République Algérienne Démocratique et Populaire Ministère de l'Enseignement Supérieure et de la Recherche Scientifique Université d’El-oued Faculté des Sciences et Technologie Département D’électrotechnique N° Ordre : …………… Série : ………………… MEMOIRE Présenté pour obtenir le diplôme de Magister en Electrotechnique Option : Maîtrise de l'énergie Par BARKA Nour-Eddine Amélioration des Performances de Contrôle D’un Système Photovoltaïque par les Méthodes Métaheuristques soutenu le 13/03/2013 Devant le jury composé de : M. GOLEA Ammar Pr M. BEN ATTOUS Djilani M.C Universitaire d’El-oued Rapporteur M. SERAIRI Kamel Pr Université de Biskra Examinateur M.C Université de Biskra Examinateur M. BENCHOUIA Med Toufik Université de Biskra Président Résumé : L'électricité photovoltaïque est perçue comme une importante source d'énergie renouvelable. Le champ photovoltaïque est une source de puissance instable, dont le point de puissance crête dépend de la température et de l'irradiation. Le suiveur du point de puissance maximale est alors nécessaire pour une efficacité optimale. A cet effet, dans le présent travail l'optimisation par le méthodes heuristiques (Essaims Particulaires (OEP) et l’Algorithmes Génétiques(AG) )est proposée pour détecter le point de puissance maximale pour un panneau photovoltaïque, ils sont utilisés pour générer la puissance maximale sous différentes conditions de fonctionnement. Un système photovoltaïque est composé d'un module solaire avec OEP -MPP et AG-MPP. Il est modélisé et simulé. Les résultats de simulation montrent que l'efficacité du ces méthodes heuristiques (OEP et AG) est de tirer le maximum d'énergie avec un temps de réponse rapide lors des variations dans les conditions de travail. Mots clés : système photovoltaïque ,MPPT, Perturbation et Observation(P&O), Optimisation par Essaim Particulaires (OEP), Algorithme Génétique(AG). Abstract : Photovoltaic electricity is seen as an important source of renewable energy. The photovoltaic array is an unstable source of power since the peak power point depends on the temperature and the irradiation level. A maximum peak power point tracking is then necessary for maximum efficiency. In this work, a Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) is proposed for maximum power point tracker for photovoltaic panel, are used to generate the optimal MPP, such that solar panel maximum power is generated under different operating conditions. A photovoltaic system including a solar panel technique PSO-MPP tracker and GA-MPP tracker is modeled and simulated, it has been carried out which has shown the effectiveness of PSO and GA to draw much energy and fast response against change in working conditions. Key words: photovoltaic system , Particle Swarm Optimization (PSO), MPPT, Perturbation and Observation, Genetic Algorithm (GA). :الملخص شٛخ يصذسا نطبقخ غٛ رًثم األنٕاذ انكٓشٔضٕئ.خ يصذسا ْبيب يٍ يصبدس انطبقخ انًزدذدحٛرؼزجش انطبقخ انشًس َّ نزنك فب.ٙث َدذ أٌ َقطخ االسزطبػخ انقصٕٖ رزؼهق ثذسخخ انحشاسح ٔيسزٕٖ اإلشؼبع انضٕئٛيسزقشح (يززثزثخ ) ح .خٛق أقصٗ فؼبنٛيٍ انضشٔس٘ رزجغ َقطخ االسزطبػخ يٍ اخم رحق )GA( خُٛٛبد اندٛبد انخٕاسصيُٛ) ٔكزا رقPSO ( خٛئبد انًثبنٚخ سشة اندضُٛ ْزا انؼًم اقزشحُب كم يٍ رقٙف .بد ٔانُشٕءٛانٕساث،٘بس انفطشٛبد االخزٛ رشركض ػهٗ آنٙٔانز ٙ انحبالد انزٙدبد انحهٕل انشبيهخ ثبألخص فٚ إٙزًٓب فٛقبد يذٖ فؼبنٛ يخزهف انزطجٙنقذ أثجزذ انذساسبد ف .بٛم انًشكم خطٛٓب رحهٛزؼزس فٚ زى اسزؼًبنٓبٚ ٙق ِ را انجشَبيح نزؼقت َقطخ االسزطبػخ انؼظًٗ ٔانزٛخ قًُب ثزطجٛخ ِ رِ انًُٓدٛبٌ يذٖ فؼبنٛنج كم يٍ (دسخخ انحشاسحٙشح رزًثم فٛ ٔرحذ ششٔط يزغٙالسزغالل أحسٍ نهطبقخ انُبردخ يٍ انهٕذ انكٓشٔضٕئ .)ٙٔاإلشؼبع انضٕئ ئبدٚخ سشة اندضُٛ ػهٗ رقُٙ يغ َظبو رحكى يجٙزكٌٕ يٍ نٕذ كٓش ٔضٕئٚ دساسزُب َقٕو ثؼًم ًَٕرجٙف ث َدذ أٌ انُزبئح انًحصمٛح، خُٛخ ْزِ انزقٛخ إلخشاء ردبسة ٔيؼشفخ يذٖ فؼبنُٛٛبد اندٛبد انخٕاسصيُٛخ ٔكزا رقٛانًثبن دبد انحم األيثم(اسزطبػخ قصٕٖ) رحذٚخ إلُٛٛبد اندٛبد انخٕاسصيُٛخ ٔكزا رقٛئبد انًثبنٚخ سشة اندضٍٛ فؼبنٛٓب رجٛػه ٍيخزهف انششٔط انًزكٕسح أػالِ ثأسشع ٔقذ يًك ، االضطشاة ٔانًشاقجخ، ٖٕ َقطخ االسزطبػخ انقص، خٛئبد انًثبنٚسشة اندض،ٙ الَظبو الكٓشٔضٕئ: الكلمات المفتاحية .خُٛٛبد اندٛانخٕاسصي Dédicaces Louange à Dieu qui est sa grâce travaille Au printemps nette sensibilité à la lumière de la foi qui éclaire mon chemin Chère mère Au Envoyé dans l'espérance et éclairé moi le chemin et m'a appris que la vie est un Struggle Cher père Je leur souhaite un prompt rétablissement et tous les musulmans malades A mes frères et sœurs Pour tous ceux qui m'ont enseigné étaient un enseignant ou un professeur Pour les amis et camarades de chemin Pour tous les parents et les proches Pour toutes ces Je dédie le fruit de ce travail déposé Remerciement En premier lieu, je tenons à remercier « DIEU » le miséricordieux le toutpuissant et qui nous a m'aidé pour que ce modeste travail soit achevé et pour que je réussi. Je tenons à