.31) du courant y , son apprentissage par un ADALINE permet de déterminer le poids RT (k) qui estime la composante continue }̅y la valeur est : 3 }̅y = v $% &'(j% 2 A partir de cette expression on peut obtenir l’angle : 2 }̅y j% = acos •v – 4.36 3 $% Enfin, il est possible de déduire, selon l’axe Q, la composante continue }̅z et ceci en fonction de la composante continue }̅y . }̅z = v 3 2 2 }̅y –m 4.37 3 $% $1 ( - hacos •v Par Conséquent, les composantes continues }̅y et }̅z sont déterminées à l’aide du même ADALINE. Puis, les composantes alternatives sont déduites par les expressions (4.33) avant 114 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques d’être transformées par les opérateurs x FH et eY, en vue de l’obtention des courants Z< et Z dans le repère triphasé. Z; , [• [ PLL • }̅z = −> $% ( -j% /˜ cos > š 1 ⋮ ⋮ Adaline Y Ž [ • r −• ‘‘’ , ™̅ Y ›œ , s • 1 cos 4FH sin 4FH ⋮ cos 7 − 1 FH sin 7 − 1 FH “̅• RT (k) R% (k) R, (k) ⋮ R0Z% (k) ⅀ R0 (k) Algorithme de Widrow-hoff yZ est − − + L I − + “̅Ž “̃• + “̃Ž • }̃r }̃s ‘’ e par la méthode des courants diphasés Fig. 4.6 Structure d'identification des courants harmoniques avec un seul ADALINE [Dzo-11]. Z[ Z• Z 4.4.4 Méthode neuronale synchronisée La méthode synchronisée opère aussi dans le repère des courants de charge en synchronisant les courants actifs fondamentaux avec le système direct de tension de la source. Dans [Mor-95], le courant d’une phase du système électrique est multiplié par un signal sinusoïdal. Cette multiplication donne une partie continue et une partie alternative. À l’aide d’un filtre passe-bas d’ordre 5, la partie continue est obtenue et sera ensuite synchronisée avec le système direct de tension. La synchronisation peut être obtenue par une PLL. Dans un souci de généralité, et pour tenir compte des éventuels déséquilibres, le système direct de tension est préalablement extrait. Il peut être obtenu soit par une PLL triphasée classique, soit par une méthode basée sur le calcul des puissances instantanées [Aka-07], ou encore par l’approche neuronale proposée dans [Oul-07]. Dans cette approche, notre objective est de proposer une approche neuronale synchronisée d’identification basée sur l’utilisation de l’ADALINE dont le principe général est représenté par la figure 4.7. En effet, les courants harmoniques sont extraits à l’aide de trois réseaux ADALINE chacun par phase, au lieu des filtres passe-bas. La synchronisation est obtenue par 115 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques une PLL-neuronale proposée dans la section (section 3.22) qui utilise aussi l’ADALINE, sans oublié la comparaison avec la PLL classique (section 3.22). • Z;< Méthode synchronisée neuronale •;< PLL-Neuronale ⋮ _ Adaline Z;< ; cosFGH H FGH FGH ⋮ FGH Z;< ;< Z Synchronisation Adaline Démultiplexage - ⅀ + ;< Z Estimation de l’amplitude du courant fondamental Fig.4.7 Schéma principal de la méthode synchronisée d’identification neuronale. Supposons qu’on a un système de tension comme : • h• • % , Y m cos -iK cos - ) + j 7 - ) + j − 2k⁄3 m = ∑-=1 ž- hcos -iK − 2-k⁄3 m 4.38 cos - ) + j + 2k⁄3 cos -iK + 2-k⁄3 = ∑7-=1 ž- hcos avec FH = ) + j. A l’aide d’une PLL triphasée présentée dans la section 3.1, on obtient un système direct de la tension (sans composantes harmoniques) dans l’expression suivante : • • h • %ZH ,ZH YZH cos iGH m = žH cos iGH − 2k⁄3 ¡ 3.39 cos iGH + 2k⁄3 Un système de courants de la charge non linéaire est définit comme suit : h % , Y 3 cos iH + ¢% cos -iH + ¢0 m = $% h cos iH + ¢% − 2k⁄3 m + . $0 hcos -iH + ¢0 − - 2k⁄3 m 4.40 cos iH + ¢% + 2k⁄3 cos -iH + ¢0 + -2k⁄3 02, Où¢0 est le déphasage de l’harmonique d’ordre n entre les deux systèmes de tensions et de courants. La multiplication du courant de phase « a » avec un &'(iH '£( -iH issu de la PLL donne (supposons iGH ≈ iH : signal sinusoïdal (soit 116 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques uZ; 3 . &'(iH = . 02% 3 = . 02% 3 = . 02% $0 /&'( - + 1 iH + ¢0 + &'( - − 1 iH + ¢0 1 2 $0 /&'( - + 1 iH .&'(¢0 − ( - - + 1 iH .( -¢0 1 2 $0 /&'( - − 1 iH .&'(¢0 − ( - - − 1 iH .( -¢0 1 4.41 2 Cette expression est une somme pondérée de termes harmoniques. Elle s’écrit comme une décomposition linéaire qui peut être apprise et estimée par un ADALINE caractérisé par une entrée : et une sortie désirée &'(iGH V] comme dans la figure 4.7. Les poids et les entrées de Z; cet ADALINE sont alors : $ $ $ $ 8 9 = q % &'(δ% − % ( -δ% … 3 &'(δ¦ − 3 ( -δ¦ t 4.41 2 2 2 2 1 + &'(2iH © ¬ ( -2iH ¨ « ⋮ : =¨ « (4.42) cos 7 − 1 i +cos 7 + 1 i H H « ¨ § sin 7 − 1 iH +sin 7 + 1 iH ª avec = 1, . . . , 7 . Après apprentissage, les deux premiers poids de l’ADALINE associés aux termes fondamentales (composantes continues) sont forcés à converger vers : RT = $% $% &'(δ% etR% = − ( -δ% 4.43 2 2 Ces deux poids sont utilisés pour calculer l’amplitude de courant de charge fondamental et sa phase comme suit : $% = 2-RT, + R%, δ% = arctan 4.44 −R% 4.45 RT Comme le montre la Figure.4.7, ce courant fondamental est alors synchronisé avec le système de la tension source •VZ;< à l’aide d’une PLL-neuronale qu’on a proposée. Cette synchronisation2 conserve le système des tensions directes et celui du courant calculé toujours en phase. En conséquence, le facteur de puissance est maintenu à l’unité. Remarque De la même manière, il est possible d'identifier les courants harmoniques individuellement (ce qui n'est pas le cas pour la méthode des PQ classique) dans le but de sélectionner celles que l'on veut compenser. Il suffit alors de calculer l'amplitude et la phase de chaque harmonique 2 L’apport de cette synchronisation n’est pas négligeable, elle permet de compenser le retard induit par la boucle de retour du FAP. Les performances sont meilleures et des coûts légèrement plus élevés [Wir-09]. 117 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques à partir des poids de l’ADALINE correspondants. Ainsi, pour une harmonique d'ordre « - » on peut écrire : R0Z% = › ,̄ &'(δp etR0 = − › ,̄ ( -δp . Enfin, les courants de référence (qui sont injectés dans le réseau) sont calculés par une soustraction entre le courant de charge et le courant synchronisé : = Z $ V°0 . JK ) cos F Z; Fondamentale 3 ème har 5ème har 1 + cos 2FGH sin 2FGH ) N har R, (k) sin 2FGH + sin 4FGH RY (k) cos 4FGH + cos 6FGH sin 4FGH + sin 6FGH cos 7 − 1 FGH + cos 7 + 1 FGH ( in 7 − 1 FGH + sin 7 + 1 FGH ; . cos FGH R% (k) cos 2FGH + cos 4FGH ⋮ ème RT (k) ) R´ (k) ⋮ RŠ (k) ⅀ ⋮ J ; cosFK ±²³ + Erreur L I R0Z% (k) R0 (k) ;Z 2>8T, + 8%, Algorithme de Widrow-hoff Fig. 4.8 ADALINE utilisé dans la méthode neuronale synchronisée. 4.5 Identification des harmoniques selon le repère des puissances Dans des conditions normales d’opération, on souhaite ne consommer que la partie active de la puissance. En présence des charges non-linéaire telles que les systèmes industriels particuliers (variateurs de vitesse, four à arc, chauffage inductif, etc.) il est évident que les autres composantes indésirables existent (voir Annexe. A). Nous souhaitons éliminer ces composantes pour améliorer la qualité de distribution en satisfaisant la consommation demandée. Nous développons dans les sections suivantes des méthodes neuronales d’identification des courants de la charge non linéaire, selon le repère des puissances, afin d’éliminer les éléments indésirables. Il faut noter aussi que la méthode des puissances active et réactive n'est valable que si la tension du réseau est saine (sinusoïdale et équilibrée). 118 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques 4.5.1 Méthode neuronale des puissances instantanées réelle et imaginaire (méthode P-Q) a. Principe du fonctionnement de la méthode classique des puissances instantanées La théorie des puissances P-Q instantanées appelée méthode des puissances réelles et imaginaires instantanées (PIRI) définie par [Aka-84], [Aka-07] est la plus utilisée pour l’identification. Elle est basée sur la définition des puissances à un instant précis (voir Annexe.B). Elle est valable aussi bien en régime permanent que pendant le régime transitoire. Cette théorie est particulièrement avantageuse pour analyser la puissance active (réelle) et la puissance réactive (imaginaire). Elle est d’une grande flexibilité pour la conception d’un système de transfert d’énergie [Ngu-10]. En effet, dans notre étude concernant la compensation des distorsions harmoniques au sein d’un réseau de distribution, cette méthode est la plus répondue car elle est utilisée dans : le processus d’identification des courants harmoniques et de la puissance réactive conjointement ou individuellement (objectif de ce chapitre) la détection des composantes symétriques (directes, inverse) de la tension déséquilibrée ou perturbées par quelques harmoniques (voir Chapitre. 3). Le principe de cette méthode est basé sur l’exploitation de la transformation αβ pour obtenir les puissances réelles et imaginaires. Notons par (•r , •s ) et ( r , s ) les composantes orthogonales du repère αβ associées respectivement aux tensions de raccordement du filtre actif parallèle (žV ) et aux courants absorbés par les charges polluantes ($V ). Pour un système déséquilibré, les tensions et les courants dans le repère α-β sont obtenus par les matrices de Concordia ou de Clarke comme suit: © √, √, √, ¬ •; •r ¡ = >, ¨ 1 − % − % « •< ¡ , , « Y ¨ ¨ √Y √Y « •s • § 0 , − , ª •T % % % © √, √, √, ¬ % % « , ¨ − , − , « r ¡ = > ¨ 1 Y ¨ √Y √Y « s § 0 , − , ª T % % % ; <¡ ; (4.46) (4.47) Dans le cas général, les puissances réelle et imaginaire3 instantanées et homopolaire respectivementµ, ¶L µT sont données par la relation (4.48) [Ngu-11]: La puissance ¶ a une signification plus large que la puissance réactive habituelle. En effet, contrairement à la puissance réactive, qui ne considère que la fréquence fondamentale, la puissance imaginaire prend en compte toutes les composantes harmoniques de courant et de tension. C’est pourquoi on lui donne une autre dénomination « puissance imaginaire instantanée » avec comme unité le volt-ampère imaginaire (VAI) [Ala-02]. 3 119 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques avec µ •+ ¶ f g = h−•s µT 0 •s •r 0 0 µ̅ + µ~ + 0 mh · m = h ¶¸ + ¶~ m µ̅T + µ~T •T T (4.48) µ̅ , ¶¸ et µ̅T sont les parties continues liées aux composantes fondamentales active, réactive et homopolaire respectivement du courant ; alors que e µ~, ¶~et µ~T sont les parties fluctuantes (alternatives) liées à la somme des composantes perturbatrices du courant et de la tension. Dans la méthode classique des puissances instantanées, afin de cibler les parties indésirables des puissances, deux filtres passe-bas sont insérés dans l’espace des puissances et ceci dont le but de séparer la composante fondamentale (autrement dit la partie continue), des composantes perturbatrices (la partie alternative). En faite, le premier filtre sert à isoler la partie µ̅ de la puissance active instantanée, le second sert à isoler la partie ¶¸ de la puissance réactive instantanée [Cha-02]. b. Calcul des courants perturbateurs En inversant la relation (4.48), nous pouvons recalculer les courants dans le repère αβ comme le montre l’équation (4.49) : r „ … = s •r 1 „ •r, + •s, •s −•s µ …„ … 4.49 •r ¶ En remplaçant les puissances µ et ¶ par leurs parties continues et alternatives, il vient : r „ … = s •r −•s •r −•s •r −•s 0 µ~ µ̅ % % „ … q t + » » „ … „ … + » » „ …„ … (4.50 ¹º •¹¼ ¹º •¹¼ •s •r •s •r •s •r ¶~ ¶¸ 0 ½¾¾¾¾¾¿¾¾¾¾¾À ½¾¾¾¾¾¿¾¾¾¾¾À ½¾¾¾¾¾¾¾¿¾¾¾¾¾¾¾À % » ¹º» •¹¼ ÁX ;0]à ]W Wº¼ÄÅ ÁX ;0]Æé; ]W Wº¼ÄÈ ÁX ;0]VÉ; ÊX0WË V™̃º¼ Cette expression montre donc que l'identification des différentes composantes du courant dans le repère αβ revient à séparer des termes continus des puissances réelle et imaginaire instantanées. Le calcul des courants perturbateurs dans le repère diphasé αβ est finalement donné par : •r }̃r 1 „ … = , „ •r + •s, •s }̃s −•s µ~ − ∆µ̅ … 4.51 …„ •r ¶~ ∆µ̅ : représente une partie de puissance absorber par le FAP pour compenser les pertes causées par la commutation des transistors et les pertes causées par effet joules dans le filtres de sortie et dans l’onduleur (voir chapitre cinq).∆µ̅ = µ X0H + µÍ ] L’échange d’énergie dans le FAP est décrit dans la figure 4.9 [Are-95]. La régulation de la tension continue sera développée ultérieurement dans le chapitre cinq. Au total, le filtre actif absorbe ∆µ̅ , µT , µ~, µÍ ] et redonne µT , µ~. Finalement, les courants perturbateurs triphasés qui représentent les courants identifiés, dits (en choisissant des puissances qu’on souhaite éliminer), sont calculés courants de référence à partir de la transformation αβ inverse (transformation eY, donnée par: 120 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques h 1 0 }̃r 2 √3⁄2 m „ … 4.52 Z< m = v h−1⁄2 3 }̃s −1⁄2 − √3⁄2 Z Z; Dans le cas idéal, ces courants représentent les perturbations et deviennent les courants de référence qui sont à réinjecter en opposition de phase sur le réseau électrique afin d’éliminer les courants indésirables. On obtient finalement une puissance active constante côté source (soit des courants sinusoïdaux). Remarques Il est à noter qu’on considère désormais que le réseau étudié est composé de trois fils ce qui empêche les composantes homopolaires d’y circuler (µT = 0). Il faut noter que les tensions du système peuvent jouer un rôle important dans la compensation. Si •r, + •s, est constante, nous allons donc obtenir des courants côté source sinusoïdaux et une puissance active constante après la compensation. Par contre, si les tensions forment un système non sinusoïdal et déséquilibré, la somme •r, + •s, varie, les courants compensés ne sont pas non plus sinusoïdaux mais la puissance active transmise de la source est toujours constante. Pour la compensation de la puissance réactive, nous n’avons pas besoin d’un élément de stockage d’énergie (batterie, condensateur . . .) car cette puissance ne contribue pas à l’énergie active. Par contre, la compensation de la puissance active alternative e p nécessite un élément de stockage d’énergie pour équilibrer le bilan d’énergie dans le FAP. Généralement, un condensateur est utilisé aux bornes de l’onduleur. Il doit être correctement dimensionné pour assurer une tension continue constante, une bonne stabilisation et une perte minimale. Si la tension continue est plus petite que l’amplitude des tensions alternatives du réseau, l’onduleur perdra sa contrôlabilité. la tension du réseau doit être saine (sinusoïdale et équilibrée), sinon la méthode des puissances instantanées n’est pas applicable. Puisque la tension du réseau est souvent perturbée et/ou déformée, et afin de généraliser l’application de cette méthode d’identification, le système à base de PLL est obligatoire pour extraire la composante fondamentale directe de la tension du réseau :•; K , •< K L • K . Réseau électrique ; Charge non linéaire < Ð + ∆Î Ð Î Ð ∆Î Ï Î _ Ð+Î Ñ Î Ñ Î Filtre Actif Parallèle ÎÎ Ï \ Fig. 4.9 Schéma de principe de la compensation par la méthode P-Q. 121 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques c. Extraction des puissances instantanées avec les ADALINEs Méthode PQ-neuronale consiste à remplacer les deux filtres passe bas de la méthode classique PQ par deux réseaux ADALINE afin d’estimer, en ligne, les puissances réelles et imaginaires instantanées selon le schéma présenté sur la figure 4.10. La décomposition en série de Fourier du la tension directe d'un réseau électrique est: •H% 3 = ./žH0% cos -) 02, + žH0, sin -) 1 4.53 Le développement de la puissance active instantanée µ de la relation (4.48), conduit à l’expression suivante (avec seulement la composante de tension fondamentale directe) [Ngu-11]: µ 3 3 Ô Õ + . µ0•% &'( Ò - + 1 ) + ÓH% + ÓÔ™0 Õ = µ̅ + . µ0Z% &'( Ò - − 1 ) − ÓH% + ÓH0 02, 02% 4.54 Ô avec µ̅ = 3žH% $H% cos ÓH% − ÓH% est la puissance active continue fondamentale et les coefficients µ0Z% = 3žH% $H0 et µ0•% = 3žH% $W0 . L’équation 4.54 peut être écrite sous la forme suivante : 9 Ô µ0Z% cos ÓH% − ÓH0 cos - − 1 ) …× µ = µ̅ + µ~ = µ̅ + . Öq t „ Ô s - -−1 ) µ0Z% sin ÓH% − ÓH0 3 02, 3 9 µ0•% cos ÓH% + ÓÔ™0 cos - + 1 ) − . Öq …× 4.55 t „ s - -+1 ) µ0•% sin ÓH% + ÓÔ™0 02% Ø =µ = 89 I ∙ : 4.56 Ainsi, l’expression (4.55) peut se mettre en notation vectorielle sous la forme de l’équation (4.56) : Cette relation est linéairement séparable et peut être implémenté et estimée par unique neurone caractérisé par une entrée : et une sortie désirée µ V] (t) comme dans la figure 4.10. Les entrées et les poids de cet ADALINE sont alors : : 1 © cos 6) ¨ sin 6) ¨ ⋮ = ¨cos - − 1 ¨ ¨ sin - − 1 ¨ cos - + 1 § sin - + 1 x3Z% . ) ) ) ) ¬ « « « ; « « « ª 8 9 = /µ̅ … x3Z% x3•% 1 (4.57) 9 9 Ô µ0Z% cos ÓH% − ÓH0 µ0•% cos ÓH% + ÓÔ™0 =„ … , x3•% = „ … 4.58 Ô µ0Z% sin ÓH% − ÓH0 µ0•% sin ÓH% + ÓÔ™0 122 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques • • [ cos n − 1 iH • PLL ⋮ ⋮ ADALINE cos n + 1 iH ¶ {¶ | = •r q−• s < RÊZ% R0 I s I : I •s ‘‘’ RÊZ, Î Ï • 1 cos n − 1 iH cos n + 1 iH s in n − 1 iH sin n + 1 iH : I ⋮ ⅀Û‘ Ü . bÜ ⋮ RÊZY RÊZ, RÊZ% R0 I µ − V] - + µ~ + Algorithme Widrow-hoff RT I … ; ⋮ RÊZY sin n + 1 iH •s r •r tq s t r ⋮ … •r Ð Î RT I sin n − 1 iH •;Ú •<Ú • Ú ‘‘’ 1 ⅀Û‘ Ü . bÜ L I ¶ Ð Ï V] + Algorithme Widrow-hoff }̃r q}̃ t = s •r 1 q •r, + •s, •s − + ¶~ }̃r ‘’ −•s µ~ •r t q¶~ t }̃s Z; Z< Z L I Fig. 4.10 Structure d'identification des courants de références avec la méthode des P-Q utilisant des ADALINEs. On remarque que les termes du vecteur poids sont respectivement l’amplitude de la puissance active continue suivi par l’amplitude de puissance correspond à chaque harmonique. En effet, pour estimer conjointement les deux puissances actives et réactives, deux réseaux ADALINE similaires sont nécessaires. L’algorithme de mise à jour des poids est l’algorithme LMS (version modifiée de l'algorithme Widrow-Hoff) étudié dans le chapitre 2. Une fois la convergence du réseau est atteinte, les amplitudes des composantes continues de la puissance réelle instantanée (active) et de la puissance imaginaire instantanée(réactive) sont déterminées à chaque fois par le premier poids des deux réseaux8T I . Si dans notre système de distribution, les tensions sont perturbées et comportent des composantes asymétriques, les systèmes direct et inverse de tensions sont d’abord détectés par la 123 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques PLL. Ensuite, le système direct sera utilisé pour l’algorithme de compensation, et le vecteur d’entrée dans ce cas devient [Ngu-10]: : 1 © ⋮ ¨cos - − 1 = ¨ sin - − 1 ¨ ¨ cos - + 1 § sin - + 1 ¬ iH « « iH « 4.59 iH « iH ª Selon les équations (4.51) et (4.52), les composantes alternatives des puissances réelle et imaginaire établissent les courants de références à injecter en opposition de phase sur le réseau électrique. On note que, la méthode autorise également de récupérer les portions de puissances alternatives à compenser, individuellement, et ceci en considérant la somme de deux poids consécutifs multipliés par les cosinus et sinus équivalents. Ceci permet d'obtenir les perturbations directes et inverses avec une très bonne précision [Oul-05]. 4.5.2 Méthode neuronale des puissances instantanées modifiée Dans [Aka-07], les auteurs proposent également une alternative à la méthode P-Q. Cette méthode P-Q modifiée traite toutes les puissances à la fois, active, réactive et homopolaire. Lorsque les systèmes de tensions et de courants sont équilibrés, les deux méthodes utilisent les mêmes expressions pour le calcul des composantes continues. Par contre, dans le cas déséquilibré, la méthode P-Q modifiée se base sur la décomposition suivante : •r µ © 0 ¶r ¶s ¡ = ¨¨ •T ¶T § −•s •rsT = /•r rsT =/ •T + •s ¬ « .h · m 4.60 −•r « T 0 ª 2 •T 19 = v /ÝY% 3 •s r •s −•T 0 •r 9 T1 s 2 = v /ÝY% 3 ÝY, 19 •;< 4.61 ÝY, 19 ;< 4.62 Dans l’expression (4.60) , le symbole µ n’est pas identique à celui de la théorie P-Q initiale qui exprime la puissance active (sans la puissance homopolaire µT ). Ainsi, la puissance active triphasée µ est calculée par : µ = •rsT 9 . rsT = •r . Et la puissance réactive ¶ est définie comme : ¶ = •rsT × rsT = qß •s s •T T ßà •T T •r r àß •r r r + •s . •s s 9 s + •T . T 4.63 ßt = /¶r ¶s ¶T 19 4.64 La puissance homopolaire ¶T dans cette approche est égale à la puissance imaginaire ¶ dans la théorie P-Q initiale. Par la transformation inverse, les courants sont calculés comme suit : 124 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques •r 1 • .h s m= , •r + •s, + •T, • rZ h sZ TZ T 0 −•T •s •T 0 −•T µ −•s ¶r •r m ¡ 4.65 ¶s 0 ¶T Dans cette approche, de manière similaire à la méthode P-Q originale, les courants de référence peuvent être obtenus en sélectionnant les puissances qu’on voudrait supprimer dans l’équation (3.65). La compensation globale des courants harmoniques conduit à calculer les courants de référence à réinjecter en opposition de phase dans un réseau de distribution perturbé comme suit : h 1 2 v = m h Z< −1⁄2 3 Z −1⁄2 Z; 0 1⁄√2 rZ mh sZ √3⁄2 1⁄√2 TZ − √3⁄2 1⁄√2 m 4.66 Le schéma de compensation par la nouvelle méthode P-Q neuronale modifiée est illustrée sur la figure 3.32. La décomposition des puissances instantanées est différente de celles de la méthode P-Q originale. La puissance active µ n’a plus la même signification car elle comporte en plus la puissance homopolaire telle que : µ = •r ∙ r +•s ∙ 3 s + 3 •T ∙ T = µ̅ + µ~ 3 Ô 4.67 µ̅ = . . 