remercier vivement tous ceux qui nous orientées et j'encouragées. je pensons en particulier de m'encadreur: BEN ATTOUS Djilani, maitre de conférences à l’Université d’El oued, d’avoir je bien suivi et dirigé ma travail et de faire profités de son savoir, ainsi de ses conseils, et pour toute l’aide, les remarque constructive qui j’ont d’améliorer ce travail , et qui grâce a lui je pus réaliser ma objectif. J’adresse mes sincères remerciements à Monsieur GOLEA Ammar, professeur à l’Université de Biskra, pour l’honneur qui nous a fait en acceptant d’être président du jury. Mes remerciements vont également aux membres du jury pour l’honneur qu’ils m’ont fait en participant à l’évaluation de ce travail : - Monsieur SERAIRI Kamel, professeur à l’Université de Biskra, - Monsieur BENCHOUIA Med Toufik, maitre de conférences à l’Université de Biskra. Je grands remerciement aussi tous les enseignants qui ont contribué à notre formation a l’institut d’électrotechnique. En fin, Merci à tous Sommaire SOMMAIRE Résumé Dédicaces Remerciements Sommaire………………………………………………………………..………......…i Liste des Figures……………………………………………………….…………….. iv Liste des Tableaux…………………………………………………………………...…....vi Liste des Symboles et Acronymes……………………………….………….…..…..…vii INTRODUCTION GÉNÉRAL…………………………………………………………..…...…..1 Chapitre I : Systèmes photovoltaïques I.1 Introduction.………………………………………………………………….......................3 I.2 Historique…………………………………………………………………………….…......4 I.2.1 Dates importantes dans l’histoire du photovoltaïque………………………………........4 I.3 Rayonnement Solaire……………………………………………………….…………...….5 I.3.1 Spectre du rayonnement………………………………………..………….……...…..5 I.3.2 Durée d’insolation…………………………………………………………..............…...6 I .4 Les Principaux Composants D’un Système Solair Photovoltaïque……………...…….…..6 •Hacheur dévolteur (ou série)………………………………………………..………...…....7 •Hacheur survolteur (ou parallèle)…………………………………………………......…...8 •Hacheur série-parallèle……………………………………………………….………...….8 I.5 Cellule Solaire………………………………………..……………….……………...…10 I.5.1 Fabrication des cellules solaires………………………………………..……….....10 I.5.2 Principe d’une cellule photovoltaïque……………………………………….……11 I.5.3 Les types des cellules solaires …………………………………………….....…...12 a) Les cellules monocristallines……………………………………………………..…12 b) Les cellules polycristallines……………………………………………......…….....12 c) Les cellules amorphes………………………………………………………...….....12 I.6 Les Différentes Caractéristiques D’un Générateur Photovoltaïque…………………........12 I.6.1 Circuit équivalant et modèle mathématique d'une cellule solaire……………........12 I.6.2 la caractéristique courant-tension (I-V) d'une cellule photovoltaïque………….…15 I.6.3 Facteurs limitation de rendement d’un générateur photovoltaïque…………....17 I.6.3.1 Influence de la résistance série Rs ………………………………….............17 I.6.3.2 Influence de la résistance parallèle Rsh.………………………….…….…..17 I.7 Le Module Photovoltaïque ………………………………………………..………...…...18 I.7.1 Association des modules photovoltaïques……………………………………….….18 I.7.1.1 Association en série…………………………………………………….…......18 I.7.1.2 Association en parallèle…………………………………………………..…...19 I.7.1.3 Association série-parallèle……………………………………………...……..20 I.8 Générateur photovoltaïque...……………………………………….………….…......21 i Sommaire I.9 Caractéristiques Tension-Courant et Puissance-Tension Sous Différentes Conditions Climatiques ………..………………………………………….............….…21 I.9.1 Influence de l'éclairement………………………………………………….…………21 I.9.2 Influence de la température…………………………………………….…….….….....22 I.9.3 Influence simultané de l'éclairement et de la température……………...…….…….…23 I.9.4 Influence du facteur d'idéalité…………………………………………...….......…23 I.10 Classification D'un System photovoltaïque…………………………………….……24 I.10.1 Système photovoltaïque autonomes………………………………….…….…..24 I.10.2 Système photovoltaïque raccordé à un réseau………………………………....25 I.11 Avantages et Inconvénients D'une Installation PV………………………………….…25 I.11.1 Avantages…………………………………………………………………...…….....25 I.11.2 Inconvénients………………………………………………………...………..….....26 I.12 Conclusion ……………………………………….……….……………………….....….26 Chapitre II : Les Méthodes de Poursuite de Point de Puissance Maximale (MPPT) II.1 Introduction………………………………………………………………………………27 II.2 La Connexion Direct GPV-Charge Comme Mode De Transfert De Puissance……...27 II.3 La Connexion GPV-Charge via un Etage D'adaptation ……………………………....29 II.4 Principe De La Rechercher du Point de Puissance Maximale ………………….........30 II.5 Critères D'évaluation D'une Commande MPPT…..…………………...……………….31 Simplicité et coût………………………………………………………………..…………..32 Réponse dynamique……………………………………………………………….….….…..32 Flexibilité………………………………………………………………….……...……..…...32 Compétitive sur une large gamme de puissance………………………….…………...…....32 II.6 Rendement De La Chaine De Puissance…………………………….…………………33 II.7 Différents Types De Commandes MPPT …………………………………………..…33 II.8 La Commande MPPT Perturbation Puis Observation ………………………..………35 II.8.1 Principe des commandes "Perturbation et Observation" (P&O)……………..……...35 II.8.2 Structure de l'algorithme P&O………………………………………………...…......35 II.9 Conclusion ………………………………………………………………………..….…38 Chapitre III L'Optimisation par Essaim Particulaire (OEP) et Les Algorithmes Génétiques (AG) III.1 Introduction …………………………………………………………………….……...39 III.2 L'optimisation par essaims particulaires OEP (Particle Swarm Optimization (PSO))…………………………………………………………………………………...……39 III.2.1 Origines…………………………………………………………………………..…39 III.2.2 Principe…………………………………………………………………...….....40 III.2.3 Principales caractéristiques……………………………………………..……....40 III.2.4 Formalisation………………………………………………..……………………....41 III.2.5 Configuration de la méthode………………………………………..………….…...41 III.2.5.1 Nombre de particules……………………………………………………….…41 III.2.5.2 Topologie du voisinage…………………………………………..………..41 i Sommaire III.2.5.3 Coefficient de confiance …………………………………………………....…42 III.2.5.4 Vitesse maximale et coefficient de constriction………………….……..…43 III.2.5.5 Facteur d'inertie.………………………………………….…….………..…….43 III.2.5.6 Initialisation de l'essaim………………………………………………...…44 III.2.5.7 Critères d'arrêt……………………………………………………………........44 III.2.6 Les étapes de la méthode d'Optimisation "SWARM"………………………......45 III.3 Algorithme Génétiques………………………………………………………….....47 Historique…………………………………………………………………………..…...47 III.3.1Introduction………………………………………………………………..….…..48 III.3.2 Définition………………………………………………………………………...48 III.3.3 Principe………………………………………………………………………...…48 III.3.4 Applications………………………………………………………………………49 III.3.5 Présentation des algorithmes génétiques…………………………………………50 III. 3.5.1 Fonction d'évaluation et fonction fitness……………………………………50 III.3.5.2 Codage et décodage des variables………………………………………...…51 III.3.5.3 Sélection des parents…………………………………………………….......52 1 Sélection par roulette de lotterie………………………………………….…52 2 Sélection par rang………………………………………………………....…53 3 Sélection statique…………………………………………………….…...…54 4 Sélection par tournoi……………………………………………………...…54 III.3.5.4 La recombinaison génétique……………………………………………..…54 III.3.5.4.1 Croisement………………………………………………………....54 A. Croisement en un point………………………………………...…55 B. Croisement en deux points……………………………………..…55 III.3.5.4.2 Mutation………………………………………………………....…55 III.3.6 Critère d’arrêt…………………………………………………………………...…57 III.3.7 Réglage des Paramètres d'un AG……………………………………………....…58 III.3.8 Un exemple élémentaire…………………………………………………………...58 III.4 Conclusion ……………………………………………………………………..………..62 Chapitre IV : Testes et Interprétations des Résultats IV.1 Applications des Techniques MPPT-PSO et MPPT-GA pour l'Optimisation des Systèmes Photovoltaïques ……………………………………………………..…………63 IV.1.1 Introduction ………………………………………………………………………63 IV.1.2 technique MPPT-PSO ……………………………………………….....................65 IV.1.2.1 Testes et application …………………………...............……………......………66 IV.1.3 technique MPPT-AG ………………………………………………......................71 IV.1.3.1 Résultats des simulations et discussion …………………………..............……72 V.2 Testes et interprétations de résultats de simulation pour a la poursuite du point de Puissance maximale ……………………………………………………….......................76 V.2.1 Introduction …………………………………………………………….............…76 V.2.2 Application MPPT-PSO: Simulations en temps réel …………………...........……77 V.2.3 Application MPPT-GA: Simulations en temps réel ………………….............……80 V.2.4 Modélisation de Générateur photovoltaïque avec hacheur survolteur contrôlé par MPPT ………………………………………………………………………….........……84 V.2.4.1 Simple "perturbent et d'observer" d'algorithme MPP tracking ……....…………85 V.2.4 .2 1er teste de Simulation: (sans MPPT) ……………………………...…………86 i Sommaire V.2.4.3 2éme teste de Simulation: (avec MPPT) …………………………......…………89 V.3 Conclusion …………………………………………………….......…………………92 CONCLUSION GÉNÉRAL…………………………………………..……………93 Annexe 94 Références bibliographiques 97 i Liste des figures Figure I.1 Figure I.2 Figure I.3 Figure I.4 Figure I.5 Figure I.6 Figure I.7 Figure I.8 Figure I.9 Figure I.10 Figure I.11 Figure I.12 Figure I.13 Figure I.14 Figure I.15 Figure I.16 Figure I.17 Figure I.18 Figure I.19 Figure I.20 Figure II.1 Figure II.2 Figure II.3 Figure II.4 Figure II.5 Figure II.6 Figure II.7 Figure II.8 FigureIII.1 Figure III.2 Figure III.3 Figure III.4 Figure III.5 Figure III.6 Figure III.7 Figure III.8 Figure III.9 Figure III.10 Spectre solaire hors atmosphérique……………………………..………. Structure d'une cellule solaire en silicium………………………............. Schémas de principe d'un hacheur série……………………………….... Schémas de principe d'un hacheur parallèle…………………….