3žá0 $á0 cos Óá0 − Óá0 á2H,W,T 02% Ô µ~ = . . . 3žáÊ $á0 &'( iáÊ − iá0 á2H,W,T Êâ0 02% 3 3 + . . . −3žáÊ $á ∗ 0 &'( iáÊ + iáÔ∗ 0 4.68 á2H,W,T Ê2% 02% avec I ∗ = ( I = K, et I ∗ = K( I = , et I ∗ = 0( I = 0. La décomposition de la puissance réactive est détaillée plus amplement par les composantes selon les axes α et β et homopolaire. En gardant les mêmes notations de courant et de tension, et par un développement mathématique, nous obtenons la composante de la puissance réactive selon l’axe α comme suit : ¶r = −•T ∙ 3 ¶¸r = . . ˜ á2H,W, 02% s + •s ∙ T = ¶¸r + ¶~r ; Ô 3√2 žT0 . $á0 9 ( - ÓT0 − Óá0 q … 4.69 t „ −žá0 . $T0 Ô 2 −( - Óá0 − ÓT0 Ô Ô 3√2 3√2 ( - iTÊ − iá0 ( - iTÊ + iá0 ¶~r = . . . ˜ . ä. „ …+ . . .˜ . ä. „ … Ô Ô 2 2 −( - iáÊ − iT0 −( - iáÊ + iT0 3 3 á2H,W Êâ0 02% 3 3 á2H,W Ê2%% 02% où ˜ = 1quand I = K, ,˜ = −1quand I = et ä = /ä% ä, 1 = /žTÊ . $á0 −žáÊ . $T0 1 4.70 125 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Les autres composantes de la puissance réactive sont développées de la même manière. En effet, la puissance réactive selon l’axe β est géométriquement perpendiculaire à la puissance ¶r et il suffit de remplacer les termes sinus dans l’équation (4.69) et l’équation (4.70) par les termes cosinus. La puissance ¶T a la même expression que la puissance réactive dans la méthode Q à part le signe qui est inversé (à noter ici que les deux expressions ont la même valeur sauf la direction est inversée). Cette puissance ¶T vaut donc : ¶T = ¶¸T + ¶~T 3 3 Ô 4.71 ¶¸T = . . 3˜žá0 $á0 ( - Óá0 − Óá0 á2H,W, 02% 3 3 3 Ô + . . . 3˜žáÊ $á ∗ 0 ( - iáÊ + iáÔ∗ 0 ¶~T = . . . −3˜žáÊ $á0 ( - iáÊ − iá0 á2H,W Êâ0 02% á2H,W Ê2% 02% sin - − 1 iGH cos - + 1 iGH PLL ⋮ ⋮ ADALINE ; < 9 çY, •r •s r s µ̂H ⅀ cos n − 1 iGH sin - − 1 iGH cos - + 1 iGH sin - + 1 iGH ⅀ ¶s K cos n − 1 iGH sin - − 1 iGH cos - + 1 iGH sin - + 1 iGH ⅀ ¶T K cos n − 1 iGH sin - − 1 iGH cos - + 1 iGH sin - + 1 iGH µ~H + - ¶r K Equation (4.11) 9 çY, H Calcul des puissances : •;H •<H • sin - + 1 iGH µ̅H ⅀ ¶¸r ¶år ¶~r + - ¶ås ¶¸s ¶~s + - ¶åT ¶¸T Equation (4.11) •; •< • cos n − 1 iGH Calcul des courants de référence: µH 4.72 }̃r }̃s ‘’ Z; Z< Z ¶~T + - Fig.4.11 Schéma de calcul des courants de référence par la méthode P-Q modifiée neuronale. 126 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Dans notre approche neuronale, les expressionsµ, ¶r , ¶s et ¶T contenant des sommes pondérées d’harmoniques qui sont estimées à l’aide de quatre réseaux ADALINE similaires en suivant le principe précédent (En fait, Les expressions de ces puissances comportent des termes continus et des termes alternatifs. Grace à un apprentissage en ligne de ces ADALINE qui utilise l’algorithme LMS (version modifiée de l'algorithme Widrow-Hoff), les termes continus et alternatifs des puissances instantanées peuvent être séparés. Ceci nous permet de concevoir un compensateur sélectif des puissances (liées aux courants à réinjecter) en extrayant les poids corresponds des ADALINE qui convergent vers les amplitudes respectives de chaque composante harmonique. Le principe de cette approche est montré dans la figure 3.33 Caractéristiques La méthode P-Q modifiée permet de concevoir un FAP destiné à un système triphasé, trois lignes ou quatre lignes avec le neutre. De plus, cette méthode permet de compenser la puissance réactive de manière individuelle selon les axes α, β et homopolaire. Ceci peut s’avérer utile dans certains cas pratiques. Dans cette méthode, le courant homopolaire est considéré comme un courant réactif instantané puisqu’il contribue à la puissance réactive, alors qu’il est considéré comme un courant homopolaire dans la méthode P-Q [Ngu-09b]. La méthode neuronale des puissances instantanées modifiées [Ngu-09b, d] est également basée sur l’IPT. Elle est donc similaire à la méthode neuronale des puissances instantanées mais se distingue dans la mesure où elle sépare explicitement la puissance réactive en deux composantes, ¶r et ¶s [Aka-07]. Ainsi, les deux méthodes utilisent des définitions de puissances instantanées qui sont distinctes lorsque le système triphasé est déséquilibré. La méthode neuronale des puissances instantanées modifiées considère µ, ¶r , ¶s et ¶T . Cette méthode se révèle plus judicieuse et plus efficace que les autres selon les objectifs visés, en particulier pour la transmission d’un maximum de puissance active de la source vers les charges dans un souci de rendement. 4.5.3 Méthode neuronale des courants actifs et réactifs Cette section présente une autre variante de décomposition des puissances P-Q dans le repère a-b-c que nous avons appelé «méthode neuronale des courants actifs ». Le principe de la méthode des courants actif et réactif [Ngu- 09a,b] est d’estimer le courant actif en introduisant une fonction d’optimisation linéaire de Lagrange pour optimiser les pertes par effet Joule après la compensation sous la contrainte que les courants réactifs ne produisent aucune puissance active instantanée [Aka-07] ; [Male-08]. Au lieu d’utiliser la transformation de Concordia pour calculer des puissances réelles et imaginaires instantanées, cette approche calcule directement les parties active et réactive d’un courant d’une charge générale à partir des tensions et des courants mesurés. les courants sont déterminés avec la contrainte qu’ils doivent transférer la même puissance active demandée par la charge [Ngu-10]. Autrement dit, la méthode neuronale des courants actif et réactif estime la partie réactive d’un courant en considérant que ce dernier ne contribue pas à la puissance instantanée active. Cela revient à minimiser une fonction de coût de la forme [Wir-09]. 127 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques a. Principe de l’approche Le courant instantané réactif du système est une composante qui ne contribue pas à la puissance active mais qui augmente l’amplitude du courant, la perte est donc élevée. Ce courant peut être déterminé en appliquant la méthode de minimisation de Lagrange. Supposons que nous avons les courants mesurés au niveau de la charge donnés par ;< qui se compose de deux portions active ;< ZÍ et réactive (non-active) ;< ZË de telle manière que : = ;< ;< ZÍ + ;< ZË 4.73 Le principe de cette méthode est d’estimer les courants actifs compris dans les courants de charge sous la contrainte que les courants réactifs ne produisent aucune des puissances actives instantanées [Ngu-09b]. Pour cela, la tâche est de chercher à minimiser la fonction è ; , < , définie par l’équation suivante : avec la contrainte : é è ;, <, ;, <, = ; , + = µ = •; ∙ < , ; + , + •< ∙ 4.74 < +• ∙ 4.75 Le problème est résolu en utilisant la méthode de Lagrange [Lue-08] qui nous conduit à l’expression : •; 2 0 0 ; f0 2 0g ∙ f < g = -λ f•< g 4.76 • 0 0 2 2µ 4.77 •; + •< , + • , En remplaçant λ de l’équation (3.54) dans l’équation (3.53), nous obtenons finalement les courants actifs : •; ;ZÍ µ •< g 4.78 ∙ h <ZÍ m = , f •; + •< , + • , • ZÍ Dans l’équation (3.53), λ est donné par : ê=− , Les courants actifs obtenus par l’équation (3.55) et les courants originaux de la charge < , produisent la même puissance active instantanée : µ = •; ∙ ; + •< ∙ < +• ∙ = •; ∙ ;ZÍ + •< ∙ <ZÍ +• ∙ ZÍ ; , (4.79) Il est possible de conclure que les courants de charge sont équivalents aux courants actifs ;ZÍ , <ZÍ , ZÍ d’un point de vue de la puissance. La différence est que les courants actifs ne produisent aucune puissance réactive instantanée et ont une valeur efficace plus petite que les courants de charge. Quand ;ZË , <ZË , ZË c sont complètement éliminés, les courants côté source sont forcés à devenir V; = ;ZÍ , V< = <ZÍ , V = ZÍ . Ce travail de compensation est fait par un FAP. Comme les courants réactifs ne produisent aucune puissance active, le compensateur ne nécessite donc aucune source d’énergie supplémentaire. D’après cette méthode, il n’y a pas d’équation qui donne directement la puissance réactive instantanée, cela est contraire à la théorie P-Q. 128 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Remarques Si les tensions sont déséquilibrées, la somme de •; , + •< , + • , n’est plus constante. De plus, les courants ;ZÍ , <ZÍ , ZÍ ne sont plus les courants fondamentaux car ils contiennent également les harmoniques. Pour que ces courants forment un système sinusoïdal, les tensions d’entrées devraient constituer un système direct de tensions. Le principe de calcul des courants de référence par l’introduction d’une PLL est illustré par la figure 4.12. Dans le cas non sinusoïdal du système (p et/ou vì , + ví , + vî , varient), la linéarité entre la tension et le courant ne peut pas être assurée et même si cette linéarité existe, elle ne garantie pas que la puissance distribuée de la source à la charge soit constante (à cause de l’apparition des harmoniques). Pour s’affranchir de ce problème, il est possible d’utiliser un détecteur des composantes symétriques direct et inverse. Afin de généraliser l’approche, une PLL classique ou bien une PLL-neuronale basée sur deux réseaux ADALINE que nous avons proposée (voir chapitre 3) est nécessaire. b. Compensation avec la méthode des courants actifs La puissance réelle est composée de la puissance active p et de la puissance homopolaire µT : µ é ïï = µ + µT = µ̅ + µ~ + µT 4.80 Considérons un système triphasé ayant des tensions sinusoïdales, les courants actifs ;ZÍ , <ZÍ , ZÍ deviendront les courants actifs fondamentaux en remplaçant µ par une valeur moyenne µ̅ dans l’équation (3.55). Cela constitue un principe pour la conception d’un FAP afin de compenser les courants harmoniques ainsi que les courants réactifs de la charge. ;ZÍ <ZÍ ZÍ •;ZH • ∙ f <ZH g 4.81 ¡= •;ZH , + •<ZH , + • ZH , • ZH µ̅ La puissance moyenne µ̅ est généralement extraite soit par un FPB, soit par un réseau ADALINE. Les résultats comparatifs de simulation seront présentés ci-après. Les courants de référence à injecter dans le réseau valent : Z; Z< Z = = = ; < − − − ;ZÍ <ZÍ <ZÍ 4.82 L’objectif prioritaire d’un compensateur basé sur la méthode des courants actif et réactif est : d’obtenir les courants compensés qui sont en phase avec les tensions (compensation de la puissance réactive). d’obtenir les courants compensés avec la valeur efficace minimum et de délivrer la même puissance active moyenne demandée par la charge. Notre étude est complètement neuromimétique c’est à dire, que l’identification des courants harmoniques par la méthode neuronale des courants actifs utilise que les réseaux ADALINE (Fig. 4.12). 129 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques •; •< • •; H H •< PLL ⋮ ⋮ ADALINE • •; •< ; • < W W W H Calcul des puissances µH = µ̅H + µ~H = µW ∙ 9 ;< ZH = µ̅W + µ~W = 9 ;< ZW ∙ µH ;< ;< cos n − 1 iGH sin - − 1 iGH cos - + 1 iGH sin - + 1 iGH ⅀ µW cos n − 1 iGH sin - − 1 iGH cos - + 1 iGH sin - + 1 iGH ⅀ µ~H µ̅H + - µ~W µ̅W © ¨ ¨ ¨ § Calcul des courants de référence © ¨ ¨ ¨ § + H ;ZÍø ¬ H « <ZÍø « H « ZÍø ª W ;ZÍø ¬ W « <ZÍø « « W ZÍø ª ‰ ‡ ˆ ‡ † - ;ZÍ <ZÍ ZÍ = = µ̅H . H , ∑ •;,<, µ̅W W ∑ •;,<, = = = H ;ZÍø H <ZÍø H ZÍø , . + + + •; H H •< ¡ • H •;W •<W W • W ;ZÍø W ‹ <ZÍø ¡ ;Í <Í Í + + + _ W ZÍø Fig. 4.12 Méthode neuronale des courants actif et réactif. 4.6 Identification sélective des harmoniques de références par un Filtre Multi-Variable ‘FMV’ a. Principe Le filtre multi-variable FMV est un filtre d’extraction, hautement sélectif, [Abd-08], et basé sur l'extraction de la composante fondamentale des signaux, directement selon les axes de Concordia (uniquement, la transformation α-β et sa transformation inverse) [Hon-01]. Ce type de filtrage sert à contrôler, essentiellement, chaque harmonique gênant. b. Modèle mathématique du filtre multi-variable FMV Le modèle mathématique est développé dans la première fois par Song Hong-Scok, la relation entre les grandeurs d’entrées et de sortie ayant un effet intégrale [Tho-98] comme le montre l’equation (4.83). }̂rs ( = L ðñò ] ó L Zðñò ] Où ) est la pulsation de coupure et ) la composante à filtrer. rs K (4.83) est la pulsation fondamentale : ) = -. ) , - est le rang de Après la transformation de Laplace de l’équation (4.83), on a trouvé l’équation (4.84) [Tho-98]. õ: est la constante de gain. H s = }̂rs ( ( + õ + ö) = õ. 4.84 ( + õ , + ö) , rs ( 130 Z; Z< Z Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques rs ( ∶Le courant électrique d’entrée selon les axes (α β). }̂rs ( ∶La composante du courant qui passe dans le filtre FMV. La fonction de transfert (4.84), elle preuve que le signal de sortie }̂rs est en phase avec le signal d’entrée rs . D'ailleurs, si nous traçons le diagramme de Bod de cette fonction de transfert nous trouverons des similitudes avec un filtre de passe bande. Selon les axes (α β), les expressions liant les composantes }̂rs en sortie du FMV aux composantes d’entrée rs sont les suivantes : õ )0 ∙ }̂s ( }̂r = / r ( − }̂r ( 1 − ( ( õ )0 }̂s = ú s ( − }̂s ( û − ∙ }̂r ( 4.85 ( ( Afin de les discrétiser l’équation (4.85), on remplace l’expression de l’intégrateur ( la transformation ( 9ü ýZ% . où e }̂r = 1 − õ. e . }̂r þ Z% + õ. e . r. þ Z% − )0 . e . }̂s þ Z% }̂s = 1 − õ. e . }̂s þ Z% + õ. e . s . þ Z% + )0 . e . }̂r þ Z% õ _ + ) s par est la période d’échantillonnage. On en déduit les deux expressions suivantes du filtre FMV (Fig.4.13) dans le domaine discret : r % V ) õ + - e þ−1 + - e þ−1 + + 4.86 }̂r }̂s - Fig.4.13 Schéma de circuit du FMV. C. Identification globale des harmoniques à base du ‘FMV’ pulsation ) = 2k ˜•L& = 50 directement selon les axes +·) [Abd-08]. Ensuite, les composantes harmoniques du courant selon les axes (+·), notées ici r# et s# sont obtenues en soustrayant sur chaque axe, la sortie du FMV à son entrée. Les courants harmoniques de références sont obtenus par la transformation inverse de Concordia. Le rôle du FMV est d’extraire les composantes fondamentales du courant de charge à la h 1 2 Z< m = v h−1⁄2 3 −1⁄2 Z Z; 0 √3⁄2 mq − √3⁄2 r# r# t 4.87 131 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques La figure 4.14 représente le diagramme de l’identification globale des harmoniques de courant de charge à base de la technique du filtre multi-variable. Source de tension Charge non linéaire Z[• Z[• Onduleur + Filtre de sortie Z[ Z• − Z , … = 9 eY, = Commande de l’onduleur ⋮ + - + + FMV + Z[ Z• eY, Z Fig .4.14 Algorithme d’identification des courants harmoniques de référence à base du filtre FMV. d. Identification sélective des harmoniques à base du FMV l’identification sélective des courants harmoniques de références dans un système triphasé se fait directement sur l’axe de Concordia, il suffit de connaitre leur fréquence et leur sens4 de propagation direct ou inverse [Bru-99]. Dans notre application, on veut compenser les deux harmoniques 5 (se propage dans le sens inverse par une pulsation )Š = −5)% et l’harmonique 7 (se propage au sens direct une pulsation () = 7)%) simultanément. La figure 4.15 montre bien diagramme d’identification des courants harmoniques 5 et 7 à base d’un filtre multivariable ‘FMV’ [Ham-10]. e. Caractéristiques de l’identification des harmoniques à base du FMV La méthode d’identification FMV est très efficace pour extraire les harmoniques de références et facile à mise en œuvre. L’identification des harmoniques n’a pas besoin d’un circuit PLL contraire PQ et DQ. La technique FMV nous permet de compenser sélectivement ou totalement les harmoniques du réseau. Le système de courant de rang ℎ est direct si ℎ = 6- + 1 , la pulsation de cet harmonique est définie comme suit : )# = +ℎ)% . Le système de courant de rang ℎ est inverse si ℎ = 6- − 1, la pulsation de cet harmonique est définie comme suite : )# = −ℎ)% . )% est la pulsation fondamentale. 4 132 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques La technique FMV nous permet de compenser les harmoniques du réseau en régime déformé et déséquilibré de tension. On note que la méthode d’identification utilisée ici est élaborée dans l’espace de courant, mais, il existe d’autres méthodes d’identification des distorsions harmoniques à base FMV qui sont élaborées dans l’espace des puissances. % , Y 9 eY, r FMV_1 s s r )Š = −5)% FMV_2 ) = 7)% rŠ sŠ r s eY, eY, ZŠ ZŠ ZŠ Z ∑ ∑ Z% ∑ Z, ZY Z Z Fig. 4.15 Algorithme d’identification des courants harmoniques 5et 7 à base du FMV. 4.7 Comparaison structurelle et fonctionnelle des méthodes d’identification Nous venons de présenter les différentes méthodes d’identification des harmoniques de courant, toutes basées sur l’apprentissage des puissances ou des courants à l’aide de réseaux ADALINE. Chaque méthode s’appuie sur une stratégie différente afin d’atteindre cet objectif. Ces méthodes utilisent des expressions spécifiques et appropriées, soit des puissances, soit des courants. Ces expressions, des sommes pondérées de termes harmoniques, sont apprises par des ADALINE. Pour chaque expression, les termes harmoniques sont synthétisés et utilisés comme entrée par les ADALINE dont les poids convergent vers leur amplitude respective. L’erreur entre la sortie des ADALINE et une grandeur mesurée permet d’ajuster en temps-réel les poids et donc d’estimer en permanence l’importance de chaque harmonique. Pour toutes les méthodes, l’idée de base repose sur une détection synchrone (VCO-neuronal). Lorsque le système de tensions est déséquilibré, ces méthodes doivent disposer des systèmes direct, inverse et homopolaire des tensions (PLL-neuronale). L’utilisation de ces méthodes d’identification des harmoniques aboutit à la notion de filtre universel, capable non seulement de compenser les harmoniques de courant, mais également la puissance réactive et les déséquilibres en tension et en courant. Dans le but de faire une comparaison entre les méthodes neuronales d’identification des harmoniques de courant sur le plan structurel et fonctionnel, Nous avons choisi six critères d’évaluation : nécessité ou non de la présence d'une méthode d'extraction des tensions directes (PLL), nécessité ou non d'une transformation des courants et/ou de repères, utilisation pour les systèmes triphasés ou pour les systèmes monophasés, taille du vecteur : I , 133 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques nombre d’Adalines utilisés dans le module d’identification, compensation ou non du courant réactif. Le tableau 4.1 récapitule ces différents critères c’est-à dire montre une comparaison en termes de ressources entre les différentes méthodes d'identification telle que : Les termes pris en compte dans chaque méthode pour compenser les harmoniques, la puissance réactive et les déséquilibres. Ce tableau indique également la compatibilité des méthodes avec des systèmes tri ou monophasés, le nombre d’ADALINE nécessaire dans le cas triphasé ainsi que la taille du vecteur d’entrées des ADALINES : I utilisés pour chaque méthode. La méthode trimonophasée apparaît comme la plus coûteuse en ressources car la taille du vecteur d’entrée des ADALINES est plus importante que les autres méthodes (Tab.4.1). Tab. 4.1 Caractéristiques des différentes méthodes neuronales d’identification des harmoniques. Technique de filtrage Triphasé et/ou Monophasé méth. classique PQ (FPB) trimonoph méth. diphasés avec FMV méth. directe neuronale méth. diphasée neuronale méth. diphasée neuronale Modifiée méth. tri-monophasée neuronale méth. tri-monophasée neuronale Modifiee méth. Synchronisée neuronale méth. PQ neuronale méth. PQ Modifiée neuronale méth. Courants actifs neuronale trimonoph tri. et mono trimonoph trimonoph tri. et mono tri. et mono tri. et mono trimonoph trimonoph trimonoph Nombre taille du Requis dans d’Adaline vecteur le cas d’un équi./désé Û Ü système désé / / •;< K / 3/5 2/4 1/3 6/6 3/3 / 12 11 11 23 23 3/5 2/4 4/6 2/4 23 13 13 13 FGH FGH FGH FGH •;< FGH FGH FGH / / et ;< et •;< et •;< et •;< K K K K Compensation de la puissance réactive ¶ ¶ inclus dans la compen }̅Hz }̅Hz inclus dans la compen inclus dans la compen inclus dans la compen ¶ ¶r + ¶s +¶T ¶ Charge de calcul - - ++ + ++ - a. Les méthodes d’identification dans l’espace de puissances Les méthodes neuronales P-Q et P-Q Modifiées travaillent dans l’espace des puissances a-b-c et permettent une visualisation directe des échanges de puissances réalisés, elles nécessitent des transformations ou changements de repères. La méthode des courants actifs travaille aussi dans l’espace des puissances a-b-c, elle requiert de ce fait moins de calculs mais ne fournit pas explicitement l’expression de la puissance réactive. Un point positif pour la méthode des courants actifs est le fait d’introduire une étude d’optimisation des pertes par effet Joule [Ngu10] sur le réseau après compensation. Ces méthodes ne sont pas applicables pour les systèmes monophasés. b. Les méthodes d’identification dans l’espace de courants La méthode synchronisée opère dans l’espace a-b-c des courants mesurés Elle nécessite le système direct de tensions et de courants pour la synchronisation (PLL robuste), ceci entraîne un coût algorithmique supplémentaire dans le cas des systèmes déséquilibrés en tension et en courant. Par contre, elle ne requiert qu’un seul ADALINE par phase dans le cas équilibré. 