………. Schémas de principe d'un hacheur série-parallèle………………………. Cellules solaires…………………………………………………………. Différentes étapes de la production d'un système PV………………….... Structure d'une cellule photovoltaïque au silicium (jonction PN)………. Schéma équivalent d’une cellule PV Modèle à une diode………………. Caractéristique tension-courant d'une cellule photovoltaïque………....... Exemples de modules photovoltaïques………………………………….….. Modules en série avec diodes by-pass………………………….……….. Modules en parallèle avec diodes anti-retour………………….………... Montage série-parallèle de modules photovoltaïques…………..……….. Caractéristique du module photovoltaïque pour différents éclairements.a) courant-tension b) tension-puissance…………................ Caractéristique du module photovoltaïque pour différents températures. a) courant-tension b) tension-puissance………………………………… Caractéristique du module photovoltaïque pour différents éclairements et températures. a) courant-tension b) tension-puissance……………….. influence de facteur d'idéalité………………………………………….... Installation photovoltaïque autonome………………………………..…. Installation photovoltaïques couplée au réseau………………………….. Connexion directe GPV-Charge via une diode anti-retour…………….... Caractéristiques électriques d'un générateur photovoltaïque en connexion direct GPV-Charge………………………………………....... Connexion d'un GPV à une charge à travers un étage d'adaptation……... Chaîne élémentaire de connexion photovoltaïque..................................... Recherche et recouvrement du Point de Puissance Maximale a) suit à une variation d'ensoleillement, b) suite à une variation de charge, c) suite à une variation de température.......................................................... Caractéristique Ppv(Vpv) d'un panneau solaire…………………..……… Algorithme de la méthode P&O…………………………………........... Divergence de la commande P&O lors de variation d'irradiation............ Schéma de principe du déplacement d'une particule. Pour réaliser son prochain mouvement, chaque particule combine trois tendances : suivre sa vitesse propre, revenir vers sa meilleure performance, aller vers la meilleure performance de ses informatrices…………………………….. Trois topologies différentes. a)Etoile, b) Anneau, c) Rayon………….… Optimisation par Essaim de Particule…………………………………… Organigramme de PSO………………………………………..……….... Exemple de sélection par roulette……………………………............. Représentation schématique du croisement en un point…………...… Représentation schématique du croisement en deux points….............. Représentation schématique de la mutation simple………………….. Algorithme génétique de base……………………………………...… Organigramme d'un algorithme génétique………………………….... iv 6 7 8 8 9 10 10 11 13 16 18 19 20 20 22 23 23 24 24 25 28 28 29 30 31 35 36 37 40 42 45 46 52 55 55 56 56 57 Liste des figures Figure IV.1 Figure IV.2 Figure IV.3 Figure IV.4 Figure IV.5 Figure IV.6 Figure IV.7 Figure IV.8 Figure IV.9 Figure IV.10 Figure IV.11 Figure IV.12 Figure IV.13 Figure IV.14 Figure IV.15 Figure IV.16 Figure IV.17 Figure IV.18 Caractéristique du module photovoltaïque pour différents éclairements. a) courant- tension b) tension-puissance………….................................... La convergence par (OEP) pour T = 25°C et E = 250w/m2……………... Variation PPMT sous différents valeurs de l'éclairement: a) couranttension b) puissance-tension…………………………………………….. Variation PPMT sous différents valeurs de la température: a) couranttension b) puissance-tension…………………………………………….. PPM avec Variation dans la température et l'éclairement au même temps : a) courant-tension b) puissance tension………………………... Organigramme de l'algorithme génétique MPPT-AG………….......... Convergence des AG dans des conditions différentes………………. Convergence des propriétés par rapport les différentes taille des populations…………………………………………………………… Convergence des AG pour T = 25 ° C et E = 250 Wm-2……………... comparaison les caractéristiques photovoltaïques avec différentes valeurs de l'isolation. a) courant- tension b) tension-puissance ….......... comparaison les caractéristiques photovoltaïques avec différentes valeurs de la température. a) courant- tension b) tension-puissance ….. comparaison les caractéristiques photovoltaïques avec différentes valeurs de isolation et la température.a) courant- tension b) tensionpuissance………………………………………………………………… Application MPPT-PSO: Simulations en temps réel Données d'ensoleillement et température d'un jour ensoleillé…............... Données d'ensoleillement et température d'un jour nuageux………......... Courant et tension optimaux d'un jour ensoleillé…………………........... Puissance optimale d'un jour ensoleillé……………………………......... Courant et tension optimaux d'un jour nuageux…………………........… Puissance optimale d'un jour nuageux…………………………………... 64 67 68 69 70 71 72 72 73 74 75 76 77 78 78 79 79 80 Application MPPT-GA: Simulations en temps réel Figure IV.19 Figure IV.20 Figure IV.21 Figure IV.22 Figure IV.23 Figure IV.24 Figure IV.25 Données d’Ensoleillement et température d’un jour ensoleillée……... Données d'ensoleillement et température d'un Jour nuageux……….... Courant et tension optimaux d'un jour ensoleillé…………………….. puissance optimale d'un jour ensoleillé………………………………. Courant et tension optimaux d'un jour nuageux……………………… puissance optimale d'un jour nuageux……………………………….. Figure IV.26 Figure IV.27 Figure IV.28 Caractéristique Ppv en fonction de Ipv = Iref………………………. Caractéristique Ppv en fonction de Ipv = Iref pendent la P&O……... Algorithme de MPPT base sur la méthode « P&O »………………… Figure IV.29 Figure IV.30 Figure IV.31 81 81 82 82 83 83 Modèle MATLAB/simulink du générateur PV avec hacheur Contrôlé par ( avec & sans) MPPT………………….…………………………………… 84 85 85 86 1er teste de Simulation: (sans MPPT) L’ensoleillement en fonction du temps………………………………. 86 Le courant(Iref =Iph), la tension et la puissance photovoltaïques en fonction de temps sans intégrer le contrôleur (MPPT-P&O) et pour Variation d’ensellement………………………………………...……. 87 courant de sortie de la convertisseur DC-DC(Hacheur) 87 en fonction de temps ……………………………………………..………. iv Liste des figures Figure IV.32 comparaison les puissances Pout, Ppv à P idéal-pv…………………. 88 Figure IV.33 comparaison l’Energies Eout, Epv à E idéal-pv en kilowattheure…… 88 Figure IV.34 Le rapport cyclique (Duty sycle) de la hacheur survolteur en fonction de temps……………………………………………………….……... 88 rendement de la convertisseur DC-DC en fonction de temps………... 88 Figure IV.35 2éme teste de Simulation: ( avec MPPT) Figure IV.37 Figure IV.38 Figure IV.39 Figure IV.40 Figure IV.41 Figure IV.42 Le courant(Iref =Iph), la tension et la puissance photovoltaïques pour Variation d’ensellement en fonction de temps……………………… courant de sortie de la convertisseur DC-DC(Boost)………………… comparaison les puissances Pout, Ppv à P idéal-pv………………… comparaison l’Energies Eout, Epv à E idéal-pv en kilowattheure…… Le rapport cyclique (Duty sycle) de la hacheur survolteur en fonction de temps …………………………………………………… rendement de la hacheur(boost) en fonction de temps ……………… iv 90 90 90 91 91 91 Liste des tableaux Table III.1 Exemples de sélection par rang pour 6 chromosomes……………... 53 Table IV.1 Résultats de l'optimisation avec éclairement variable à une température constante égale à 25°………………………………..... 68 Résultat de l'optimisation avec une température variable et un éclairement constant égal à1000 w/m2…………………………..… 69 Table IV.2 Table IV.3 Résultats de l’optimisation avec la température et l’éclairement qui varient en même temps………………………………………...…... 70 vi Liste des symboles et Acronymes Liste des Symboles et Acronymes Symboles PV GPV ACRONYME Photovoltaïque. Générateur Photovoltaïque. DC Direct Current. AC Alternating Current. Ds Diamètre de soleil [m]. Dt Diamètre de la terre [m]. Lts Diamètre moyenne soleil_terre [m]. Longueur d’onde [��]. Us Tension moyenne de sortie [V]. α rapport cyclique. Ue Tension moyenne de l'entrée [V]. Eg Larguer de la bande interdite du matériau [eV]. I Courant fourni par la cellule [A]. V Tension aux bornes de la cellule [V]. Iph Photo courant, ou courant généré par l'éclairement [A]. I0 Courant de Saturation d’une diode [A]. Rs Résistance série de la cellule [Ω]. Rsh Résistance shunt de la cellule [Ω]. Vd Tension de la diode [V]. q Charge de l’électron [1.602 *10-19 C]. K Constante de Boltzmann [1.38 *10-23 JK-1]. n Facteur d’idéalité de la jonction PN T Température absolue de la cellule [K]. a Coefficient de température du courant Iph [mA/°C]. G, G0 Isc Eclairements de fonctionnement et normalisé respectivement [W/m2]. Courant de court-circuit [A]. vii Liste des symboles et Acronymes Voc Tref Voc(Tref) P&O PSO AG MPPT-P&O MPPT-PSO MPPT-AG A Tension de circuit ouvert [V]. Température aux conditions normalisées [K]. Tension de circuit ouvert à la température normalisée [V]. Perturbation et Observation Particules SWARM d'Optimisation Algorithme Génétique MPPT (à base de la méthode Perturb andObserve) MPPT (à base de la méthode Particules SWARM d'Optimisation) MPPT (à base de la la méthode d’Algorithme Génétique) surface de la charge et le produit de Isc et Voc N,K Iréf Pc Nombre d’itération Courant de référence de MPPT Probabilité de croisement Pm Kmax Probabilité de mutation Nombre d’itération maximale vii Introduction générale Introduction générale L'industrie moderne a des besoins de plus en plus importants en énergie. Les sources classiques d'énergie, qui sont les sources fossiles telles que le charbon et les hydrocarbures, laissent progressivement la place aux énergies renouvelables. L'augmentation fulgurante du prix du pétrole ces dernières années a en effet contraint les pays développés à investir dans ce type d'énergies telles que