134 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques En effet, la méthode directe avec les réseaux de neurones est celle qui remplit le mieux les différentes contraintes et notamment celles relatives aux ressources de calculs. Elle est utilisable pour les systèmes triphasés et monophasés. Elle ne nécessite pas la décomposition de la tension ni la transformation des courants. La technique tri-monophasée s'applique sur les courants comme la méthode directe. Elle ne nécessite pas la tension réseau mais effectue une transformation sur les courants de charge afin de fournir les composantes du courant fondamental liées aux biais des ADALINE. La méthode des courants diphasés, travaillant dans le repère DQ, effectue l'identification des courants dans le repère à deux dimensions. Cette méthode offre tous les avantages de la méthode des PQ tout en s'affranchissant de la nécessité d'une PLL. Le choix d’une méthode d’identification dépend de l’objectif de compensation de l’utilisateur et/ou du type de charge. Un autre critère important est l’optimisation des pertes. Quelle que soit la méthode d’identification, la compensation idéale vise à assurer une puissance active constante maximale, des courants actifs sinusoïdaux côté source, et ceci avec des pertes minimales. 4.8 Résultats de simulation Les modèles et l'ensemble des simulations sont réalisés dans l'environnement Matlab/Simulink. L'objectif est ici de valider l'utilisation des réseaux ADALINE et leurs efficacité pour l'identification et le filtrage des harmoniques polluantes, c’est-a-dire la génération des courants de référence. Les paramètres de simulation sont conformes à un cahier des charges industriel. Les modèles utilisés sont récapitulés dans [Ala-02]. Les caractéristiques de la source, de la charge polluante ou celles du FAP sont brièvement rappelées dans le chapitre 5 (section 5.10.1). Les modèles de la partie puissance, notamment le réseau électrique, la charge polluante, l'onduleur, le filtre de sortie et la L du réseau électrique sont construits à l'aide de la Power System Toolbox. Nous avons testé sur le même réseau deux approches du FAP. Une approche classique basée sur Les FPB puis sur les FMV et une approche à base de réseaux de neurones(ADALINE). Les valeurs des éléments du réseau électrique sont : V = 3.7 , è( = 0.05 , žV% = žV, = žVY = 240√2ž, L = 50 . La charge polluante est constituée d'un pont de Graetz ayant un angle d'amorçage égal =0T et une charge inductive ( u = 1 et èu = 2.6 . Les courants de la charge non linéaire (pont triphasé à thyristors) comportent des harmoniques - = 6I ± 1, ˜•L&I = 1, 2, . . . , . Il est donc possible de mettre en entrée des ADALINE les signaux sinusoïdaux à des fréquences adéquates selon la méthode utilisée. Afin de comparer valablement les méthodes d'identification des courants harmoniques, nous avons gardé le même système de commande de l’onduleur qui est la commande inverse basé sur un ADALINE (voir section 5.4.4). 4.8.1 Evaluation des méthodes d’identification sous divers conditions de fonctionnement Les performances de compensation harmonique pour les méthodes d’identification neuronales retenues, sont comparées et évaluées sous divers conditions de fonctionnement, par rapport aux trois critères de base qui sont : 135 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Temps de réponse : c’est le temps d’apprentissage des Adalines à l’issue duquel débute le régime permanent. THD du courant coté source après compensation : pour mieux évaluer les méthodes d’identification, ce taux permet d’apprécier la nouvelle forme du courant de source après la dépollution harmonique. En fait, Le THD mesuré rend compte de l'efficacité de chaque technique d’identification à compenser les harmoniques de courant de la charge. Facteur de puissance FP le facteur de puissance est meilleur lorsque le déphasage entre le courant compensé obtenu avec une méthode d’identification et la tension directe est zéro. En revanche, la compensation de la puissance réactive est atteint lorsque le facteur de puissance égal à l’unité. 4.8.2 Performances dynamiques du FAP Dont le but de vérifier la caractéristique adaptative des RNAs dans le domaine de filtrage actif, la dynamique des méthodes d’identification neuronale élaborées est mesurée en faisant perturber la tension source, au premier lieu, puis en faisant varier la charge (déséquilibrée). a. Réponse dynamique face aux variations des paramètres du réseau Pour assurer une compensation correcte d’harmonique quelque soient les conditions de fonctionnement. Les méthodes d’identification neuronales à base d’ADALINES doivent être aptes de fournir les bonnes références de courant même en présence de dissymétrie žV; = 240√2ž, žV< = 200√2žL žV = 160√2ž ou de pollution harmonique (d’ordre : 7#; ÊX + 5#; ÊX ) à la source de tension. Les figures 4.16.a, 4.17.a, 4.18.a, 4.19.a, 4.20.a et 4.21.a concernant, respectivement, les résultats d’identification par les méthodes neuronales : trimonophasée modifiée, trimonophasée, directe, diphasée, diphasée modifiée et synchrone, dans l’espace du courant. Ainsi, les figures 4.22.a, 4.23.a et 4.24.a correspondant aux résultats d’identification par les méthodes PQ neuronale, PQ modifiée et la méthode des courants actifs, dans l’espace de puissance. Chacune de ces figures représente, pour une tension source équilibrée ( ≤ 0.1(), déséquilibrée (0.1( ≤ ≤ 0.16( et polluée (0.16( ≤ ≤ 0.22(, l’évolution temporelle des grandeurs suivants : la tension source triphasés, les courants compensés côté source, les courants harmoniques de référence obtenues, les courants injectés dans le réseau par le FAP neuronale, la puissance instantanée active et réactive de charge après compensation, le facteur de puissance concernant chaque méthode d’identification neuronale ainsi que les deux ondes la tension directe obtenue par la PLL neuronale proposée et le courant compensé. b. Réponse dynamique face aux variations de la charge non linéaire Dans le but de vérifier le comportement dynamique de notre FAP basé sur chaque méthode d’identification neuronale (le bloc le plus influencé sur la compensation des harmonique), au départ, nous avons effectué des simulations sans FAP (avant compensation) et la résistance de la charge est fixée à u = 1 . A t=0.04s, on branche le FAP neuronale pour mieux voir l’influence de cet compensateur sur l’évolution des différents paramètres du réseau triphasé. A partir de l’instant = 0.12(, la charge subit un déséquilibre brutale (se réduit à u = 0.5 . Les autres 136 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques paramètres de l'environnement de simulation sont maintenus fixes et identiques aux paramètres cités dans la section 4.8. Les figures 4.16.b, 4.17.b, 4.18.b, 4.19.b, 4.20.b et 4.21.b, 4.22.b, 4.23.b et 4.24.b montrent l'évolution, lorsque la charge varie brutalement, des courants côté réseau, Elles montrent également le courant de référence et le courant injecté par l‘onduleur W0ð déterminé par l'approche neuronale, l'évolution du e côte source après compensation. La forme de la tension directe de la première phase, identifiée par les ADALINES, les puissances réelle et imaginaire continues qui se rapportent aux courants fondamentaux du réseau sont montrées aussi. Fig. 4.18 Performance de la méthode Trimonophasée-Modifier neuronale Fig. 4.16.a Réponse dynamique du FAP sous une tension source équilibrée, déséquilibrée puis polluée par les harmoniques (5harm+7harm). Fig. 4.16.b Réponse dynamique du FAP sous une tension source déséquilibrée et une variation de la charge à = 0.12(. Fig. 4.16 Performance de la méthode Trimonophasée-Modifiée neuronale. 137 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Fig. 4.17.a Réponse dynamique du FAP sous une tension source équilibrée, déséquilibrée et puis polluée par les harmoniques (5harm+7harm). Fig. 4.17.b Réponse dynamique du FAP sous une tension source déséquilibrée et une variation de la charge à = 0.12(. Fig. 4.17 Performance de la méthode Trimonophasée neuronale. 138 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Fig. 4.18.a Réponse dynamique du FAP sous une tension source équilibrée, déséquilibrée et polluée par les harmoniques (5#; Ê + 7#; Ê ). Fig. 4.18.b Réponse dynamique du FAP sous une tension source déséquilibrée et une variation brusque de la charge à = 0.12(. Fig. 4.18 Performances de la méthode directe-neuronale 139 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Fig. 4.19.a. Réponse dynamique du FAP sous une tension source équilibrée, déséquilibrée et polluée par les harmoniques (5harm+7harm). Fig. 4.19.b. Réponse dynamique du FAP sous une tension source déséquilibrée et une variation brusque de la charge à t=0.12s. Fig. 4.19 Performances de la méthode diphasée dq-neuronale. 140 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Fig. 4.20.a Réponse dynamique du FAP sous une tension source équilibrée, déséquilibrée et puis polluée par les harmoniques (5harm+7harm). Fig.4.20.b Réponse dynamique du FAP sous une tension source déséquilibrée et une variation de la charge à = 0.12(. Fig. 4.20 Performances de la méthode diphasée Modifier dq- neuronale. 141 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Fig. 4.21.a Réponse dynamique du FAP : sous une tension source équilibrée, déséquilibrée et polluée par les harmoniques (5harm+7harm) Fig. 4.21.b Réponse dynamique du FAP : sous une tension et une variation de la charge à = 0.12( Fig. 4.21. Performance de la méthode Synchronisée neuronale. 142 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Fig. 4.22.a Réponse dynamique du FAP sous une tension source équilibrée, déséquilibrée et puis polluée par les harmoniques (5harm+7harm) Fig. 4.22.b Réponse dynamique du FAP sous une tension source déséquilibrée et une variation de la charge à = 0.12(. Fig. 4.22 Performances de la méthode des puissances instantanées PQ neuronale. 143 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Fig. 4.23.a Réponse dynamique du FAP sous une tension source équilibrée, déséquilibrée et puis polluée par les harmoniques (5harm+7harm) Fig. 4.23.b Réponse dynamique du FAP sous une tension source déséquilibrée et une variation de la charge à = 0.12(. Fig. 4.23 Performances de la méthode des puissances instantanées PQ-Modifiée neuronale. 144 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Fig. 4.24.a Réponse dynamique du FAP sous une tension source équilibrée, déséquilibrée et puis polluée par les harmoniques (5harm+7harm). Fig. 4.24.b Réponse dynamique du FAP sous une tension source déséquilibrée et une variation de la charge à = 0.12(. Fig. 4.24 Performances de la méthode des courants actifs et réactifs neuronale. sneuronale 145 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Fig. 4.25.a Réponse dynamique du FAP sous une tension source équilibrée, déséquilibrée et puis polluée par les harmoniques (5harm+7harm). Fig. 4.25.b Réponse dynamique du FAP sous une tension source déséquilibrée et une variation de la charge à = 0.12(. Fig. 4.25 Performances de la compensation des harmoniques par la méthode Diphasée d-q basée sur la FMV (commande neuronale). 146 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques 4.9 Comparaison des résultats de simulation : Discussion Les méthodes d’identification neuronales d’harmonique sont comparées et évaluées par un grand nombre de simulations sous différentes conditions de fonctionnement. Nous avons comparé également les résultats obtenus avec la méthode des PQ classique basée sur FPB et la méthode diphasée basée sur FMV (Fig.4.36). Pour cela, plusieurs règles d’apprentissage ci ont été évaluées pour adapter les poids des ADALINE. Les résultats présentés (au-dessus) ont été obtenus avec la variante de la règle LMS-Modifier élaborait dans le chapitre deux. S'il s'agit de compenser tous les courants harmoniques du réseau, il est préférable de choisir un paramètre d'apprentissage des ADALINEs inférieur à 0.001 et cela, afin que les composantes continues estimées soient le plus stable possible. Si nous voulons une compensation sélective des harmoniques, le paramètre d'apprentissage µ doit être pris entre 0.001 et 0.1. la capacité du filtre actif à compenser les harmoniques de courant de la charge est démontrée par la lecture de spectre harmonique du courant de réseau après le filtrage (voir les figures 4.26, 4.27, 4.28, 4.29, 4.31, 4.32, 4.33, 4.34, 4.35 et 4.36 ). D’autre côté, le facteur de puissance FP caractérise aussi, la capacité des méthodes d’identification neuronales élaborées à compenser la puissance réactive (voir tableau 4.2). a) b) c) Fig. 4.26 Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm) : méthode directe neuronale a) b) c) c) Fig. 4.27 Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm): méthode Synchronisée neuronale. 147 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Tous les résultats sont regroupés dans le tableau 4.2 pour le cas respectivement, d’une tension équilibrée, déséquilibrée puis polluée d’harmoniques 5#; Ê + 7#; Ê et dans le tableau 4.3 pour le cas d’une brusque variation de la charge. À partir des simulations effectuées on peut conclure que: Du tableau 4.2 et les figures 4.26, 4.27, 4.28, 4.29, 4.31, 4.32, 4.33, 4.34, 4.35 et 4.36, les e les plus satisfaisants concernent le cas idéal (équilibré) pour toutes les méthodes. En présence de déséquilibre et/ou d’harmonique la tension source, ce taux de distorsion peut augmenter tout en restant dans des proportions acceptables. On peut constater que la méthode des courants actifs et réactifs neuronale et la méthode Synchronisée neuronale sont les meilleures, car, elles offrent le plus petit taux global de distorsion. En présence de déséquilibre de tension source (par exemple), après la compensation leurs e sont 0.29%L 0.27% respectivement et leurs FP est très proche de l’unité ( 0.9990 . a) b) c) Fig. 4.28 Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm) : méthode trimonophasé-neuronale. a) b) c) Fig. 4.29 Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée. c) polluée par les harmoniques (5harm+7harm) : méthode trimonophasée-neuronale-Modifiée. 148 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques b) a) c) Fig. 4.30 Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm) : méthode diphasée DQ-neuronale. a) c) b) Fig. 4.31 Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm) : méthode diphasée DQ-Modifiée neuronale. Tab. 4.2 Performances dynamique des méthodes d’identification des harmoniques sous une tension source perturbée (équilibrée, déséquilibrée, puis polluée). THD coté Méthode Méthod charge est : directe- trimono neuronal neurona 27.11 (%) Avant comp S-équi THD S-désé (%) S-pollu FP 1.27 1.38 1.44 S-équi 0.9958 S-désé 0.9954 S-pollu 0.9955 0.26 0.31 0.88 0.9937 0.9932 0.9935 Méthod Méthode Méthode Méthode Méthod Méthod Méthode Méthode Méthode trimono diphasée diphasée- Synhron DQ PQ PQ courants PQ-Class neuronal neuronal neuronal neuronal FMV/ neuronal neuronal actifs et FPB/ Comm modifiée modifiée modifiée réactifs Comm neuronal neuronal neuronal 0.24 0.52 0.20 0.9937 0.9997 0.9944 0.30 0.83 0.9951 0.9935 0.51 0.96 0.9990 0.9898 0.45 0.79 0.9946 0.9719 Espace de courants 0.29 0.27 0.87 1.30 1.23 1.54 0.81 1.04 1.09 0.9997 0.9937 0.9937 0.9990 0.9926 0.9734 0.9938 0.9929 0.9935 0.76 0.28 0.91 0.9937 0.9996 0.9921 0.86 1.13 0.9927 0.9936 0.29 0.84 0.9990 0.9989 1.74 1.79 0.9930 0.9920 Espace de puissances 149 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques Les figures 4.16.b, 4.17.b, 4.18.b, 4.19.b, 4.20.b et 4.21.b, 4.22.b, 4.23.b et 4.24.b illustrent les résultats obtenus pour une compensation des harmoniques sous l’effet d'une variation de charge. Nous procédons aux changements de la charge non linéaire à l’instant = 0.12(. Ce changement de charge permet de faire varier d'une manière significative les amplitudes de l'ensemble des harmoniques. Au départ, avant le changement de la charge non-linéaire (entre 0.04 et 1.2(), toutes les méthodes d’identification neuronales permettent de réduire le taux de distorsion total avant compensation de 27.11% à un e qui ne dépasse pas 1.5% après compensation. Après le changement brusque de la valeur de la charge non linéaire, ce e est se encore réduit (Tab. 4.3). Pour la méthode PQ neuronale modifiée, par exemple, le e réduit de 0.76% avant changement à0.28% après changement de la charge. Par contre, le e de la méthode directe, trimonophasée et trimonoiphasée modifiée, subit une légère augmentation. Le tableau 4.3 permet de comparer les performances des différentes méthodes d’identification face aux variations de la charge non linéaire. En effet, ce tableau donne les valeurs numériques des amplitudes de chaque terme harmonique 5, 7, 11, 13L 17individuellement ainsi que le THD des courants côté source obtenus avec chaque méthode. De plus, ces harmoniques de courant sont précisées tant dans le régime équilibré que dans le régime déséquilibré de la charge (colonne gauche et droite respectivement pour chaque harmonique). En comparant avec la limite imposée par la norme IEEE 519-1992 [IEEE-93], on voit que toutes les méthodes neuronales donnent de bonnes performances de compensation. Tab 4.3 Performance des méthodes neuronales d’identification sous une variation brusque de la charge. à = 0.12(. Charge nonlinéaire « Phase a » ’ % % % % ’ % % THD (%) équi désé équi déséq équi déséq équi déséq équi déséq équi déséq équi désé Temp de répon se(ms) FP équ désé Courant de charge 0.1 0.07 20.02 19.9 13.3612.85 8.25 7.68 6.67 6.00 4.65 3.9 27.11 26.13 0.9594 0.9562 Diphasée- FMV 0.43 0.76 0.89 1.02 0.64 0.59 0.15 0.16 0.16 0.22 0.09 0.07 1.30 1.64 0.9928 0.9855 PQ-Class -FPB Directe.neuro Trimono.neuro Trim.neuro.Mod Diphasée.neuro Dipha.neuro.Mod Synchron.neuro PQ-neuronale PQ-neuro.Mod Cour.Actif.neuro IEEE Std 519-1992 1.51 1.65 0.30 0.21 0.11 0.03 0.06 0.03 0.01 0.04 0.03 0.03 1.75 1.73 0.9989 0.9848 / 55 0.51 0.82 0.25 0.25 0.15 0.23 0.11 0.18 0.08 0.15 0.06 0.09 1.27 1.41 0.9961 0.9931 60 0.21 0.31 0.15 0.09 0.12 0.12 0.04 0.02 0.05 0.04 0.02 0.01 c. c. c 0.9997 0.9994 0.34 0.16 0.18 0.08 0.14 0.07 0.11 0.06 0.06 0.03 0.08 0.02 c. c. ’’0.9937 0.9861 0.02 0.03 0.05 0.04 0.18 0.18 0.03 0.00 0.03 0.06 0.03 0.03 0.26 0.02 0.05 0.06 0.02 0.07 0.09 0.06 0.03 0.03 0.03 0.07 0.06 0.24 0.08 0.11 0.12 0.03 0.06 0.03 0.06 0.01 0.02 0.02 0.03 0.01 c. 0.02 0.22 0.02 0.02 0.21 0.06 0.07 0.04 0.1 0.09 0.06 0.03 c. 0.36 0.15 0.13 0.06 0.15 0.03 0.09 0.05 0.05 0.01 0.10 0.07 c. 0.07 0.01 0.03 0.09 0.12 0.09 0.06 0.02 0.00 0.05 0.04 0.05 c. <4 <4 <4 <4 <4 <4 <2 <2 <2 < 2 < 1.5 < 1.5 <5 0.9996 0.9999 25 25 35 40 24 0.9997 0.9999 / 0.37 0.9937 0.9931 0.30 0.9997 0.9868 c. 0.9944 0.9550 c. 0.9937 0.9865 c. c. < 5 40 / / 45 45 20 Dans tous les cas, on remarque que tous les signaux sont identiques en régime permanant, mais varient différemment pendants la phase d’apprentissage. En effet, nous constatons que, les méthodes neuronales trimonophasée, syhncrone et couranrts actifs se caractérisent par une phase 150 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques d’apprentissage rapide pouvant atteindre 25, 24, 20 ( réspectivement. Quant à la méthode directe, elle semble la plus lente à converger avec un temps d’etablissement qui atteint 60 ( avec une tension souce polluée d’harmonique. Toutfois, face à une variation brusque d’un paramètre du réseau, le temps de réapprentissage est limité à 40 (, car les valeurs actuelles des poids des ADALINEs ne sont plus nulles comme à l’instant initial. Malgré que nous somme garder la partie contrôle-commande neuronale, les méthodes classiques d’identification des courants harmoniques basée sur l’utilisation des FMV et des FPB ont un facteur de puissance petit par rapport aux approches neuronales étudiées (Tab.4.2 et Tab.4.3). Par conséquent, dans ce cas, la compensation de la puissance réactive n’est pas sûre. Par contre, le déphasage entre le courant compensé obtenu avec chaque méthode d’identification neuronale et la tension directe a été réduit (voir figures 4.16, 4.17 4.18, 4.19, 4.20, 4.22, 4.23, 4.24). Nous voyons que la puissance réactive (ou non active) est approximativement égale à zéro, ce qui donne un facteur de puissance égal à l’unité ( x = 0.9999). Ceci montre les performances de la compensation de la puissance réactive. Remarques Les nombreuses simulations complémentaires démontrent la rapidité et l'efficacité des techniques neuronales développées face aux variations de la charge non linéaire (leurs temps de réponse est rapide puisqu'il est généralement inférieur à 50ms). Les méthodes de compensation s'adaptent donc au changement de la charge grâce aux réseaux de neurones et nécessitent peu de temps pour en tenir compte. Pour la méthode PQ-modifiée, la puissance homopolaire ¶T (Fig.4.23) est égale à la puissance imaginaire ¶ dans la théorie P-Q initiale (Fig.4.22) ce qui est justifiée thoriquement dans la section 4.5.2. Malgré que, la méthode synchronisée est sensible aux variations de la fréquence du réseau (Fig. 4.7), les résultats obtenus par cette approche sont très acceptables (Fig. 4.37). Par conséquent, on peut affirmer que, notre PLL neuronale proposée dans le chapitre 3 est robuste, adaptative et estime efficacement la fréquence instantanée pour calculer les courants fondamentaux. Les méthodes neuronales : courant actif et synchronisée offrent une meilleure compensation du e et un acceptable x, en utilisant un vecteur d'entrée réduit. Ceci est la preuve que le filtrage des harmoniques à base d’ADALINEs, s’est fait en même temps que la compensation de la puissance réactive. Ces comparatifs montrent la supériorité des approches neuronales par rapport à la méthode classique des puissances instantanées (avec FPB) ou bien la méthode des courants diphasés avec FMV (au lieu des ADALINEs). En fait, la figure 4.37 illustre les améliorations les plus significatives obtenues avec ces techniques d'identification neuromimétiques. 4.9.1 Compensation des harmoniques et de la puissance réactive La présence de la puissance réactive peut engendrer des pertes dans le réseau électrique et sa consommation par les clients augmente la facture d'électricité. La circulation de la puissance réactive est dûe à un mauvais &'(j qui lui même est induit par le déphasage entre le courant et la 151 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques tension dans chacune des phases du réseau. Pour chaque méthode, la figure qui schématise, (pour la phase « a ») la tension directe de la source obtenue par la PLL-neuronale et le courant coté source après compensation montre que les deux signaux étant presque en phase. Donc, on peut affirmer qu’en plus de l’élimination des harmoniques de courant, cette stratégie de commande à permis aussi de compenser l’énergie réactive. 4.9.2 Compensation sélective des harmoniques et de la puissance réactive Ce type de compensation est adapté aux cas où l'objectif de la dépollution est d’éliminer certaines composantes harmoniques gênantes ou de répondre à une norme particulière. Toutes les a) b) c) Fig. 4.32 Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm): méthode des puissances instantanées PQ neuronale. a) ) b) c) Fig. 4.33 Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm) : méthode des puissances instantanées PQ–modifiée neuronale. a) b) ) c) Fig. 3.34 Spectre fréquentiel du courant côté source (phase a), en cas d’une tension source : a) équilibrée, b) déséquilibrée et c) polluée par les harmoniques (5harm+7harm): méthode des courants actifs et réactifs neuronale 152 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques techniques d'identifications des courants harmoniques que nous avons conçus à base de réseaux Adaline, contrairement à la plupart des techniques classiques, permettent d'identifier les harmoniques séparément. La compensation sélective des harmoniques ne rend pas parfaitement les courants côté source sinusoïdaux, mais ils resteront quasi-sinusoïdaux en respectant la norme IEEE 519-1992 [IEEE-93]. L’intérêt supplémentaire de la compensation sélective est a pour objectif de réduire la taille de l’onduleur (puissance) [Oul-05]. a) b) c) Fig. 4.35 Spectre fréquentiel du courant de la phase’a’ en cas d’une source : a) équlibrée, b) Déséquilibrée , c) polluée : méthode Diphasée DQ basée sur FMV et un contrôle-commande neuronale a) b) c) Fig. 4.36 Spectre fréquentiel du courant de la phase’a’ en cas d’une source : a) équlibrée, b) Déséquilibrée, c) polluée : méthode des puissances instantanées PQ classique basé sur FPB (commande par hystérésis) 4.10 Conclusion Dans ce chapitre, plusieurs méthodes d’identification des courants de la charge non linéaire basées sur des réseaux de neurones de type ADALINE ont été développées et comparées. Elles sont principalement basées soit dans le repère des puissances instantanées, soit dans le repère des courants de la charge. Ces ADALINEs permettent d’estimer spécifiquement chaque terme harmonique afin de déduire les composantes continues de courant ou de puissance instantanée. L’originalité de notre étude consiste à une décomposition adéquate du signal à l'entrée des réseaux de neurones chargés de l'identification et de la détection de la phase instantanée qui a été 153 Chapitre 4 : Identification Intelligente-Neuronale des Courants Harmoniques obtenu a l’aide d’un VCO-neuronale triphasé afin d’assurer une synchronisation du filtre avec le réseau. Lorsque le système de tensions est déséquilibré, généralement, perturbé, ces méthodes doivent disposer des systèmes direct, inverse et homopolaire des tensions. L’utilisation de ces méthodes d’identification des harmoniques aboutit à la notion de filtre universel, capable non seulement de compenser les harmoniques de courant, mais également la puissance réactive et les déséquilibres en tension et en courant. Dans diverses conditions de simulation, les bons résultats obtenus par les différentes méthodes d’identification neuronale s’expriment principalement en termes de réduction significative du e , temps de réponse court et amélioration du facteur de puissance vers l’unité. Ces résultats sont aussi justifiés par la qualité de commande neuronale de l’onduleur qu’on a proposée. En conséquence, toutes les méthodes neuronales développées permettent d’identifier efficacement les harmoniques présentes dans les réseaux électriques et peuvent de ce fait être insérées dans divers schémas de compensation. Si leurs performances, en termes de précision, fiabilité, robustesse et rapidité, sont proches, certaines méthodes sont plus judicieuses que d’autres selon les objectifs visés. Le choix de la méthode se fait en fonction des grandeurs impliquées dans l’objectif de compensation. Quelle que soit l’approche choisie, un FAP cherche à partir des mesures des courants et des tensions du côté de la charge (respectivement et • , à identifier les composantes harmoniques de courant qui perturbent le réseau électrique par leur présence. Une fois identifiées, les distorsions de courant sont réinjectées dans le réseau électrique mais en opposition de phase. Ceci est réalisé à travers un étage de puissance qui est composé d’un onduleur et d’un filtre de sortie du premier ordre. Dans le chapitre suivant, des méthodes de commande et de régulation neuromimétiques , de cet étage, seront discutées. 154 Chapitre 4 : Identification Intelligente-Neuronale le des Courants Harmoniques THD % a) 1,6 1,4 1,2 1 0,8 0,6 0,4 0,2 0 Charge équilibrée Charge déséquilibrée FP b) 1,02 1 0,98 0,96 0,94 0,92 Charge équilibrée Série1 Charge déséquilib uilibrée Série2 THD % 2 1,5 c) Série1 Source équilibrée Source déséquilibrée Série2 Source polluée Série3 1 0,5 0 FP d) 1,005 1 0,995 0,99 0,985 0,98 0,975 0,97 0,965 0,96 0,955 Source Série1équilibrée Série2déséquilibrée Source Série3polluée Source Fig. 4.37 Comparaison entre ntre les le différentes méthodes d'identification neuronale ronales et classiques : (a, b) lors d’une charge déséqui éséquilibrée et (c, d) lors d’une tension source perturbé erturbée. 155 CHAPITRE CINQ Commandes Intelligentes Neuromimétiques en Filtrage Actif Sommaire ___________________________________________________________________________ Introduction……………………………………………………………………………… 157 Le système de commande dans un FAP………………………………………………... 157 Principe de la commande de l’onduleur au sein d’un FAP…………………………... 158 Commandes classiques de l’onduleur………………………………………………….. 159 5.4.1 Commande des courants par hystérésis………………………………………….…. 159 5.4.2 Commande des courants par MLI………………………………………………….. 159 5.5 Commandes intelligentes neuromimétiques…………………………………………… 160 5.5.1 Commande avec un régulateur PI- neuronal……………………………………….. 161 5.5.2 Commande directe avec apprentissage hors ligne……………………………….…. 162 5.5.3 Commande inverse à base MLP (apprentissage en ligne)…………………………. 162 5.6 Autres Commandes intelligentes : Commande de l'onduleur avec la logique flou…. 164 5.7 Régulation de la tension continue………………………………………………………. 166 5.7.1 Régulation V par i …………………………………………….………………. 167 5.7.2 Régulation V par ∆p…………………………………………….………………. 168 5.8 Type du régulateur de la tension continue…………………………………….……… 168 5.9 Résultats de simulation des contrôleurs de courants…………………………………. 169 5.10 Résultats et synthèse de l'architecture complète du FAP…………………………….. 172 5.10.1 Modèle de simulation du FAP…………………………………………….……… 172 5.10.2 Compensation classique………………………………………………….………... 173 5.10.3 Compensation purement neuronale……………………………………..……….… 174 5.10.4 Compensation combinée neuronale/flou…………………………………………. 180 5.10.5 Compensation combinée neuronale/classique………….…………………………. 180 5.11 Conclusion………………………………………………………………………………... 182 ________________________________________________________________________________________ 5.1 5.2 5.3 5.4 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif 5.1 Introduction OUR diverses raisons, les méthodes traditionnelles ne proposent pas, à ce jour, de formalisme générique et acceptable pour le contrôle des systèmes non linéaires. Par contre, les réseaux de neurones ont des capacités d’estimer une fonction non linéaire quelconque très intéressantes du point de vue de la commande. En effet, grâce à un processus d'apprentissage, ils peuvent identifier en permanence le modèle d'un système non linéaire. Les réseaux de neurones se présentent comme une solution viable pour l'élaboration de la commande d'un tel système dans la mesure où un neurocontrôleur constitue un contrôleur adaptatif [Oul-05]. P Après avoir insisté, dans le chapitre précédent, sur l'importance de l'étape l'extraction des courants harmoniques sur le rendement et l'efficacité du filtre actif parallèle, nous allons présenter ici, la façon de poursuite ces courants. En fait, la commande d’un FAP a pour objectif principal de contrôler les courants à sa sortie, destinés à être injectés au réseau électrique afin qui’ ils suivent le plus fidèlement possible leurs références générées par le bloc d’identification. Cette opération se fait à travers des ordres de commande appliqués aux divers interrupteurs de l’onduleur de tension, pendant la fermeture et l’ouverture. Ainsi, la régulation de la tension continue de l’onduleur est d’abord élaborée afin d'assurer le rôle de source continue. Dans notre démarche visant à améliorer la qualité de la commande des systèmes dynamiques, nous voulons appliquer et développer des techniques de commande intelligentes au sein du FAP. Particulièrement, des contrôleurs basés sur des techniques intelligentes neuromimétiques qui surpassent les limites des techniques classiques. Quelle que soit la technique utilisée, un bon contrôleur doit non seulement maintenir la stabilité du système malgré des changements et des perturbations qui peuvent survenir, mais aussi satisfaire les conditions économiques, la sécurité des équipements, etc. Dans notre système, le contrôleur doit veiller à ce que les courants d’injection soient les plus proches possibles des courants de référence sous le fonctionnement non linéaire de l’onduleur et quelque soit les changements des résistances et des inductances du filtre de sortie d’une part et les changements aléatoires de la charge non linéaire d’autre part. Notre motivation principale dans le choix d'une commande neuromimétique reste, en plus de l'amélioration des performances, de tendre vers une stratégie de contrôle-commande « tout neuromimétique ». Cela, afin d'aboutir à une structure de calcul fortement homogène plus favorable à une implémentation matérielle. 5.2 Le système de commande dans un FAP Dans le chapitre 3, nous avons montré que l'extraction des composantes d'une tension déséquilibrée ou perturbée est assurée par des réseaux de neurones que nous avons développés. La séparation du courant fondamental avec les courants harmoniques est présentée dans le chapitre 4, où plusieurs techniques neuronales ont été élaborées et testées. Il est à rappeler que les réseaux de neurones utilisés pour ces deux problèmes d'identification sont de type ADALINE. 157 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif L'étape finale de la partie contrôle-commande assure la génération des signaux à injecter dans le réseau électrique. Ces signaux sont les courants de références en sortie du bloc d'identification. Le système de commande doit fournir des signaux en MLI pour la commande de l'onduleur. En effet ce dernier comporte des thyristors dont il convient de piloter l'ouverture et la fermeture. La figure 5.1 rappelle ces différentes parties en soulignant la fonctionnalité commande. PLL (Synchronisation) Extraction de la composante directe de tension Phase instantanée Réseau électrique Onduleur Onduleur + Filtre de + Filtre de sortie sortie " " , … Contrôle de courants ⋮ Régulation de la tension continue - Charge non linéaire Identification des courants harmoniques de références + ∆ ⋮ Partie Contrôle –Commande du l’onduleur Fig .5.1 Architecture générale d’un filtre actif parallèle : Rôle de la partie commande. 5.3 Principe de la commande de l’onduleur au sein d’un FAP Le principe de cette poursuite est basé sur la comparaison entre le courant injecté généré par le FAP et le courant de référence , afin d’en déduire les ordres de commande de l’onduleur de tension. En effet, ce dernier comporte des thyristors ou transistors dont il convient de piloter l’ouverture et la fermeture. La structure du système de commande de l’onduleur de tension peut être séparée en deux sous systèmes ayant des dynamiques différentes : l’une dite rapide qui est liée aux courants, et une autre dite lente qui est associée à la tension continue. On peut de ce fait, synthétiser deux régulateurs, un pour la boucle interne des courants et un autre pour la boucle externe de la tension continue. D’autre part, il est bien connu que la performance de la boucle des courants joue un rôle essentiel dans la performance 158 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif globale du système ; c’est pourquoi une commande ayant une réponse rapide et un bon comportement en état stationnaire s’avère nécessaire. Dans ce chapitre, grâce aux capacités des réseaux de neurones artificiels de s’adapter aux variations de la charge, différentes lois de commande neuronales sont développées au sein de la boucle interne des courants ainsi que pour la boucle externe de tension continue. Une comparaison avec d’autres régulateurs intelligentes tel que le régulateur flou et le régulateur classique en particulier du type proportionnel-intégral (PI), semble être nécessaire afin de justifier notre choix neuronale. 5.4 Commandes classiques de l’onduleur Afin de restituer les courants de références dans le réseau triphasé, un contrôleur spécifique est nécessaire pour élaborer de façon adéquate les impulsions de commande des interrupteurs de l’onduleur. Différentes commandes sont recensées dans la littérature pour imposer aux courants de suivre les références. Les plus populaires sont : 5.4.1 Commande des courants par hystérésis La commande par hystérésis, appelée aussi commande en tout ou rien, est une commande non linéaire qui utilise l’erreur entre le courant de référence et le courant produit par l’onduleur. L’erreur est comparée à un gabarit appelé bande d’hystérésis. Dès que l’erreur atteint la bande inférieure ou supérieure, un ordre de commande est envoyé de manière à rester à l’intérieur de la bande. La simplicité de la mise en œuvre, illustrée par la figure 5.2., est le principal atout de cette technique. En revanche, les commutations évoluant librement à l’intérieur de la bande d’hystérésis, les fréquences situées dans le haut de cette bande se maîtrisent difficilement à cause des fréquences de commutation. + ⅀ % Onduleur + Filtre de sortie '() Fig. 5.2. Schéma de commande par hystérésis. 5.4.2 Commande des courants par MLI Afin de parfaitement maîtriser les fréquences de commutation et de leur répercussion sur les interrupteurs, une autre stratégie de commande MLI(la commande par modulation de largeur d’impulsion (MLI) peut être proposée (Fig.5.3). Il s’agit de la commande qui cherche à rendre la fréquence de commutation constante. Elle requiert pour cela un régulateur, et des actions proportionnelle, intégrale et dérivée peuvent être utilisées (PID). Elle met en œuvre d’abord un correcteur qui génère la tension de référence à l’onduleur (modulatrice) à partir de l’erreur de courant, celle-ci est ensuite comparée à un signal auxiliaire (porteuse) qui peut être en dents de scie ou triangulaire à fréquence fixe #$ suffisamment élevée 159 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif par rapport à la fréquence maximale de référence. Les points d’intersection des deux signaux détermineront les instants de fermeture et d’ouverture des interrupteurs (Fig.5.4). Malgré sa légère complexité par rapport `a la commande par hystérésis, la commande MLI est la mieux adaptée dans les applications où on a besoins de travailler `a des fréquences fixes. + - ⅀ % Régulateur PID * + ⅀ Modulatrice Onduleur + Filtre de sortie '() Fig. 5.3. Schéma de commande par MLI. Porteuse Signal à moduler T1 Impulsions MLI 1 Fig. 5.4. Commande des interrupteurs par MLI. + 5.5 Commandes intelligentes neuromimétiquess Dans le chapitre.2, nous avons développé un exposé détaillé sur différents stratégies de commande à base des techniques neuromimétiques, couramment trouvé dans la littérature scientifique. Dans notre étude des systèmes de commande, nous avons sélectionné les schémas les plus aptes à répondre à nos exigences au sein du filtrage actif. L'architecture du réseau de neurones n'est souvent que partiellement imposée par la tâche à réaliser ; les entrées, le nombre de neurones, les sorties du réseau, le type et la connectivité des neurones peuvent être fixées par le concepteur [Oul-05]. L’apprentissage du RNA, qui consiste à modifier à chaque itération ces différents poids et à minimiser la somme des carrés des erreurs en sorties, peut se faire hors ligne (méthodes itératives) ou en ligne (méthodes récursives)(voir chapitre.2) [Dre-02]. L’avantage de la méthode hors ligne, non adaptative, est que nous disposons d’un choix varié de méthodes de minimisation plus efficaces que celles rencontrées dans les algorithmes récursifs. Toutes les commandes correspondantes sont disponibles sous MATLAB et faciles à mettre en œuvre. Citons comme exemple, l’algorithme de Feed-forward backprop que nous avons adopté, auquel on peut faire appel sous MATLAB avec la commande Trainlm. Dans ce travail, trois types d'architectures sont développées, pour la commande d’un onduleur triphasé. En faite, on utilise un réseau de neurone linéaire type Adaline nommé PI-neuronale 160 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif dont l’apprentissage est en ligne) et deux réseaux de neurones de type perceptron multicouche MLP avec une seule couche cachée, l’un fait l’apprentissage en ligne et l’autre fait l’apprentissage hors ligne. Le nombre de neurone n'est pas fixé à l'avance, il est déterminé selon une procédure itérative, suivant le succès de l'apprentissage (convergence). 