l'énergie solaire, éolienne, marémotrice ou géothermique. Ces énergies, en plus d'être inépuisables, représentent un secteur porteur permettant un développement durable tout en préservant l'environnement. L'énergie solaire représente certainement la source d'énergie renouvelable la plus élégante. En plus d'être silencieuse, elle s'intègre parfaitement aux constructions (façades, toiture…), et du fait qu'elle n'intègre pas de pièces mécaniques mobiles, elle ne nécessite pas un entretien particulier reste fiable longtemps, c'est la raison pour laquelle elle est devenue une référence dans les applications spatiales et dans les sites isolés. Elle est en train de s'imposer comme une valeur sure dans les applications à petite et moyenne consommation d'énergie, surtout depuis que les panneaux solaires sont devenus moins chers pour des rendements meilleurs. Les panneaux solaires, bien qu’ils soient de plus en plus performants, ont des rendements qui restent assez faibles (autour de 20%), c'est pourquoi il faut exploiter le maximum de puissance qu'ils peuvent générer en réduisant au maximum les pertes d'énergie. Une caractéristique importante de ces panneaux est la puissance maximale disponible est fournie seulement en un seul point de fonctionnement appelé «Maximum Power Point » (MPP), défini par une tension et courant donnés, et ce point se déplace en fonction des conditions météorologiques (ensoleillement, température, etc.) ainsi que des variations de la charge. Extraire le maximum de puissance nécessite donc un mécanisme de poursuite de ce point qu'on appelle MPPT. Le problème qui se pose toujours, comment faire fonctionner le système photovoltaïque pour qu'il fournisse sa puissance maximale? Plusieurs critères d'optimisation de l'efficacité des systèmes photovoltaïques étaient appliqués, et des techniques suivies pour avoir une adaptation et un rendement élevé. La méthode MPPT 1 Introduction générale (Maximum Power Point Tracking) rentre en compte ici, elle fait appel à plusieurs techniques, à savoir les techniques traditionnelles: numériques, analogiques et analytiques ou les technique basées sur l'intelligence artificielle telle que les réseaux de neurones, la logique floue, le neurone- flou, les algorithmes génétiques (GA) et la technique SWARM (PSO). Dans ce sens, l'Optimisation par les méthodes métaheuristiques (GA et PSO) sera l'objectif primordial de notre travail, pour détecter le point de puissance maximale dans un système photovoltaïque sous différentes conditions climatiques. Afin de valider l'importance des telles méthodes, on va les comparaisons avec la célèbre méthode classique dite Perturbation et observation où l'on cherche toujours à avoir un algorithme dit efficace. Outre l'introduction et la conclusion générales, ce projet sera divisé en Cinq chapitres selon le plan suivant : Le premier chapitre, donne une idée générale sur système photovoltaïque, on y explique brièvement les différents composants et le principe de fonctionnement d'un système photovoltaïque. Le deuxième chapitre, après avoir introduit des différentes techniques de la poursuite du point de puissance maximale, explique le principe de la méthode MPPT choisie P&O. Le troisième chapitre a pour objet de présenter l'origine de la technique d'Optimisation par Essaim de Particules, sa mise en œuvre et les réglages de ses paramètres et fournit une initialisation de base se « l’algorithmes génétiques» . Le quatrième chapitre, est consacré à l'optimisation du point de puissance maximale PPM (Maximum Power Point) sous différentes conditions climatiques en utilisant la technique SWARM (PSO) et la technique D’algorithmes génétiques (GA). La programmation et les comparaisons entre les différentes méthodes P&O, MPPT-PSO et MPPT-GA ainsi que les interprétations des résultats obtenus seront exposées d'une manière objective. Le cinquième chapitre, donne ou expose par comparaison les techniques des simulations en temps réel Pour ce là choisi les données à travers la région de Golden, Colorado sous différentes conditions climatiques d’un jour (ensoleillé, nuageux) On plus, on va présenter les résultats des performances des composants de la chaine de conversion photovoltaïque (panneaux solaires, hacheur, MPPT) obtenues sous l’environnement de simulation (MATLAB/SIMULINK). Enfin, nous donnerons une conclusion pour établir un bilan des résultats de simulation obtenus, ainsi que des perspectives à envisager concernant des éventuelles applications. 