5.5.1 Commande avec un régulateur PI- neuronal En exploitant la faculté d’apprentissage des réseaux de neurones, nous avons élaboré un système permettant d’estimer les deux paramètres d’un régulateur PI. Le schéma de principe permettant d’estimer le gain proportionnel et intégral du PI avec un Adaline est détaillé par la Fig. 5.5 Le vecteur d’entrée de l’ADALINE possède deux composantes : l’erreur et son intégral. Le poids ./ (1) pondérant l’erreur est associé au facteur 2 (Proportionnel) et le poids ./ (1) pondérant l’intégral de l’erreur est associé au facteur 4 (intégral). L’erreur d’apprentissage sera % = 6789 − 6;<= et l’algorithme de mise à jour des poids est la règle LMS (Widrow-Hoff modifiée). Lorsque le signal injecté arrive à suivre la référence (l’erreur e devient minimal) selon les critères fixés par l’utilisateur, alors l’apprentissage peut être arrêté. L’ADALINE joue ensuite le rôle d’un PI non adaptatif. Si des variations importantes surviennent au niveau du système à commander, l’apprentissage peut reprendre. Le but de cette approche et de concevoir un régulateur PI adaptatif tout en exploitant la simplicité de réglage des réseaux ADALINE. Il faut noter aussi que le filtre de sortie doit être du premier ordre afin de permettre à l’ADALINE de se comporter comme un PI. + − ⅀ Contrôleur : PI-Neuronale % BC (D) 1 F−1 ⅀ B (D) ⅀ BC (D) B (D) 1 F−1 * + - '() + ⅀ Onduleur + Filtre de sortie ⅀ " − A " Régulateur : PI-Neuronale Fig. 5.5 Schéma de commande avec un régulateur PI- neuronal. Le régulateur PI classique a besoin de régler, en performance, ces gains >? et >6 afin d’améliorer ces performances. L’avantage du contrôleur neuronal est sa capacité à s’adapter et à 161 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif corriger l’erreur par apprentissage même s’il faudra plus de temps de calcul au début pour atteindre le point de convergence. 5.5.2 Commande directe avec apprentissage hors ligne Dans le schéma de la commande directe, il s'agit d'élaborer un neurocontrôleur par apprentissage du comportement d'un contrôleur existant. Pour ce faire, nous choisissons le régulateur simple et le plus couramment employé est indéniablement le régulateur proportionnel intégral (PI) reconnu pour son simplicité et ses bonnes performances1 lorsque le système n'est pas soumis à des changements importants. Le schéma d'apprentissage de la commande est donné par la figure 5.6. Cet apprentissage est réalisé à l'aide d'un réseau de neurones multicouche avec une seule couche cachée de 15 neurones. Les entrées comportent le signal de commande aux instants 1, 1 − 1 et l'écart entre la référence et la réponse du système % = 6789 − 6;<= , aux instants 1, 1 − 1%+1 − 2. La règle d'apprentissage utilisée est l'algorithme de la rétropropagation du gradient en utilisant l'erreur %H = *I − *. En tant que neurocontrôleur, le réseau de neurones calcule les commandes à partir du modèle *I(1) = #(*(1 − 1), *(1 − 2)J, %(1), %(1 − 1), %(1 − 2)). Cette commande est évaluée en simulation. Nous présenterons quelques exemples de tests dans la partie traitant des résultats. %Q Contrôleur de tension- MLP 6789TU + − ⅀ % PI V TW V TW + " X(Y Filtre de sortie 6;<=TU * V TW Contrôleur de courant -MLP − ⅀ *I ⅀ + − S9 %H R9 Onduleur Fig. 5.6 Schéma de commande directe de l’étage de puissance (onduleur et filtre de sortie) par un réseau de neurone MLP. 5.5.3 Commande inverse à base MLP (apprentissage en ligne) Avec l’approche précédente (directe), le neurocontrôleur possède les qualités et les imperfections de la commande PI. Cette commande ne prend pas en compte les variations de la 1 Le régulateur PI réalise un bon compromis entre performances et coût de réalisation, et son utilisation avoisine les 80% dans des systèmes de régulation industrielle [Dzo-11]. Il se caractérise par une action proportionnelle à travers un gain >$ et une action intégrale grâce au gain >; fonction de transfert'(O) = >$ + >; ⁄O. 162 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif charge non linéaire. Nous proposons donc un apprentissage en ligne basé sur le schéma d’une commande inverse afin de tenir compte des fluctuations de la charge. Grâce à l’apprentissage en ligne, le neurocontrôleur peut s’adapter en permanence aux évolutions du système à commander. La figure 5.7 montre le schéma d’identification inverse de l’étage de puissance constitué d’un onduleur et filtre de sortie, en faisant appel aux réseaux de neurones MLP. Ce réseau multicouche RNA avec une couche cachée de 5 neurones à fonctions d'activations sigmoïdes et une sortie à fonction d'activation linéaire est utilisé comme neurocontrôleur. Il possède 4 entrées et une sortie, son apprentissage est réalisé à l’aide de l’algorithme de rétropropagation du gradient basé sur l’erreur % = 6789 − 6;<= . Le modèle discret direct du processus, en tenant compte du modèle de perturbations, est donné par la relation suivante : 6;<= (1) = # \*(1 − 1), *(1 − 2), 6;<= (1 − 1), 6;<= (1 − 2), 6;<= (1 − 3), 6;<= (1 − 4)^(5.1) La fonction inverse # TW de l'équation (5.5) peut s'écrire comme suit : *(1) = # TW \*(1 − 1), 6;<= (1 + 1), 6;<= (1), 6;<= (1 − 1), 6;<= (1 − 2), 6;<= (1 − 3)^(5.2) où 6;<= (1) représente la sortie mesurée à l'instant 1 et 6;<= (1 − 1), 6;<= (1 − 2), 6;<= (1 − 3) sont ses valeurs aux instants précédents obtenues par des retards V TW , V T_ etV Tb . Pour garantir une meilleure dynamique à notre système, tout en utilisant un modèle inverse d'ordre réduit, il est possible d'écrire : *(1) = #c TW \*(1 − 1), 6789 (1), 6;<= (1), 6;<= (1 − 1)^(5.3) Où #c TW représente la fonction inverse approximée par le réseau de neurones multicouche. La valeur du courant injecté 6;<= (1 + 1) est remplacée par 6789 (1) qui correspond à la valeur du courant désiré à l'instant 1. %Q 6789TU + ⅀ − % = %; V TW V TW Contrôleur de tension- MLP * Contrôleur de courant -MLP ⅀ + − " X(Y Filtre de sortie 6;<=TU S9 R9 Fig.5.7 Schéma de commande inverse de l’étage de puissance (onduleur et filtre de sortie) par un réseau de neurone MLP. 163 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif L'architecture de ce réseau de neurones est montrée dans la figure 5.8 où d; , d= %+ de représentent respectivement les valeurs à la sortie des neurones de la couche d'entrée, de la couche cachée et de la couche de sortie. L'adaptation des poids de la couche cachée vers la couche de sortie s'exprime par (5.4) : fe= (1 + 1) = fe= (1) + ghe d= (5.4) avec he = %(1)#i(*(1)) L'adaptation des poids de la couche d'entrée vers la couche cachée s'exprime par (5.5) : f=; (1 + 1) = f=; (1) + gh= d; (5.5) avec h= = d= j1 − d= k ∑e he fe= 6789 (1) d; ( ) B ( ) B mW_ mWb 6;<= (1) − 1) mWo 6;<= (1 − 1) *(1 − 1) mWW d= ( ) Bpq mWn ( ) B ( ) B de m_ * ( ) Bp (_) .oW ( ) Bq − + *I = *8st ( ) Brq Algorithme d’apprentissage Mise à jour des poids Fig.5.8 Architecture du neurocontrôleur MLP. Le neurocontrôleur permet d’injecter dans le réseau électrique, via l’onduleur et le filtre de sortie, le courant de référence issu de l’étape d’identification. Avec une commande inverse associée à un apprentissage en ligne, l’erreur d’estimation du courant doit être inferieur par rapport à l’apprentissage hors ligne, ainsi, cette commande est nettement plus performante. 5.6 Autres Commandes intelligentes : Commande de l'onduleur avec la logique flou Dans cette section une autre technique empruntée à l'intelligence artificielle est utilisée. La commande par la logique floue est une solution pratique pour commander des systèmes non linéaires. Elle n’utilise aucun modèle mathématique du processus mais requiert des règles linguistiques. C’est le point le plus pertinent de cette théorie. En fait, dans la logique floue, nous 164 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif pouvons introduire des connaissances partielles dans le contrôleur (humain-in-the-loop) pour qu’il puisse réagir comme un expert humain à l’aide des règles floues prédéfinies dans son noyau. Ces règles floues sont des informations heuristiques obtenues par l’expérience des experts en observant et en testant les comportements des processus. Etant donné que le contrôleur se base sur l’expérience d’experts il n’y aura donc pas de méthodes générales pour concevoir un contrôleur flou pour tous les systèmes. Il possède un tableau de règles constitué par des connaissances humaines qui couvrent tous les cas possibles afin de réagir de manière efficace face aux différentes tâches à effectuer [Ngu-10]. La logique floue a eu beaucoup de succès dans les applications industrielles [Har-06] ; [Ros-04]. Nous pouvons citer quelques points intéressants de ce type de commande [Rez-97] : adaptative face aux changements des paramètres du système et aux perturbations, robuste face aux problèmes de capteurs (des données erronées et bruitées), possibilité de remplacer un grand nombre de contrôleurs conventionnels, solution possible quand toutes les autres sont impossibles, rapide par rapport aux autres techniques (réseaux de neurone et algorithme génétique) car elle possède des connaissances introduites dans l’ensemble des règles. La figure 5.9 illustre le schéma classique d’un contrôleur flou [Rez-97]. Contrôleur-flou Base de données Fonction d’appartenance Base de de règles Règles floues Fonction d’appartenance Inférence Défuzzification Consigne Fuzzification Valeur floue Action de commande «valeur linguistique» Système à commander Sortie Action de commande «valeur numérique» Mesure Fig. 5.9 Structure d’une commande par la logique floue d’un système non linéaire. La figure 5.10 montre le schéma général d’une commande par logique floue d’un onduleur et un filtre de sortie. Les deux régulateurs flous, que ce soit de courant ou de tension, ont deux entrées, l'erreur et la dérivée de son erreur afin d’améliorer les performances et permettre au système d'avoir une meilleur dynamique. Ainsi que, la fonction d’appartenance utilisée est triangulaire, en raison de sa simplicité. En faisant abstraction du modèle mathématique du système, le contrôleur réagit comme un régulateur PI robuste et adaptatif. 165 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif Même si la technique de commande par la logique floue est souple et présente l'avantage de l'utilisation de l'expertise humaine et des connaissances a priori, elle reste néanmoins dépourvue des techniques permettant un meilleur réglage de ses paramètres [Oul-05]. %Q Régulateur-flou de tension ⅀ {%Q /{+ 6789_U − ⅀ + %; Contrôleur-flou de courant + " − X(Y '(Y * Filtre de sortie S9 {%; /{+ R9 6;<=_U Onduleur Fig. 5.10 Schéma de commande d’un onduleur et filtre de sortie par la logique floue : application à la commande d’un FAP. Le tableau 5.1 montre une comparaison entre les deux régulateurs intelligents : neuronal et flou. Tabl. 5.1 Caractéristiques des méthodes de commande intelligentes présentées. Réseaux de neurones Modèle mathématique Connaissance Système non linéaire Structure Temps de calcul Apprentissage non non oui essai et optimisation uvw oui Logique floue non oui oui essai et optimisation uvw > uyz non 5.7 Régulation de la tension continue La compensation harmonique à base de FAP influe sur la tension côté continu de l’onduleur. Tous les changements transitoires des puissances absorbées par la charge non linéaire ou autre peuvent générer une fluctuation sur la tension continue X() de l’onduleur et dépasse la limite en tension des semi-conducteurs, cela peut dégrader les performances de compensation du FAP. En régulant cette tension à une valeur constante, nous arriverons à compenser une somme de puissance de consommation due à la commutation des transistors, aux résistances et aux inductances du filtre de sortie. La source de tension continue qui alimente l’onduleur est en pratique réalisée à l’aide d’un système de stockage capacitif, représentée par un condensateur'() . Le choix des paramètres du système de stockage (X() %+'() ) se répercute sur la dynamique et sur la qualité de compensation 166 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif du FAP. En effet, une tension X() élevée améliore la dynamique du filtre actif. De plus, les ondulations de la tension continue causées par les courants engendrés par le filtre actif et limitées par le choix de'() , peuvent dégrader la qualité de compendsation du FAP [Ala-02]. La réduction des ondulations de X() liée au choix d’une valeur élevée de '() , se fait au détriment de l’augmentation de la taille et du coût du FAP [Dzo-11]. Le choix optimal des valeurs de la capacité du bus continu basé sur des critères spécifiques est discuté par [Cha-10]. Pour charger le condensateur, il faut lui fournir une puissance qui viendra nécessairement du réseau. A la sortie du régulateur de tension s'ajoute, à un signe prés, la puissance active corrigeant la harmonique (5.21) et donne lieu à un courant fondamental actif supplémentaire tension continue X() . Dans la littérature scientifique [Aka-07], [Oul-05] et [Ngu-10], les travaux sur la régulation de X() sont nombreux. Dans cette section, nous allons comparer les résultats obtenus avec deux techniques basées sur le calcul de courants supplémentaires et le calcul de la puissance active ∆ . 5.7.1 Régulation " par Les pertes de puissance active dans le filtre actif (les pertes par commutation des interrupteurs et les pertes par effet de Joule dans les composants du filtre de sortie) sont les principales causes susceptibles de modifier la tension. La régulation de la tension moyenne aux bornes du condensateur de stockage d'énergie '() doit se faire par l'adjonction des courants actifs ne produisant pas de puissance réactive. Ces courants sont sinusoïdaux et en phase avec la tension directe du réseauX( . Le principe de cette commande est montré dans la figure. 5.11. La phase à la sortie de la PLL est utilisé pour générer les courants supplémentaires instantanée estimée 6sH$ par une synchronisation avec la sortie du régulateur PI. ƒ Méthodes d’identification des harmoniques ⅀ + - ƒ - PLL Synchronisation ) Contrôleur de courant '() Sé•*€•+%*‚ 24 Onduleur + Filtre de sortie ⅀ - " + " Fig .5.11 Principe de la commande de X() par 6sH$ . Remarque La tension de sortie de l’onduleur doit être supérieure à la tension du réseau pour que les courants de référence puissent être injectés [Ngu-10]. 167 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif 5.7.2 Régulation " par ∆„ Les courants 6sH$ dans la section précédente sont représentés comme une puissance active nécessaire afin de compenser les pertes dans le FAP d’une part et pour éliminer une puissance homopolaire d’autre part. Pour cela, le FAP devrait absorber une puissance active qui vaut : ∆?̅ = ?)†<( + ?$87t8 (5.1) Le principe de la régulation de X basée sur ∆?̅ est montré dans la figure 5.12. 7̂89 ‹ˆ 6 1 Œ ‡ 789 Š = _ (‹ˆ + ‹‰_ ) ‹‰ 6‰ ‹‰ ?Ž − ∆?̅ •(5.2) •Œ −‹ˆ •Ž La puissance active ∆?̅ est obtenue par une régulation de la tension continue. Cette puissance est additionnée à la puissance active (partie alternative produite par la charge) afin de calculer des courants de référence dans l’espace α-β à l’aide de l’équation (5.2). Dans cette stratégie, les gains >$ et >; du contrôleur de la tension continue doivent être élevés afin d’assurer une somme assez ’ importante de la puissance active constante ∆?̅. Cette puissance est égale ∆?̅ = X)•TU‘) . 6O*? . •Ž ? = ?̅ + ?Ž • = • + •Ž ?Ž ƒ ƒ PLL + ⅀ - Calcul des courants de références (5.2) ∆„ + ⅀ - Sé•*€•+%*‚ 24 Onduleur + Filtre de sortie Contrôleur de courant + ⅀ '() _ " " Fig .5.12 Principe de la commande de X() par ∆?̅ . - 5.8 Type du régulateur de la tension continue Afin de contrôler la tension aux bornes de '() , un contrôleur classique de type PI est suffisant pour obtenir des performances acceptables. Dans notre approche, un régulateur PI- neuronale, un régulateur flou et un régulateur multicouche sont élaborés pour les mêmes besoins mais avec des performances dynamiques plus élevées et ainsi que pour élargie l’utilisation des contrôleurs intelligents dans le domaine de filtrage actif. Les schémas de la régulation de la tension continue sont illustrés dans les même schémas de celle de la régulation de courant à restitués dans le réseau électrique afin d’obtenir une structure de calculs homogènes (voir section 5.5.1, 5.5.2, 5.5.3, et 5.6). La sortie du régulateur de tension s’ajoute à la composante active harmonique et donne lieu à un courant fondamental actif supplémentaire (cas des méthodes d’identification dans l’espace de courants) ou une puissance active (cas des méthodes P-Q) qui corrigent la tension continue X() . 168 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif La figure 5.13 montre, pour une consigne X() = 840X, la convergence de X() est atteint après un temps de réponse petit : 3.3“O, 7“O, 18“O%+25“Opour les régulateurs PI-neuronal, PI-classique , flou et régulateur MLP respectivement. ces valeurs négligeables permettent de constater l’efficacité de la régulation de la tension continue grâce aux correcteur PI classique, PI neuronal et flou par rapport au régulateur neuronal multicouche MLP qui a un apprentissage hors ligne. 789 On peut conclure que, afin de contrôler la tension aux bornes de '() , un contrôleur classique de type PI est suffisant pour obtenir des performances acceptables. Dans notre thèse, on a retenus les régulateurs à base de réseaux de neurones (intelligents) pour les même besoins mais avec des performances dynamiques plus élevées (adaptative). Pour avoir un compensateur actif purement neuronal basé sur des ADALINES, on a choisi le régulateur PI-neuronal. a) Régulateur PI-neuronal. c) Régulateur flou. b) Régulateur PI-classique. d) Régulateur multicouche (MLP). Fig .5.13 Allure de la tension continue pour les Régulateur : neuronal, flou et classique. 5.9 Résultats de simulation des contrôleurs de courants En adoptant la méthode synchronisée neuronale pour l’identification des courants de référence 6789 ,plusieurs techniques de poursuite de courant ont été testées et évalués aux fins de comparaison. Ces techniques sont basées sur un régulateur à hystérésis, PI classique, flou et spécialement sur trois types de contrôleurs neuronaux qui sont développés pour assurer une commande de l’onduleur adaptative et robuste. Sur la figure 5.14 on peut voir la forme du courant de référence de la phase a, le courant injecté 6;<= dans la même phase, ainsi que la différence entre les deux (erreur de 6U )correspond à chaque méthode de poursuite de courant. 169 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif a) Commande directe avec apprentissage hors ligne. b) Commande inverse à base MLP (apprentissage en ligne). c) Commande avec un régulateur PIneuronal. d) Commande par la logique floue. e) Commande classique par PI. f) Commande basée sur un régulateur à hystérésis. Fig. 5.14 Performance de la commande intelligente de l’onduleur (commande neuronale et floue) et classique. 170 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif Pour traduire de façon précise les performances de différents types de contrôleurs utilisés, le tableau 5.2 fait une évaluation selon les critères suivants : le temps de réponse (dynamique) l’erreur statique le THD du courant côté source après compensation Le tableau 5.2 précise les résultats pour chaque type du contrôleur utilisé. Dans le cas d’une tension source déséquilibrée, nous voyons que le contrôleur PI ne donne une bonne compensation en terme d’erreur et de THD du courant côté source. Le contrôleur PI neuronale basé sur l’ADALINE donne un résultat meilleur que le contrôleur PI classique. Pour les deux méthodes d’extraction des courants de référence6789 considérées : la méthode de courants actifs et la méthode synchronisée, le THD du courant côté source (pour le contrôleur neuronal, flou et classique) reste inférieur à 5%, cela satisfait la norme IEEE-519. Tab.5.2 Performance des différentes méthodes de commande intelligente et classique appliquées à la commande des courants de références au sein du FAP. Type de contrôleurs Technique d’identification Erreur statique(%) Contrôleur Contrôleur Contrôleur Contrôleur neuronal direct neuronal PI-neuronal flou hors ligne inverse MLP Synhr Cou- Synhr Cou- Synh Cou- Synhr Couactif actif actif actif 13.35 14.25 8.25 8.03 7.25 6.15 11.25 10.75 Contrôleur PI-classique Contrôleur à Hystérésis Synhr Cou- Synhr actif 14.25 13.2 10.5 Couactif 11.02 Réponse 45 42 40 47 40 37 32 24 20 40 35 43 dynamique (“O) THD côté source 1.22 1.23 0.33 0.97 0.27 0.29 0.34 0.31 0.55 0.61 0.51 0.58 (%) Facteur de 0.9990 0.9989 0.9992 0.9991 0.9992 0.99920.998990.998590.9985 0.99885 0.9990 0.9989 puissance FP Pour la commande neuronale directe avec apprentissage hors ligne d'un régulateur PI (Fig.5.14.a), on constate que le réseau de neurone arrive à des performances similaires à celles de la commande PI qu'il remplace, en témoigne l'erreur d'estimation du courant qui est évaluée à 13.35%%+14.25%. En faite, le temps de calcul pour les contrôleurs neuronaux utilisés est important dans l’apprentissage en ligne par rapport au temps de calcul en cas d’un apprentissage hors ligne. Avec une commande inverse associée à un apprentissage en ligne, le contrôleur basé sur le réseau MLP tient compte de la non-linéarité du système grâce à la fonction d’activation de type tangente hyperbolique dans la couche cachée. L’erreur d'estimation du courant est évaluée à 8.25%%+8.03% (Fig 5.14.b). L'apprentissage en ligne aboutit à une commande nettement plus performante car, contrairement à l'apprentissage hors ligne, il permet au neurocontrôleur de s'affiner tout au long du processus de commande. Pour le contrôle de l’onduleur par un régulateur PI-neuronal, la structure proposée est illustrée sur la figure 5.5. Les résultats de simulation (Fig.5.14.c) montrent que l’erreur entre le courant de 171 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif référence et le courant injecté est maintenu en dessous de 7.25%%+6.15% contre 10.5% et 11.02%avec un régulateur à hystérésis (Fig. 5.14.f). En plus, pour tester la performance et la stabilité de ces contrôleurs élaborés dans le régime transitoire (régime dynamique), la charge non linéaire change à + = 0.12O. (Fig.5.14). on constate que les contrôleurs répondent correctement et le courant injecté arrive à suivre sa référence rapidement après un demi période d’onde (25“O). Il est à noter que quatre types de contrôleur intelligents sont performants et robustes malgré les changements de la charge. Malgré que, les performances du contrôleur neuronal inverse sont très acceptables (avec 5 neurones dans la couche cachée du MLP), mais celles du régulateur neuronal proportionnelintégral restent le meilleure au regard des coûts algorithmiques bien moindres qu’il implique ainsi que, elle répond aux contraintes suivante : l’apprentissage est effectué par un ADALINE pour entrer dans une structure de calculs homogènes, seuls des opérateurs simples accompagnent l’ADALINE (une ligne à retard et une comparaison) la mise à jour des poids est compatible avec l’application temps-réel. Ceci justifie l’utilisation, dans le chapitre 4, du neurocontrôleur PI neuronal dans l’architecture complet du filtre actif parallèle, pour la poursuite de courant et ainsi que pour la régulation de la tension continue. 5.10 Résultats et synthèse de l'architecture complète du FAP Après avoir tester les différents blocs constituant notre compensateur, cette section, englobe le fonctionnement du FAP neuronal complet. L'ensemble des parties nécessaires pour une meilleur compensation des harmoniques est mise en œuvre, en simulation sur banc de test réel. En revanche, notre objectif principal est d’évaluer le filtre actif parallèle neuronal constitué dans cette thèse. 5.10.1 Modèle de simulation du FAP Le schéma global de la stratégie de compensation au moyen d'un filtre actif parallèle basé sur des techniques neuromimétiques est montré sur la figure 5.15. Dans cette approche, les réseaux de neurones sont utilisés pour l'identification des courants, l'identification des tensions et dans le bloc de commande de l'onduleur. Nous effectuons des simulations dans un environnement comprenant le réseau électrique et une charge polluante, tous deux modélisés sous Matlab/Simulink avec le Power System Blockset. Les valeurs des éléments caractérisant cet environnement complet sont identiques à ceux utilisés par [Ala-02]. Les caractéristiques de la source, de la charge polluante ou celle du filtre actif parallèle sont illustrées dans le tableau 5.3. 172 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif AC Ss Rs S) R) S) R) S) Ss Rs Ss Rs R) S° R° z PLL Onduleur S9 Filtre de R9 sortie filter " " + + Régulation de la tension continue Filtre Actif Parallèle (Shunt) FAP z Identificat ion des courants hrmonique sNeural harmonic currents ⋮ ⋮ »» . ¼ Neural current controller ⋮ ⋮ Charge Non linéaire ⋮ ⋮ Fig. 5.15 Schéma global de la stratégie de compensation par un FAP-neuronal. Tab.5.3 Caractéristiques du modèle à simulé. Source de tension triphasées Charge polluante (Non-linéaire) Caractéristiques des Lignes Filtre de sortie Bus continu de l’onduleur (régulation) Période d’échantillonnage Tensions équilibrées —˜™ = —˜š = —˜› = rC√ — V Ÿ = 240√2V; V • = 220√2V; V = 200√2V Fréquence, résistance et fréquencef = 50Hz; R = inductance de la source 3.5mΩ;Ls=0.05mH. Pont de Graetz avec un angle d’amorçage : µ=0/ . surlecotécontinu: larésistanceS° = 1±etl² inductanceR° = 2.6“´ Tensions déséquilibrées R = 0.82mΩ;L = 0.023mH R · = 5mΩ ; L· = 50μH V = 840V ; T = 1μs C = 8μF 5.10.2 Compensation classique Les approches classiques proposées dans ces comparatifs servent de référence pour l'évaluation des performances de l'approche neuronale. La plus simple est constituée d'un filtre 173 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif d'identification des courants harmoniques avec la technique des PQ conventionnelle, d'une PLL classique pour l'extraction de la tension directe, d'une commande de l'onduleur de type PI, et d'un filtre de sortie du premier ordre (c'est la solution la moins couteuse). Cette technique vaut plus pour sa simplicité, sa facilité de mise en œuvre et son coût réduit que pour ses performances. La figure 5.16 montre les performances de cette approche grâce aux courants de la source avant compensation et après compensation. Ce dernier courant est sinusoïdal mais reste néanmoins fortement bruité. Le ½´¾ côté charge est de 27.11%, il est ramené à 1.73% après compensation. ¿ÀÁ = Â. % Avant compensation ¿ÀÁ = . Âp% Après compensation ¿ÀÁ = . Âp% Après compensation Fig. 5.16 Performances dynamiques de l’approche classique avant compensation et après compensation. 5.10.3 Compensation purement neuronale Dans cette approche, les réseaux de neurones sont utilisés pour l'identification des courants, l'identification des tensions et dans le bloc de commande de l'onduleur, tel que montré dans la figure 5.15. L'identification des courants harmoniques utilise ici l’une des méthodes d’identification des courants harmoniques présentées dans le chapitre quatre, implémentées avec 174 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif des éléments ADALINE. La commande de l'onduleur est effectuée au moyen du contrôleur neuronal. Les courants sont restitués au réseau électrique via un filtre de sortie du premier ordre. Les résultats de simulation présentés au dessous, sont évalués en adoptant la technique synchronisée pour extraire les courants de référence 6789 car elle a besoin d’utiliser la PLLrobuste. Ce choix a pour but de tester, d’un côté la méthode d’identification neuronale, la PLL neuronale proposée ainsi que les régulateurs contrôleurs neuronaux développés pour assurer une commande de l’onduleur adaptative et robuste. En revanche, ces résultats fait une évaluation du FAP neuronale complet (Fig.5.15), dans le cas le plus défavorable correspondant à une tension source déséquilibrée et sous une charge qui subie un brusque changement à l’instant+ = 0.12O. Les résultats de simulation illustrés dans les figures 5.17, 5.18 et 5.19 présentent respectivement, avant compensation et après compensation, le courant de référence /injecté (Fig. 5.17.a, 5.18.a et 5.19.a), l’erreur de courant entre 6;<= %+6789 , le courant côté source, le déphasage entre la tension directe et le courant côté source, la puissance instantanée active et réactive estimée par la méthode synchronisée neuronale et le facteur de puissance Ã2. A l’instant + = 0.04“O, on branche le FAP, le courant d’injection commence à suivre sa consigne (courant de référence) et les contrôleurs neuronaux directe, inverse et PI neuronal corrigent l’erreur entre 6;<= et 6789 (Fig 5.17.b, 5.18.b et 5.19.b) et le courant côté source devient sinusoïdal. Lorsque, la charge nonlinéaire subit un déséquilibre brutale (se réduit à S° = 0.5±)à + = 0.12O, les contrôleur neuronaux continuent à corriger efficacement l’erreur entre 6;<= %+6789 et le courant côté source reprend sa forme sinusoïdal après un certain temps d’apprentissage (ici environ40“O) (Fig. 5.17.c, 5.18.c et 5.19.c). Ainsi, en constate que, l'apprentissage en ligne des réseaux de neurones (commande inverse et commande par un PI neuronal), permet une adaptation de la compensation aux fluctuations des perturbations sans pics2 par rapport à l'apprentissage en ligne (commande directe et inverse). Les bonnes performances de la compensation du courant de la charge, par la technique purement neuronale sont confirmées par les figures 5.17.h, 5.18.h et 5.19.h qui illustrent la décomposition spectrale du courant côté réseau (phase ’a’) pour les harmoniques 5, 7, 11, 13, 17%+19. Les amplitudes de ces harmoniques sont fortement atténuées grâce à l'approche neuronale et représentent moins de 1% de la composante fondamentale après compensation. Les THD de cette approche (contrôleurs neuronaux directe, inverse et PI neuronal) sont, respectivement 1.22%, 0.35%, et 0.27% au lieu de 1.73% avec l'approche classique. Le déphasage entre le courant compensé obtenu avec la méthode synchronisée neuronale et la tension directe estimée par la PLL neuronale proposée a également été réduit c’est à dire que le facteur de puissance FP (0.9992) est proche de l’unité (Fig 5.17.d, 5.18.d et 5.19.d). En plus, la puissance active ?tend vers une valeur constante et la puissance réactive• oscille autour du zéro (Fig 5.17.e, 5.18.e et 5.19.e). 2 Les pics correspondant au régime dynamique de courant. L’élimination de ces pics peut se faire par une augmentation de la tension continue X() . Cela entraîne une élévation des pertes et ajoute des harmoniques à haute fréquence dans le courant en amont du FAP. 175 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif a) ¿ÀÁ = Â. % Avant compensation b) d) c) e) f) g) ¿ÀÁ = . % Après compensation h) Fig. 5.17 Performances de la compensation des harmoniques par les approches neuronale : utilisation d’un contrôleur neuronal direct pour une source déséquilibrée (réponse dynamique du FAPNeuronal). 176 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif a) b) a) ¿ÀÁ = Â. % Avant compensation d) c) e) f) g) ¿ÀÁ = C. pq% Après compensation h) Fig. 5.18 Performances de la compensation des harmoniques par les approches neuronale : utilisation d’un contrôleur neuronal inverse pour une source déséquilibrée. Commande inverse 177 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif b) a) ¿ÀÁ = Â. % Avant compensation c) d) e) f) g) ¿ÀÁ = C. Â% Après compensation h) Fig. 5.19 Performances de la compensation des harmoniques par les approches neuronale : utilisation d’un contrôleur PI-neuronal pour une source déséquilibrée. 178 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif a) ¿ÀÁ = Â. % Avant compensation b) c) d) e) f) g) h) ¿ÀÁ = C. pr% Après –comp Fig. 5.20 Performances de la compensation des harmoniques par les approches neuronale : utilisation d’un contrôleur –flou pour une source déséquilibrée 179 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif 5.10.4 Compensation combinée neuronale/flou Dans ce cas tous les blocs du FAP sont simulés par l’approche neuronale ci-dessus (section 5.8.3), sauf la commande de l’onduleur qui a été élaborée par la logique floue (Fig 5.15). Les résultats sont illustrés dans la figure 5.15. On constate que, le THD (0.31%) est très acceptable ainsi que le facteur de puissance est très proche de l’unité (0.9989). Ceci justifié que l’étape d’extraction des courants de référence est l’étape la plus importante dans la compensation des courants harmoniques au sein d’un filtre actif parallèle. 5.10.5 Compensation combinée neuronale/classique Pour faciliter l’évaluation de notre compensateur, plusieurs combinaisons ont été étudiées telle que la PLL classique / PLL neuronale proposée, la méthode diphasée à base FPB / la méthode diphasée à base ADALINEs, la méthode synchronisée sous tension source déséquilibrée / la méthode synchronisée sous tension source polluée et la commande par hystérésis / la commande par un PI neuronal. Suite à une série de simulations basée sur les techniques classiques, l'association des techniques classiques avec celles utilisant les réseaux de neurones et finalement l'utilisation des techniques exclusivement neuronales, nous résumons les résultats des différentes combinaisons dans le tableau 5.4 et 5.5. Le THD de départ côté charge est de 27.11%. Avec la méthode diphasée et la méthode synchronisée classique utilisant des FPB, l'utilisation d'une commande à base d’hystérésis et une PLL conventionnelle, résulte un THD supérieure à 1.89%. Par contre, si on introduisant l’approche neuronale dans l’un des blocs constituant le FAP, le THD se réduit d’une valeur très acceptable, surtout dans le bloc de synchronisation ( PLL). Par exemple, Avec la méthode diphasée et la méthode synchronisée classique utilisant des FPB, l'utilisation d'une commande à base d’un PI neuronale et une PLL neuronale proposée permet de réduire le THD à une valeur inférieurà0.53%. À partir des résultats illustrés dans le tableau 5.4 et 5.5, on peut conclure que: la compensation du courant côté source en utilisant la PLL neuronale est le plus performant que celui utilisant la PLL classique. ce qui justifie l’importance, d’un coté, du système de synchronisation dans l’efficacité de la commande du FAP et d’autre côté, des réseaux de neurones artificiels ‘ADALINE’qui sont insérés au sein du PLL afin de rendre la synchronisation au réseau électrique plus robuste et adaptative. Toutes les combinaisons qui tiennent compte de la PLL neuronale proposée (utilisée pour l’extraction des composantes symétriques de tension et la détection de la phase instantanée du réseau) permettent de réduire le THD, après compensation, à des valeurs très acceptables. la combinaison la plus efficace d'après notre comparatif (THD à été réduit à 0.24%) est celle utilisant la méthode des courants synchronisée neuronale pour l'identification des courants harmoniques (avec une PLL neuronale proposée) et la commande PI neuronale pour la restitution de ces mêmes courants dans le réseau électrique. Les bons résultats obtenus par cette approche s’expriment principalement en termes de réduction significative du THD, temps de réponse court et amélioration du facteur de puissance vers l’unité. Ces résultats sont aussi justifiés par la qualité de la régulation de la tension du bus 180 Chapitre 5 : Commandes Intelligentes Neuromimé omimétiques en Filtre Actif continu de l’onduleur. Cependa pendant, quelque soit le changement effectuéé dans le réseau électrique, la compensation par l'approche proche neuronale est toujours plus efficace qu'un qu'une compensation par l'approche classique. Tab.5.4 Résultats comparatifs atifs entre e les différentes combinaisons des techniq chniques de compensation Après compensation (la méthode des courants Diphasées) PLL neuronale le (bas (basée sur PLL conventionnelle Adalines) Contrôleur Contrôleur Contrôleur Con Contrôleur Hystérisis PI-neural Hystérisis PI PI-neural La méthode Diphasée neuronale (Avec Adalines) La méthode méth Diph Diphasée (Avec Filtre Pass--Bas ) ÇÈÉ (%) Charge Non-linéaire éaire équilibrée Charge Non-linéaire éaire déséquilibrée éaire Facteur de Charge Non-linéaire puissance équilibrée Charge Non-linéaire éaire ÅÆ déséquilibrée 5.07 0.53 3.56 1.93 5.10 0.48 1.10 1.90 0.51 3.65 1.89 Avant compensation ( FAP ) 0.71 27.11 0.48 1.12 1.90 1.11 0.9663 0.9973 0.9989 0.9992 0.999 0.9926 0.9927 0.9927 0.9980 0.9616 0.9955 0.9984 0.998 0.9989 0.9856 0.9855 0.9981 0.9982 0.9596 Tab.5.5 Comparaison entre la PLL PL conventionnelle/PLL neuronale et contrôleur ôleur à hystérésis/contrôleur PI-neuronale. Tension source déséquilibrée Après compensation (la méthode Synchronisée neuronale) Tension Ten s source Polluée ée par pa les harmoni rmoniques 5harm +7 + harm Charge Non-lin linéaire équilibrée Charge Non-lin linéaire déséquilibrée THD (% ) Facteur de puissance ÅÆ Contrôleur Hystérisis Contrôleur PI-neural Avant PLL neuronale (baséee sur compensation Adalines) (FAP ) Contrôleur Contrôle ntrôleur PI-neur neural Hystérisis 1.99 1.73 0.30 PLL conventionnelle 4.47 1.99 0.24 4.40 0.95 1.83 0.30 4.47 0.89 27.11 0.27 4.40 0.95 0.89 Charge Non-lin linéaire équilibrée 0.9666 0.9768 0.9989 0.999 0.9135 0.9130 0.9898 0.9 0.9899 Charge Non-lin linéaire déséquilibrée 0.9667 0.9769 0.9992 0.9992 0.9130 0.9093 0.9898 0.9 0.9898 0.9596 6 Ih/I1 ( % ) Après compensation Ih/I1 ( % ) Après compensation Diph Diphasée -Adaline 4 3 2 1 0 3 5 7 11 13 17 19 23 25 29 Diphasée-FPB 3 Diph Diphasée-FPB 5 31 35 37 Rang d'harmoniqu nique 'h' Fig. 5.21 Spectre d’harmoniqu onique du courant coté source (phase a) après ès com compensation : sous une tension source polluée poll par les harmoniques 7harm et 5harm. Diphasée -Adaline 2,5 2 1,5 1 0,5 0 3 5 7 11 13 17 19 23 25 29 31 35 37 Rang d'harmon onique 'h' Fig. 5.22 Spectre d’harm ’harmonique de courant coté source (phase a) après ccompensation: sous une tension source déséquilib équilibrée. 181 Chapitre 5 : Commandes Intelligentes Neuromimétiques en Filtre Actif 5.11 Conclusion Dans ce chapitre, nous avons intéressé à l’implication des techniques intelligentes neuronales dans le contrôle des courants de références afin de les restituer correctement dans le réseau triphasé à travers un onduleur et un filtre de sortie. Ces contrôleurs sont nécessaires pour élaborer de façon adéquate les impulsions de commande des interrupteurs de l’onduleur. Trois familles de contrôleurs sont principalement utilisées pour la commande de l’onduleur. Il s’agit du PI-neuronale, du contrôleur direct, et du contrôleur inverse. En plus, la technique que nous avons utilisée pour contrôler la tension aux bornes du condensateur '() est, aussi un régulateur neuronal afin de fixer la tension continue X() à une valeur, préalablement, constante. Après avoir testé indépendamment chaque partie du FAP dans les chapitres précédents, notre étude a porté ici sur le système complet incluant toutes les fonctionnalités du FAP. Les modèles et l’ensemble des simulations sont réalisés dans l’environnement Matlab/Simulink. L’objectif est de valider et de montrer l’efficacité de la compensation active à base du RNAs linéaire nommée ADALINE. Des comparatifs entre les différentes combinaisons des techniques de compensation sont établis. La possibilité d'utiliser conjointement les techniques classiques, floues et neuronales a été abordée. Cependant, pour différentes condition de fonctionnement, la structure homogène basée exclusivement sur des réseaux neuromimétiques dans toutes les parties du FAP s'est montrée la plus efficace et la plus robuste car elle permette d'améliorer sensiblement les performances du compensateur actif par rapport aux techniques classiques et floues en terme d'amélioration du THD (inférieurs à 1%), du facteur de charge par la compensation de la puissance réactive et de la possibilité d'extraire et de compenser d'une manière sélective chaque rang harmonique. Cet objectif étant atteint grâce aux capacités d'adaptation de notre FAP neuronal face à des variations importantes des paramètres du réseau électrique. 