2 Chapitre I Systèmes photovoltaïques Systèmes photovoltaïques I.1 Introduction : Depuis très longtemps, l’homme a cherché à utiliser l’énergie émise par le soleil, étoile la plus proche de la terre. La plupart des utilisations sont directes comme en agriculture, à travers la photosynthèse ou dans diverses applications de séchage et chauffage, autant artisanale qu’industrielle. Cette énergie est disponible en abondance sur toute la surface terrestre et, malgré une atténuation importante lors de la traversée de l’atmosphère, une quantité encore importante arrive à la surface du sol. On peut ainsi compter sur 1000 W/m2 dans les zones tempérées et jusqu’à 1400 W/m2 lorsque l’atmosphère est faiblement polluée en poussière ou en eau. Le flux solaire reçu au niveau du sol terrestre dépend ainsi de plusieurs paramètres comme: l’orientation, la nature et l’inclinaison de la surface terrestre, la latitude du lieu de collecte, de son degré de pollution ainsi que de son altitude, la période de l’année, l’instant considéré dans la journée, la nature des couches nuageuses. La conversion de la lumière en électricité, appelée effet photovoltaïque, peut s’effectuer par le biais d’un capteur constitué de matériaux sensibles à l’énergie contenue dans les photons. Ce capteur se présente à l’échelle élémentaire sous forme d’une cellule nommée cellule photovoltaïque (PV) [1]. Ce chapitre décrit les concepts de base de l’énergie solaire et de la production d’électricité grâce à l’effet photovoltaïque. Les principaux éléments du système photovoltaïque y sont étudiés et un survol de leurs caractéristiques est effectué. 3 Chapitre I Systèmes photovoltaïques I.2 Historique :[2] Les systèmes photovoltaïques sont utilisés depuis 40 ans. Les applications ont commencé avec le programme spatial pour la transmission radio des satellites. Elles se sont poursuivies avec les balises en mer et l'équipement de sites isolés dans tous les pays du monde, en utilisant les batteries pour stocker l'énergie électrique pendant les heures sans soleil. I.2.1 Dates importantes dans l’histoire du photovoltaïque : 1839: le physicien français Edmond Becquerel découvre le processus de l’utilisation de l’ensoleillement pour produire du courant électrique dans un matériau solide. C’est l’effet photovoltaïque. 1875: Werner Von Siemens expose devant l’Académie des Sciences de Berlin un article sur l’effet photovoltaïque dans les semi-conducteurs. Mais jusqu’à la Seconde Guerre Mondiale, le phénomène reste encore une curiosité de laboratoire 1954: trois chercheurs américains, Chapin, Pearson et Prince, mettent au point une cellule photovoltaïque à haut rendement au moment où l’industrie spatiale naissante cherche des solutions nouvelles pour alimenter ses satellites. 1958: une cellule avec un rendement de 9 % est mise au point. Les premiers satellites alimentés par des cellules solaires sont envoyés dans l’espace. 1973: la première maison alimentée par des cellules photovoltaïques est construite à l’Université de Delaware. 1983: la première voiture alimentée par énergie photovoltaïque parcourt une distance de 400 Km en Australie. La première cellule photovoltaïque (ou photopile) a été développée aux Etats-Unis en 1954 par les chercheurs des laboratoires Bell, qui ont découvert que la photosensibilité du silicium pouvait être augmentée en ajoutant des "impuretés". C'est une technique appelée le "dopage" qui est utilisée pour tous les semi-conducteurs Mais en dépit de l'intérêt des scientifiques au cours des années, ce n'est que lors de la course vers l'espace que les cellules ont quitté les laboratoires. En effet, les photopiles représentent la solution idéale pour satisfaire les besoins en électricité à bord des satellites, ainsi que dans tout site isolé. 4 Chapitre I Systèmes photovoltaïques I.3 Rayonnement Solaire :[3] Le soleil est une étoile parmi tant d’autres. Il a un diamètre de 1390000 km, soit environ 50 fois celui de la terre. Il est composé à 80%d’hydrogène, 19%d’hélium et 1% d’un mélange de 100 éléments, soit pratiquement tout les éléments chimiques connus depuis que Langevin et Perrin, s’appuyant sur la théorie de la relativité d’Einstein, ont émis l’idée il y a une soixantaine d’années que c’est l’énergie de fusion nucléaire qui fournit au soleil sa puissance,il est aujourd’hui admis que le soleil est une bombe thermonucléaire hydrogène –hélium transformant chaque seconde 564 millions de tonnes d’hydrogène en 560 millions tonnes d’hélium; la réaction se faisant dans son noyau à la température d’environ 25 millions de degrés Celsius. Ainsi, à chaque seconde, le soleil est allégé de 4 millions de tonnes dispersées sous forme de rayonnement. Sa lumière, à une vitesse de 300000 km/s, met environ 8 minutes pour parvenir à la terre, sa distribution spectrale de l’atmosphère est présenté un maximum pour une longueur d’onde d’environ 0.5μm,la température de corps noir à la surface du soleil est d’environ 5780°k: Diamètre de soleil Ds=1.39.109 m Diamètre de la terre Dt=1.27.107m Distance moyenne soleil_ terre Lts=1.5.1011 m I.3.1 Spectre du rayonnement : Le rayonnement électromagnétique est composé de «grains» de lumière appelés photons. L’énergie de chaque photon est directement liée à la longueur d’onde : Le spectre du rayonnement extraterrestre correspond environ à l’émission d’un corps noir porté à 5800° K. Une courbe standard, compilée selon les données recueillies par les satellites, est désignée sous le nom de AM0. Sa distribution en énergie est répartie en: Ultraviolet UV 0.20 < l < 0.38 mm 6.4% . Visible 0.38 < l < 0.78 mm 48.0% . Infrarouge IR 0.78 < l < 10 mm 45.6% . 