182 Conclusion Générale Conclusion Générale D ANS cette thèse, nos travaux contribuent à l'’elaboration des stratégies d'identification et de commande basées sur les techniques intelligentes neuromimétiques et appliquées à un système de filtrage actif parallèle (FAP) afin d'améliorer ses performances par rapport aux approches classiques de dépollution des installations électriques basse tension, d’obtenir de nouvelles possibilités de fonctionnement (compensation sélective des harmoniques, correction du facteur de puissance, correction du déséquilibre, etc…) et de tendre vers une structure homogène de calculs (efficiente pour l’intégration conjointe logicielle/matérielle). Après avoir abordé les origines et les conséquences des différentes perturbations qui peuvent survenir dans un réseau électrique, des solutions de dépollution ont été profondément examinées. Le choix d'une solution basée sur les principes de filtrage actif type parallèle (FAP) a été retenu. Le second chapitre avait pour objectif de présenter un état de l’art sur les Réseaux de Neurones Artificiels (RNAs) appliqués à l’identification et à la commande des systèmes dynamiques complexes et particulièrement au filtrage actif. Nous avons exposé le processus d´apprentissage et les différents algorithmes d´apprentissage. Ensuite, nous avons discuté les différents schémas d´identification et de commande neuronales de systèmes dynamiques. Quelques avantages d´utilisation des RNAs dans la commande et l´identification des systèmes électriques par rapport aux techniques classiques et aux autres techniques intelligentes on été aussi évoqués. La suite de ce travail de recherche a été consacrée à l’application des RNAs pour l’identification et la compensation de distorsions harmoniques à partir d’un schéma de FAP caractérisé par l'ensemble contrôle-commande que nous avons partagé en trois parties qui sont : l'extraction des composantes symétriques de la tension (chapitre 3) ; l'identification des courants de compensation (chapitre 4) ; la génération des signaux de commande de l’onduleur (chapitre 5). La première partie de nos recherches est dédié au problème de la synchronisation du FAP avec le réseau électrique car, une détection précise et rapide de la phase instantanée de la tension du réseau est essentielle pour assurer la génération correcte des courants de référence. De plus, la boucle à verrouillage de phase (PLL) utilisée dans le filtrage actif doit prendre en compte les tensions déformées (perturbées). Cet objectif a été atteint en proposant une PLL neuronale triphasée adaptative composée de deux blocs : le premier bloc fait l’extraction des composantes symétriques de la tension source en utilisant la méthode des puissances instantanées PQneuronale à base de RN linéaire de type ADALINE (ADAptive LInear NEuron), tandis que le deuxième fait la détection de la phase instantanée de la composante directe de la tension à l’aide d’un nouveau système VCO-neuronal (Voltage Controlled Oscilator) triphasé à base, aussi d'un réseau ADALINE nommé PI-neuronal. Une deuxième PLL-neuronale à base d’un ADALINE de forme récursive a été aussi étudiée. Afin d’évaluer la performance des deux PLL neuronales proposées, plusieurs tests ont été effectués en élaborant leurs réponses dynamiques sous une 183 Conclusion Générale tension source présentant des défauts tels que : le déséquilibre, la pollution, la coupure d’une phase, la chute au niveau de phase et la chute identique sur les trois phases. Avec leurs aptitudes adaptatives, les avantages des deux méthodes neuronales par rapport à une PLL conventionnelle conçue avec un filtre passe-bas et un régulateur PI, sont de meilleures performances, du fait d’être plus rapides, robustes aux variations des paramètres du système électrique, être capables de récupérer (identifier) en plus de la composante directe, les composantes inverse et homopolaire de la tension et peuvent suivre en temps réel les variations de la fréquence du réseau électrique. La seconde partie est la plus importante dans la commande du FAP. Elle a été élaborée pour estimer l'ensemble des courants harmoniques émis par les charges non linéaires connectées au réseau électrique basse tension, la puissance réactive ou une certaine catégorie d'harmoniques afin d’assurer une identification correcte des harmoniques quelques soient les conditions de fonctionnement. Il s’agira d’être apte à fournir les bonnes références de courant même en présence de dissymétrie ou de pollution harmonique de la tension source, ainsi que lors de la variation d’un paramètre quelconque du réseau électrique. C’est ainsi que diverses méthodes d’identification des harmoniques de courant ont été développées, analysées et comparées en simulation. Il s´agit de la méthode classique des puissances instantanées (avec FPB), la méthode des courants diphasés avec Filtre Multi-Variable (FMV) et des nouvelles approches neuronales qui sont basées sur l’apprentissage des puissances ou des courants à l’aide de réseaux ADALINEs mais chacune s’appuie sur une stratégie différente afin d’atteindre un objectif fixé. Les méthodes des puissances instantanées P-Q et P-Q modifiée ainsi que la méthode des courants actifs travaillent dans l’espace des puissances à l’inverse de la méthode synchronisée, directe, diphasée et trimonophasée qui travaillent dans l’espace des courants mesurés. Les résultats comparatifs montrent la supériorité des approches neuronales en termes de précision, fiabilité, robustesse et rapidité par rapport à la méthode classique PQ avec FPB ou bien la méthode à base de FMV. En fait, des tableaux et des figures illustrent les améliorations les plus significatives obtenues avec ces techniques d'identification neuromimétiques. Les méthodes neuronales : courant actif et synchronisée offrent une meilleure compensation du taux de distorsion d´harmoniques (0.30%) et un bon facteur de puissance (0.9992). Ceci est la preuve que le filtrage des harmoniques à base d’ADALINE, s’est fait en même temps que la compensation de la puissance réactive. Dans la phase trois, la génération des courants à injecter, à partir des courants de références identifiés, a été traitée à l’aide de quatre types de contrôleurs basés sur des techniques intelligentes (les réseaux neuromimétiques et la logique floue). Ces contrôleurs de courant sont nécessaires pour élaborer de façon adéquate les impulsions de commande des interrupteurs de l’onduleur. Deux schémas de commande utilisant des réseaux de neurones multicouches MLP : un contrôleur direct et un contrôleur inverse basés sur un apprentissage hors ligne et en ligne respectivement, ont été abordés. Le troisième schéma reprend le principe d'un régulateur PI et emploie un réseau ADALINE pour adapter les paramètres proportionnel et intégral en temps réel. Il est extrêmement simple à mettre en œuvre et nécessite peu de ressources algorithmiques. Le quatrième schéma utilise un contrôleur flou. En plus, la régulation de la tension continue de l’onduleur a été élaborée afin d'assurer une bonne conversion d’énergie en se basant aussi sur un 184 Conclusion Générale apport des techniques neuromimétiques puis sur un régulateur flou. Les contrôleurs neuronaux proposés ont été évalués et testés en simulation, en faisant une comparaison avec les contrôleurs à hystérésis, PI classique et flou. Des tableaux comparatifs synthétisent les résultats et les performances de chaque approche. Finalement, le système de filtrage global constitué de la source, de la charge non linéaire et du FAP, pour différents schémas de commande, a été simulé par le logiciel Matlab/Simulink. Pendant le processus d’apprentissage, l’algorithme de mise à jour des poids des ADALINEs utilisé dans les différents blocs est la règle LMS (Widrow-Hoff modifiée). Des comparatifs entre les techniques classiques et les approches intelligentes neuronales ont été menées. De même, l'utilisation conjointe des techniques classique-neuronale et floue-neuronale ont été abordées. À partir des résultats de simulation obtenus, nous pouvons affirmer que l'ensemble des objectifs de contrôle-commande, que nous nous étions fixés au départ de notre travail, a pu être satisfait par notre approche « tout neuromimétique ». Nous avons ainsi obtenu de très bons résultats au niveau de : l'identification de la fréquence du réseau et des paramètres de la tension, l'identification des courants harmoniques, la restitution dans le réseau électrique des courants de compensation, la compensation de la puissance réactive et la correction du facteur de puissance. En plus, grâce à un processus d'apprentissage, l’avantage majeur de ce FAP-neuronal est sa capacité adaptative à appréhender les changements, notamment les variations du contenu harmonique lorsque la charge non linéaire change, les variations de puissance, le déséquilibre, ou encore les fluctuations de la fréquence fondamentale. Ainsi, notre stratégie basée exclusivement sur des techniques neuromimétiques s'avère de nature très homogène et rend le filtre actif nettement plus robuste par rapport à un schéma de commande classique. Cette caractéristique sera comme prévue avantageusement exploitée en termes d'optimisation des ressources « logiciel et /ou matériel » lors de l'implantation numérique. En faite, c'était l'un de nos principaux objectifs de ce travail de recherche. Perspectives Nous allons poursuivre nos investigations dans cette voie d’identification-commande des systèmes dynamiques complexes non linéaires par des techniques intelligentes neuromimétiques et son application dans le domaine des filtres actifs pour les réseaux électriques tels que : Les développements proposés dans cette thèse dans le cadre du filtrage actif FAP pourront servir directement à concevoir un filtre universel (la combinaison parallèle-série actifs (UPQC)) capable de gérer les transmissions de puissances dans les lignes de distribution. Utilisation des onduleurs multiniveaux dans les schémas des filtres série, hybride et Filtre universel (UPQC) afin d’obtenir un filtre actif neuronal qui a des performances bien supérieures. Les onduleurs multiniveaux présentent comme principal avantage la réduction des contraintes en tension sur les interrupteurs de puissance pour être capables de travailler en haute tension. Les réseaux de Neurones Artificiels, leur architecture et leur apprentissage, peuvent être améliorés pour conduire à une réduction des coûts algorithmiques tout en garantissant des performances supérieures aux tâches de commande et d’identification par rapport aux approches conventionnelles. 185 Annexes ANNEXE A A.1. Modélisation d’un système triphasé Un système de distribution électrique peut être modélisé par les systèmes de tensions et de courants (en régime permanent) suivants : Dans le repère abc ( )= ( )= ) % & % & √2 √2 √2 √2* √2* √2* )1 0 ) 1 0 $ ('. 1) ) !"#( ( (− , -1 0 +− ,. - 1 0 $ ('. 2) ,) !"#( + où est le rang de l’harmonique, / est le rang de l’harmonique a plus élevée à prendre en considération. Les matrices , et sont données dans [Aka-07]. Dans (1) et dans (2), , , et sont respectivement les phases instantanées des systèmes direct, inverse et homopolaire de tension et de courant. Si est la phase instantanée de tensions (θ,) est la phase instantanée de courant alors, dans le régime permanent, la pulsation propre 1 est exprimée par : 1= 2 2 = 2 2 2 2 = ; ,4 = ( 2 2 = 4 + 64 )7 8!9 = 2, ), 0 avec9 = 2, ), 0 sont indices signifient les composantes directes, inverse et homopolaire. 64 est le déphasage entre la tension et le courant. , (Sous-matrices de Clarke) et ( ) (matrice de rotation) définies par (Annexe. A2). Dans le repère α−β−0 Pour simplifier en terme de calcul des paramètres, la transformation de Concordia dans le repère et aussi ) dans le repère aα−β−0 sera faite en menant un système de trois variables b-c vers les variables ?@ et ) ?@ dans le repère α-β-0. Nous obtiendrons alors : ?@ ) 2 ( ) = A C 3 ?@ 2 ( ) = A C 3 √2 D . ( )= )1 0 √3 (− ) 1 0 $ ('. 3) ) √6 !"#( √3 % & ( = (3) √2 D .) ( )= % & √3* ( , ) 1 0 √3* (− ,. ) 1 0 $ ('. 4) √6* !"#( , ) 186 Annexes A.2. Matrices de passage A.2.1 Transformation de Clarke et Concordia Les transformations de Clarke et Concordia permettent de passer d'un système triphasé en abc à un système diphasé. La transformation de Clarke conserve l'amplitude des grandeurs mais pas la puissance ni le couple. La transformation de Concordia, qui est normée, conserve quand à elle la puissance mais pas les amplitudes [Oul-05]. A.2.1.1 Transformation de Clarke Sous-matrices de Clarke sont : = 1 1 0 √3⁄2 I = G−1⁄2 ⁄ −1 2 − √3⁄2 1 1 , Sous-matrices de Clarke transposées sont : 1 , 1 1 Propriétés des sous-matrices de Clarke . . 1 =J 0 0 K, 1 = 0 0 , = . , 0 =J K 0 A.2.1.2 Transformation de Concordia La Matrice de Concordia est : R , = . . N M = M− M L− − − − Q P − P, P O 1 0 = S G−1⁄2 √3⁄2 I −1⁄2 − √3⁄2 La Matrice de Concordia transposée est :R A.2.1.3 Transformation de Park 1 −1⁄2 −1⁄2 = C D 0 √3⁄2 − √3⁄2 1 = S C 0 −1⁄2 −1⁄2 D √3⁄2 − √3⁄2 La transformation de Park s'effectue par un passage d'un système triphasé vers un système diphasé suivi d'une rotation. Elle permet de passer du repère abc vers le repère αβ puis vers le repère DQ. Le repère DQ forme avec le repère αβ un angle appelé angle de la transformation de Park. La transformation de Park conserve les puissances [Dzo-11]. La matrice de rotation de Park P avec un angle de rotation est donnée comme suit : !"#( ) −#) ( ) ( )=C D #) ( ) !"#( ) 187 Annexes ANNEXE B B1. Interprétation physique des puissances active, réactive et homopolaire Le schéma Fig. B1 exprime le flux de transfert d’énergie entre la source et la charge : T + TU : Puissance transmise totale instantanée. V : Puissance échangée entre les phases sans contribuer au transfert d’énergie. La signification physique de toutes les puissances instantanées doit être claire et intuitive avant d’utiliser la théorie P-Q pour la conception des filtres actifs. Les puissances instantanées définies par la théorie P-Q dans le domaine temporel sont indépendantes des valeurs efficaces des tensions et des courants. Cette théorie considère le concept conventionnel du domaine fréquentiel de la puissance active et réactive définie pour le système triphasé sinusoïdal équilibré comme un cas particulier [Ngu-10.b]. Système « A » 7 W ! ) V T + TU ) Système « B » ) Fig. B1. Représentation des puissances échangées entre deux systèmes électriques triphasés et connectés ensemble [Ngu-10.b] La Fig. B1 montre les puissances transmises entredeux systèmes connectés. Ces systèmes sont typiquement un système d’alimentation et un système de consommation, autrement dit une source et une charge. Les puissances impliquées dans le transfert d’énergie au sein d’un réseau électrique sont de natures diverses. On distingue généralement : La puissance activeT : L’objectif des systèmes de distribution est le transfert d’énergie de la source aux charges. L’énergie sur l’unité de temps est la puissance active instantanée. Plus cette valeur est grande et constante, plus le système de distribution est optimal. La puissance active instantanée se compose d’une partie continue et d’une partie alternative. La partie continue est utile car elle contribue directement à la consommation d’énergie active. Par contre, la partie alternative n’est pas utile et induit des effets indésirables tels que des échauffements de câbles et de transformateurs, des vibrations, etc. 188 Annexes La puissance réactive V: La puissance réactive, indépendante de la présence des harmoniques ou du déséquilibre, ne contribue pas au transfert d’énergie entre la source et la charge. Cette puissance représente une quantité d’énergie échangée entre les phases du réseau et n’est pas consommée par la charge. Elle se compose également des parties continue et alternative. La présence de la puissance V fait baisser le facteur de puissance et l’efficacité de la distribution d’énergie. La puissance homopolaire TU : Cette composante de puissance a les mêmes caractéristiques que la puissance instantanée dans le cas d’un système monophasé. Composée de deux parties, sa partie continue contribue au transfert d’une énergie consommable et sa partie alternative transfert ´ également de l’énergie instantanément mais à une fréquence différente induisant des effets néfastes. La partie continue de la puissance homopolaire peut augmenter l’énergie totale transférée. De ce point de vue, elle apparaît comme intéressante et utile. Il faut cependant noter que TU ne peut être XU . En effet, cette puissance est obligatoirement composée uniquement constituée que deT XU et T YU , et une élimination de T Y va de pair avec une élimination de T XU . des parties T B.2. Théories des puissances instantanées P-Q Améliorer la qualité du transfert de l’énergie passe par la suppression de certaines composantes de puissance. Il faut pour cela identifier et compenser les courants harmoniques et réactifs (représentés par la puissance réactive) qui sont produits par les charges non linéaires. Les filtres actifs sont des solutions efficaces car ils intègrent une stratégie d’identification des courants harmoniques et réactifs. Une première stratégie à été proposée par [Aka-06], elle est basée sur le calcul des puissances instantanées. les puissances active et réactive absorbées par la charge d’un réseau triphasé, respectivement Z et [, sont séparées par les composantes continues et alternatives comme suits’expriment ainsi : La puissance réelle Z = Z̅ + Z] = Z + Z + Z La puissance imaginaire [ = [^ + [] = [ + [ + [ La puissance homopolaire Z = Z̅ +Z] avec : = Z̅ + Z̅ + +Z] + Z] + Z] = [^ + [^ + +[] + [] + [] (_. 1) Z̅ , Z̅ , Z X représentent des composantes continues de la puissance active et sont crées par le produit des tensions et des courants direct, inverse et homopolaire respectivement et à la même fréquence. Z] , Z] , Z] représentent des composantes alternatives de la puissance active et sont crées par le produit de tensions et de courants direct, inverse et homopolaire respectivement et à des fréquences distinctes. Z] est une composante de puissance active née du produit entre le système direct des tensions et le système inverse des courants et vice-versa. La même décomposition peut être effectuée pour la puissance réactive q. 189 Annexes Pour la puissance active Z , nous avons : = % = & ( +√3 % % 3 & `& = % Z = ?@( ) . ) )1 `* `* 3 & & cos (−a Z̅ = 3 & `* cos+− + % , -= & 0 - , ) 1 0 (_. 2) + La valeur moyenne de cette puissance vaut : % , )1 +√3* ( 1 0 (−a % `& 0 -. % ?@( ) + , ) 3 `* cos (6 ) De la même manière, les puissances active Z et homopolaireZ , sont également développées comme suit :Z = ?@( ) . ) ?@( ) = = % & 3 * La puissance Z = % `& % Z= & 3 . ) cos(6 ) + * cos(6 ) + % `d % & 3 % % `d `* & 3 cos+a `* % & 3 `* = cos+a ?@( ) . ) + ?@( ) + ,. - + % `& % & − % % , -+ − est donnée par l’expression suivante : Z cos+a `& ?@( ) . ) 3 `* & ?@( ) cos+a ,. - = Z̅ +Z] (_. 3) 3 + `* cos+a + ,- (_. 4) , - (_. 5) La partie non active de la puissance (abusivement appelée « puissance réactive ») est obtenue en remplaçant les termes cos(.) par les termes sin(.) dans les expressions(_. 2), (_. 3), (_. 4)8 (_. 5). Nous remarquons que toutes les puissances instantanées sont décomposées en deux parties : moyenne (continue) et alternative sauf la puissanceZ . Dans notre étude on élimine la composante homopolaire car le réseau de distribution étudié est de trois fils. 190 Bibliographie H.Akagi, Y. Kanazawa et A. Nabae. Generalized theory of the instantaneous reactive power in three-phase circuits. In IPEC'83, Int. Power Electronics Conf., pages 1375-1386, Tokyo, Japan, 1983. H.Akagi, Y. Kanazawa, and A. Nabae. Instantaneous reactive power compensators comprising switching devices without energy storage components. IEEE Transactions on Industry Application, vol. IA-20, no. 9, pp. 625–630, 1984. H.Akagi, A. Nabae, S. Atoh. Control strategy of active power filters using multiple voltage-source PWM converters. IEEE Transactions on Industry Applications, vol. IA-22, pp. 460–465, 1986. H. Akagi, E. H.Watanabe, and M. Aredes. Instantaneous Power Theory and Applications to Power Conditioning. John Wiley Sons, Inc., New Jersey, 2007. M.A.E. Alali, Y.A. Chapuis, S. Saadate et F. Braun. Advanced common control method for shunt and series active compensators used in power quality improvement. IEE Proceedings Electric Power Applications, vol. 6 p. 658-664, 2004. M.A.E. Alali. Contribution à l'Etude des Compensateurs Actifs des Réseaux Electriques Basse Tension (Automatisation des systèmes de puissance électriques). Thèse de doctorat, Université Louis Pasteur, 2002. M. A. Akcayol. Application of adaptive neuro-fuzzy controller for SRM. Advances in Engineering Software p. 129 - 137, 2004. M. Aredes and E. Watanabe. New control algorithm for series and shunt three-phase four-wireactive power filters. IEEE Transactions on Power Delivery, vol. 10, no. 3, pp. 1649–1656, 1995. M. Abdusalam, P. Poure and S. Saadate. Study and experimental validation of harmonic isolation based on Self-Tuning-Filter for threephase active filter. ISIE, IEEE International Symposium on Industrial Electronics, Cambridge, UK, 2008. Q. Ai, Y. Zhou, and W. Xu. Adaline and its application in power quality disturbances detection and frequency tracking. Electric Power Research, vol. 77, pp. 462–469, 2007. M. Boudjedaim, P. Wira, D. Ould Abdeslam, S. Djennoune, J.P. Urban. Commande d'un onduleur avec des approches neuromimétiques pour la compensation des courants harmoniques dans les réseaux électriques. Conference ICEEA08. 2008. L. Baghli. Contribution à la commande de la machine asynchrone, utilisation de la logique floue, des réseaux de neurones et des algorithmes génétiques. Thèse de Doctorat, Université Henri Poincaré-Nancy 1, 1999. R. Bansal, T. Bhattir, D. Kothari. Artificial intelligence techniques for reactive power/voltage control in power systems. A review International journal of power and Energy systems,Vol.23, no.2,pp81-89, 2003. B. Burton, F. Kamran, R. Harley, T. Habetler, M. Brooke et R. Poddar. Identification and control of induction motor stator currents usingfast on-line random training of a neural network. IEEE Industry Applications Conference, volume 2, pages 1781-1787, Orlando, FL, USA, 1995. B. K. Bose. Neural network applications in power electronics and motor drives - an introduction and perspective. IEEE Transactions on Industrial Electronics, vol. 54, no. 1, pp. 14–33, 2007. B. Bose. Artificial neural network applications in power electronics. In IEEE Industrial Electronics Society, IECON '01, volume 3, pages 1631-1638, Denver, CO, USA, 2001. B.K. Bose and J. Renders. Neural Network Applications in Power. Algorithmes génétiques et réseaux de neurones. Ed. Hermès, 1995. S. Bhattacharya, D. M. Divan, B. Banerjee. Synchronous Frame Harmonic Isolator using active series filter. EPE 91, Vol.3, Florence, pp30-35, 1991. A.Bechouche Utilisation des techniques avancées pour l’observation et la commande d’une machine asynchrone : application à une éolienne. Thèse de doctorat. 2013. M.C. Benhabib, E.Jacquot, S.Saadate. An Adnenced Control Apprich for a Shunt Active Power Fiilter. Conférence International on énergie renouvelable et qualité d’énergie, Vigo Espagne, 2003. W. Chang and T.C. Shee. A Comparative Study of Active Power Filter Reference Compensation Approaches. IEEE Power Engineering Society Summer Meeting, Vol. 2, pp. 1017-1021, 2002. M. Cirstea,A. Dinu, and J. Khor. Neural and Fuzzy Logic Control of Drives and Power Systems. Elsevier Science and Technology Book, 2002. A. Chaoui. filtrage actif triphasé pour charges non linéaires. Thèse de doctorat. 2010. P. Caramia, G. Carpinelli, and P. Verde. Power Quality Indices in Liberalized Markets. Wiley and Sons, Ltd, 2009. A. Dell'Aqila, G. Delvino, M. Liserre et P. Zanchetta. A new fuzzy logic strategy for active power filter. In International Conference on Power Electronics and Variable Speed Drives, pages 392-397, London, UK, 2000. G. Dreyfus, J. Martinez, M. Samuelides, M. Gordon, F. Badran, and L. Thiria, S. et Hérault. Réseaux de neurones : méthodologie and applications. Eyrolles, Paris, 2002. P. Dash, D. Swain, A. Routray, and A. Liew. An adaptive neural network approach for the estimation of power system frequency. Electric Power Systems Research, vol. 41, pp. 203–210, 1997. P. Dash, A. Liew, D. Swain, and B. Mishra. Fast tracking of transient power system signals using fuzzy LMS algorithm. International Journal of Electrical Power and Energy Systems, vol. 20, no. 8, pp. 555–561, 1998. P. K. Dash, B. R. Mishra, R. K. Jena et A. C. Liew. Estimation of power system frequency estimation using adaptive notch filters. In in Proc. EMPD· S98, IEEE Cat., page 143-148, 1998. P. Dash, D. Swain, A. Routray et A. Liew. An adaptive neural network approach for the estimation of power system frequency. Electric Power Systems Research, vol. 41 p. 203-210, 1997. S. R. Dzondé, H. Berviller, J-P. Blondé, F. Braum, C.H. Kom. FPGA implementation of harmonic currents detection methods using neural networks. In proceeding of the 13ème European conference on power electronics and application (EPE’09),Barcelona, Spain, CD-ROM, Sept. 8-10ème, 2009. S.R. Dzondé. Naoussi. Implantation de réseaux neuromimétiques sur cible FPGA-Application de l’intégration d’un système de filtrage actif Thèse de Doctorat, Université de Strasbourg, 2011. S. R. Dzondé, C.H. Kom, H. Berviller, J-P. Blondé, D. Flieller, M. Kom and F. Braum. neural harmonic detection approaches for FPGA area efficient implementation. European Physical journal – Applied Physics, 56, 30901-2011.a. D. Flieller, D. Ould Abdeslam, P. Wira, and J. Mercklé. Distortions identification and compensation based on artificial neural networks using symmetrical components of the voltages and the currents. Electric Power Systems Research, vol. 79, no. 7, pp. 1145–1154, 2009. L. Gyugyi, E.C.Strycula. Active Ac Power Filters. In proc. Of IEEE-ISA annual Meeting, pp.529-535, 1976. T. Gouraud. Identification et rejet de perturbations harmoniques dans des réseaux de distribution électrique. Thèse de Doctorat, Université de Nantes, 1997. P. Grabowski, M. Kazmierkowski, B. Bose et F. Blaabjerg. A simple direct torque neuro fuzzy control of pwm inverter fed induction motor drive. IEEE Transactions on Industrial Electronics p. 863-870, 2000. J. Hérault, C. Jutten. Réseaux neuronaux et traitement du signal. Hermès science publications, Paris, 1994. G.C. Hsieh and J. C. Hung. Phase-locked loop techniques. a survey. IEEE Transactions on Industrial Electronics, vol. 43, no. 6, pp. 609–615, 1996. R. S. Herrera and P. Salmeron. Instantaneous Reactive Power Theory. A Comparative Evaluation of Different Formulations, IEEE Transactions On Power Delivery, Vol. 22, No.1, pp 595-604, January 2007. A. Hamadi, K. Al-Haddad, P. Lagacé et A. Chandra. Indirect current control techniques of three phase apf using logic and proportional integral controller: comparative analysis. In The 11th International Conference on Harmonics and Quality of Power, pages 362-367, Lake Placid, NY USA, 2004. S. Haykin. Neural Networks - A Comprehension Foundation. Prentice Hall International, Upper Saddle River, New Jersey, USA, 1999. S. Haykin. Neural Networks. A Comprehensive Foundation. R. S. Herrera, P. Salmeron. Instantaneous Reactive Power Theory : A reference in the Nonlinear loads Compensation. IEEE Transactions On Industrial Electronics, Vol. 56, No.6, pp 2015-2022, June 2009. D. Halbwachs, P. Wira, and J. Mercklé. ADaline-based approchs for time-varying frequency estimation in power systems. 2nd IFAC International Conference of Intelligent Control System and Signal Processing (ICON2009),Instanbul, Turky, September 2009. N. Hamouda,K. E. Hemsas, H. Benalla. Etude comparative des techniques de filtrage actif sélectif par référentiel synchrone de Park d-q et approche FMV . MJMS 01 089–098, 2014. S. Hong-Scok. Control scheme for PWM converter and phase angle estimation algorithm under voltage unbalanced and/or sag condition. Ph.D. in electronic and electrical engineering, Postecch University, Republic of Korea (South), 2001. J. Harris. Fuzzy Logic Applications in Engineering Science. Springer, 2006. G. Irwin, K. Warwick, and K. Hunt. Neural Network Applications in Control. The Institution of Electrical Engineers., London, 1995. IEEE Recommended Practices and Requirements for Harmonic Control in Electrical Power Systems. Institute of Electrical and Electronics Engineers, Inc., 1993. V. Kaura et V. Blasko. operation of a phase locked loop system under distorted utility conditions. IEEE Tran. on industry application p. 58-63, 1997. S. Kuntanapreeda and R. R. Fullmer. A training rule which guarantees finite-region stability fora class of closed-loop neural-network control systems. IEEE Transactions on Neural Networks,vol. 7, no. 3, pp. 745–751, 1996. Y.H. Kim, K. S. Kim, B. K. Kwon, and C. H. Choi. A fast and robust pll of mcfc pcs under unbalanced grid voltages. Power Electronics Specialists Conference, pp. 4712–4716, 2008. O. Lahmadi, L. Benfarhi and A. Chaghi. Intelligent active power filter based on ADALINEs and PI-neural under unbalanced and distorted voltages. International Journal of Power and Energy Conversion IJPEC, Vol. 7 No. 4, pp. 336-360, 2016. O. Lahmadi, L. Benfarhi and A. Chaghi. A Complete Neuromimetic Strategy for Harmonics Identification and Control of a Three-Phase Voltage Inverter used for the Power Active Filtering. Journal of Electrical Engineering JEE, Vol. 15, pp. 1-12, 2015. C.S.G. Lee, J.-S. Wang et J. Yuh. Self-adaptive neuro-fuzzy systems for autonomous underwater vehicle control. Advanced Robotics p. 589-608, 2001. A. Levin and K. S. Narendra. Control of nonlinear dynamical systems using neural networks :Controllability and stabilization. IEEE Transactions on Neural Networks, vol. 4, no. 2, 1993. D.G .Luenberger and Y. Ye. Linear and Nonlinear Programming, ser. International Series in Operations Research and Management Science. Springer, vol. 116, 2008. P. Melin et O. Castillo. Intelligent control of a stepping motor drive using an adaptive neuro-fuzzy inference system. Informatics and Computer Science: An International Journal p. 133 - 151, 2005. S.K. Mondal, J. O. Pinto et B. K. Bose. A neural network based space vector pwm controller for a three level voltage fed inverter induction motor drive. IEEE transaction on industry application, 2002. F. Mekri, M. Machmoum, B. Mazari, and N. A. Ahmed Determination of voltage references for series active power filter based on a robust pll system. In International Symposium on Industrial Electronics (ISIE’2007), Vigo, Spain, pp. 473 – 478, 2007. W.T.I. Miller, R. S. Sutton, and P. J. Werbos. Neural Networks for Control. The MIT Press, Cambridge, MA, 1991. M. Malengret and C. T. Gaunt. Decomposition of currents in three- and four-wire systems. IEEE Transactions on Instrumentation and Measurement, vol. 57(5) p. 963–972, 2008. L. Moran, J. Dixon, and R. Wallace. A three-phase active power filter operating with fixed switching frequency for reactive power and current harmonic compensation. IEEE Transactions on Industrial Electronics, vol. 42, no. 4, pp. 402–408, 1995. N.K. Nguyen, D. Ould Abdeslam, P.Wira, D. Flieller, and J. Mercklé. Artificial neural networks for harmonics currents identification in active power filtering schemes. 34th Annual Conference of the IEEE Industrial Electronics Society (IECON’08), pp. 2696–2701, Novembre, 2008. N.K. Nguyen, D. flieller, P. wira, D. ould abdeslam et J. mercklé. Two harmonics identification schemes based on adaline neural networks for active power filtering. In IV International Forum on Strategic Technologies (IFOST 2009), Ho Chi Minh City, Vietnam, 65, 66, 2009. N.K. Nguyen, P. wira, D. ould abdeslam et D. flieller. Adaptive neural schemes for the control of a shunt active power filter. In 35th Annual Conference of the IEEE Industrial Electronics Society (IECON09), ), pp. 3217–3222, Porto, Portugal, 2009.a. N.K. Nguyen, D. Flieller, P. Wira, and D. Ould Abdeslam. Neural networks for phase and symmetrical components estimation in power systems. In 35th Annual Conference of the IEEE Industrial Electronics Society (IECON’09), Porto, Portugal, pp. 1743–1749, 2009.b. N.K. Nguyen. Approche neuromimétique pour l’identification et la commande des systèmes électriques : application au filtrage actif et aux actionneurs synchrones. Thèse de Doctorat, université de haute-alsace, mulhouse, 2010. N. K.Nguyen, D. Flieller, J. Merklé, P. Wira, D. Ould Abdeslam. Filtrage actif-commande de moteurs. Cours mips-nguyen_seminair, Université de Haute Alsace – n.k. nguyen gdr macs-seeds, 2010.a. N. K.Nguyen, P. Wira , D. Flieller , D. Ould Abdeslam , J. Mercklé Adaptive on-line learning and identification of harmonic currents with Adaline neural networks. National Conference on Electrical Networks (NCEN10), Sidi Bel Abbès, Algeria , 2010.b. N. K.Nguyen, P.Wira, D.Flieller, D.Ould Abdeslam, and J. Merckle. Harmonics Identification with Artificial Neural Networks: Application to Active Power Filtering. International Journal of Emerging Electric Power Systems: Vol. 12, 2011. M.Negnevitsky. Artificial Intelligence A Guide to Intelligent Systems. Second Edition Addison Wesley Longman, 2005. D.Ould Abdeslam, Techniques neuromimétiques pour la commande dans les systèmes électriques : application au filtrage actif parallèle dans les réseaux électriques basse tension. Thèse de doctorat, Université de Haute Alsace, 2005. D. Ould Abdeslam, D. Flieller, P. Wira, and J. Mercklé. Adaline neural networks for online extracting the direct, inverse and homopolar voltage components from a composite voltage. 31st Annual Conference of the IEEE Industrial Electronics Society (IECON’05), 2005.a. D. Ould Abdeslam, P. Wira, J. Mercké et D. Flieller. Harmonic identification based on ANN: A comparative study. In The 9th International Conference on Engineering Applications of Neural Networks, EANN2005, pages 179-186, Lille, France, 2005.b. D. Ould Abdeslam, P. Wira, J. Mercklé, and D. Flieller. Distortion identification with artificial neural networks based on symmetrical components. International Symposium on Industrial Electronics (ISIE’2007), pp. 2853 – 2858, 2007.a. D.Ould Abdeslam, P.Wira, J.Mercklé, D. Flieller, and Y. Chapuis. A unified artificial neural network architecture for active power filter. IEEE Transactions on Industrial Electronics, vol. 54, no. 1, pp. 61–76, 2007b. D.Ould Abdeslam, P. Wira, D. Flieller, and J. Mercklé, Artificial Neural Networks to Control an Inverter in a Harmonic Distortion Compensation Scheme. In International Symposium on Industrial Electronics (ISIE'2008), Cambridge, UK, 2008, pp. 18731878, 2008. O. Omidvar and D. Elliott. Neural Systems for Control. Elsevier Science and Technology Book, 1997. S. Omatu, M. Khalid et R. Yusof. Neuro-control and its Applications Advances in Industrial Control. Springer-Verlag, London, 1996. S.A. Oliveira D. Silva, E. Tomizaki, R. Novochadlo, and E. A. Alves Coelho. PLL structures for utility connected systems under distorted utility condition. In The 32nd Annual Conference on IEEE Industrial Electronics (IECON’06), Paris, France, pp. 2636–2641, 2006. A. Phadke,J. Thorp et M. Adamiak. A new measurement technique for tracking voltage phasors, local system frequency and rate of change of frequency. IEEE Transactions on Power Apparat. Syst, vol. 102 p. 1025-1038, 1983. M. Parizeau. Réseaux de neurons. Notes de cours, Université Laval, Canada, Automne 2004. N. Pecharanin,M. Sone et H. Mitsui. An application of neural network for harmonic detection in active filter. In IEEE International Conference on Computational Intelligence, vol. 6, pp 3756-3760, Orlando, FL, USA, 1994. . M. Renders, F. Mekri, M. Machmoum, B. Mazari, and N. A. Ahmed. Determination of voltage references for series active power filter based on a robust pll system. In International Symposium on Industrial Electronics (ISIE’2007), Vigo, Spain, pp. 473 – 478, 2007. K. S. Rani, and K. Porkumaran. Multilevel shunt active power filter based on sinusoidal subtraction methods under different load conditions. EEE Region 8 international conference on computational technologies in electrical and electronics engineering (SIBIRCON), pp692-697, 2010. J. Sarangapani. Neural Network Control of Nonlinear Discrete-Time Systems. Control Engineering Series. Taylor and Francis, 2006. F. Rosenblatt. The perceptron : probabilstic model for information storage an organisation in the brain. Psychological Review 65, pp386-408. 1958. T. J. Ross. Fuzzy Logic With Engineering Applications. John Wiley & Sons, 2004. A. Routray, A. K. Pradhan et K. P. Rao. A novel kalman filter for frequency estimation of distorted signals in power systems. IEEE Transactions on Instrumentation and Measurement p. 469-479, 2002. R. J. Ritter, T. M. Martinetz et K. J. Schulten. Neural Computation and Self-Organizing Maps. Addison-Wesley, Reading, 1992. L. Reznik. Fuzzy Controllers. Newnes, 1997. P. Rodriguez, J. Pou, Joan Bergas, J. I. Candela, D. Boroyevich. Decoupled Double Synchronous Reference Frame PLL for Power Converters Control. IEEE Transactions on Power Electronics Vol. 22, No.2, pp 584-592, Mars 2007. M. Saerens and A. Soquet. A neural controller based on backpropagation algorithm. In First IEE int. Conf. on Artificial Neural Network, pages 211-215, London, 1989. R. E Shatshat, M. Kazerani and M. Salama. Modular active power-line conditioner. IEEE Transactions on Power Delivery p. 700-709, 2001. R. El Shatshat, M. Kazerani et M. Salama. Power quality improvement in 3-phase 3-wire distribution systems using modular active power filter. Electric Power Systems Research, vol. 64 p. 185-194, 2002. R. E Shatshat, M. Salama and M. Kazerani. Artificial intelligent controller for current source converter-based modular active power filters. IEEE Transactions on Power Delivery p. 1314- 1320, 2004. A.M. Salamah, S. J. Finney, and B. W. Williams. Three-phase phase-lock loop for distorted utilities. IET Electric Power Applications, vol. 1, no. 6, pp. 937–945, 2007. M. S. Sachdev and M. M. Giray. A least square technique for determining power system frequency. IEEE Trans. Power Apparat. Syst., vol. 104 p. 437-443, 1985. H. S. Tsoukalas, R. E. Uhrig, Lotfi A. Zadeh. Fuzzy and Neural Approaches in Engineering. New-York, Wiley, February 1997. V. V.Terzija, M. B. Djric et B. D. Kovacevic. Voltage phasor and local system frequency estimation using newton-type algorithms. IEEE Trans. Power Delivery, vol. 4 p. 1368-1374, 1994. J. R.Vazquez, P. Salmer on, J. Prieto et A. Perez. A practical implementation of a three-phase active power line conditioner with ANNs technology. In 28th Annual Conference of the IEEE Industrial Electronics Society (IECON'02), pages 739-744, Sevilla, Spain, 2002. F.R. Vazquez, P. R. Salmeron et F. J. Alcantara. Neural networks application to control an active power filter. In EPE'2001, Graz, Austria, 2001.a. F. R. Vazquez, P. R. Salmeron et J. Prieto. A new technique for unbalance current and voltage measurement with neural networks. In EPE'2001, Graz, Austria, 2001.b. J.Vazquez and P. Salmeron. Active power filter control using neural network technologies. IEE Proceedings-Electric Power Applications p. 139- 145, 2003. P. Vas. Artificial-intelligence-Based Electrical Machines and Drives:Application of Fuzzy,Neural, FuzzyNeural and Genetic-Algorithm-Based Techniques Monographs In Electrical and Electronic Engineering. Oxford University Press, Oxford, 1999. P. Wira Member IEEE, D. Ould Abdeslam, J. Mercklé. Learning and adaptive techniques for harmonics compensation in power supply networks. 14ème IEEE Mediterranean electrotechnical conference (MELECON-2008). Page 719-725. Ajaccio, France, 2008. S. Weerasooriya and M. A. El-Sharkawi. Identification and control of a dc motor using back-propagation neural networks. IEEE Transactions on Energy Conversion, pages 663-669, 1991. B. Widrow and E. Walach. Adaptive Inverse Control. Prentice Hall Press, Upper Saddle River, 1996. C. Widrow and M. T. Hoff. Adaptive switching circuits. IRE WESCON Convention Record pp. 96-104, 1960. B.Z.Q. Wang, M. T. Manry and J. L. Schiano. LMS Learning Algorithms:Misconceptions and New Results on Convergence. IEEE Transactions on Neural Networks, vol. 11, no. 1, pages 47-56, 2000. L. Zadeh. Fuzzy sets. Information Control, vol. 8 p. 338-353, 1965. UNIVERSITE DE BATNA THÈSE DE DOCTORAT LAHMADI OUARDA Titre : Contribution à l’Identification et la Commande d’un Filtre Actif Parallèle par des Techniques Neuromimétiques Title : Contribution to the Identification and the Control of an Active Power Filter by Neural Techniques Résumé : Cette thèse propose des approches Abstract : This thesis proposes Artificial Neural neuromimétiques d’identification et de commande avec une application directe au Filtre Actif Parallèle (FAP). L'objectif visé est l'amélioration des performances par rapport aux systèmes classiques de dépollution des installations électriques basse tension. Une structure neuronale complète et homogène a été développée pour réaliser toutes les fonctionnalités d’un FAP afin de compenser des harmoniques de courant. La phase instantanée et les composantes symétriques d’un système triphasé de tensions ou de courants ont été estimées avec une boucle à verrouillage de phase neuronale (PLL-neuronale). L’identification des harmoniques de courant a été aussi, réalisée avec des réseaux de neurones (RNAs) de type ADALINE opérant dans les différents repères. Plusieurs schémas de commande ont été développés pour réinjecter les courants de compensation à l’aide d’un onduleur. Ils sont basés sur des réseaux de neurones multicouches (MLPs), sur un PI-neuronal ou sur la logique floue (LF). Networks (ANNs) approaches for the identification and the control of an Active Power Filter (APF). The objective is to improve the performances of the traditional methods. A completed and homogenous neural architecture was developed in an APF for harmonic currents compensation. The instantaneous phase and the symmetrical components of a three-phase voltage or current were estimated with a neural phaselocked loop (PLL-neural). The current harmonics terms were identified also by ADALINE neural networks within different reference frames. Several intelligent techniques, based on multilayer neural networks (MLPs), on PI-neural or on fuzzy logic (FL) were developed to control the voltage source inverter used to inject the harmonic currents phase-opposite. Le compensateur FAP-neuronal proposé s'adapte automatiquement aux variations de la charge du réseau et donc aux fluctuations du contenu harmonique des perturbations. Elle permet également la compensation sélective des harmoniques et la correction du facteur puissance. Toutes les approches neuromimétiques développées ont été évaluées en simulation dans divers conditions de fonctionnement. Des comparaisons avec les méthodes de commande floues et classiques démontrent des caractéristiques supérieures en termes de performance et de robustesse. Mots clés : Réseaux de Neurones Artificiels (RNAs); commande adaptative; technique intelligente; filtre actif parallèle (FAP); compensation des harmoniques; système électrique triphasé; PI-neuronal; ADALINE; boucle à verrouillage de phase (PLL); apprentissage; commande floue. Our compensation approach (APF-neural) is able to automatically adapt itself to any changes of the non-linear load and thus to the generated harmonics. These techniques are also able to eliminate only specific harmonics and correct the power factor. The neural network approaches were all evaluated by simulated tests under various utility conditions. The results confirm their excellent characteristics in terms of both performance and robustness. Comparisons with conventional and fuzzy methods prove their superiority. Keywords :Artificial Neural Networks (ANNs) ; adaptive control; intelligent technique; shunt active power filter (APF); harmonics compensation; three phase power supply; PI-neural; ADALINE; phase-locked loop (PLL); learning; fuzzy control.