5 Chapitre I Systèmes photovoltaïques Figure I.1 Spectre solaire hors atmosphérique. I.3.2 Durée d’insolation : La durée d’insolation correspond au nombre d’heures dans la journée, entre le lever et le coucher du soleil, où celui-ci est bien visible. Le relevé est fait au moyen de l’héliographe de Campbell− Stokes dans lequel une sphère de cristal concentre les rayons du soleil sur un papier qu’il brûle en se déplaçant. Ainsi, seuls les moments où le soleil est biens visible sont enregistrées ; on parle alors de durée d’insolation réelle ou effective et dépend du fait que le soleil levé soit visible du point d’observation ou caché par les nuages. Au défaut de l’héliographe, il est possible à partir du calcul du mouvement astronomique relatif du soleil et de la terre d’évaluer la durée théorique du jour ; c’est-àdire, celle qu’il y aurait si les nuages ne cachaient pas le soleil. Cette durée est calculée en fonction de la latitude du site et de la déclinaison apparente qui’ elle même dépend de la période de l’année considérée. I.4 Les Principaux Composants D'un Système Solaire Photovoltaïque :[4] Un système solaire photovoltaïque est généralement constitué de trois ou quatre éléments Principaux : - Le générateur photovoltaïque, qui représente l’outil de conversion de l’énergie contenue dans la lumière du soleil en énergie électrique en courant continu. Il est composé d’un ensemble de panneaux. Le panneau est constitué de plusieurs modules (structurés en série 6 Chapitre I Systèmes photovoltaïques ou en parallèle ou hybride) . Le module contient des rangés de cellules (structurées en série ou en parallèle ou hybride) et généralement des cellules à base de silicium. Figure I.2 Structure d'une cellule solaire en silicium - Le stockeur d’énergie (batterie ou accumulateur), qui a le rôle de stocker l’énergie émise par le générateur photovoltaïque et permet par la suite : un déphasage entre la production et la consommation (jour/nuit, mauvais temps) ; une puissance élevée, sur un temps court, compatible avec la production journalière, avec une puissance crête installée faible. Il faut noter que le stockeur d’énergie n’est pas toujours parmi les composants d’un système solaires photovoltaïque, car il peut être indisponible et cela selon les besoins - Le système de contrôle (régulateur), qui assure la sécurité et le bon fonctionnement de la batterie (en cas d’un système avec batterie), plus le fonctionnement optimal de tout le système photovoltaïque. Il est composé généralement d’un hacheur (dévolteur, survolteur ou les deux au même temps) et des jeux de contact. Les hacheurs ou les convertisseurs continu-continu ont pour fonction de fournir une tension continue variable à partir d'une tension continue fixe.. Il existe trois types d’hacheurs : • Hacheur dévolteur (ou série) : Ce nom est lié au fait que la tension moyenne de sortie Us est inférieure à celle de l'entrée Ue. Pour un rapport cyclique α donné, et en régime de conduction continu, la tension moyenne à la sortie est donnée par : U S U (I.1) e 7 Chapitre I Systèmes photovoltaïques Us Ue ث Figure I.3 Schémas de principe d'un hacheur série. • Hacheur survolteur (ou parallèle) : Ce nom est lié au fait que la tension moyenne de sortie Us est supérieure à celle de l'entrée Ue. Pour un rapport cyclique α donné, et en régime de conduction continu, la tension moyenne à la sortie est donnée par : U S 1 1 U (I.2) e Ue Us Figure I.4 Schémas de principe d'un hacheur parallèle •Hacheur série−parallèle : Ce nom est lié au fait que la tension moyenne de sortie Us est inférieure ou supérieure à celle de l'entrée Ue. Pour un rapport cyclique α donné, et en régime de conduction continu, la tension moyenne à la sortie est donnée par : U S 1 U (I.3) e 8 Chapitre I Systèmes photovoltaïques Ue Us Figure I.5 Schémas de principe d'un hacheur série-prallèle. Le système d’interconnexion, qui relie le générateur photovoltaïque (producteur d’électricité) au consommateur (consommateur d’électricité). C’est un système simple (câbles seulement) ou composé (hacheur, onduleur ou les deux au même temps) Les autres composants :[5] Les derniers éléments indispensables au bon fonctionnement d'un système photovoltaïque autonome sont les protections contre la foudre, les disjoncteurs et les fusibles. Comme les panneaux solaires sont des équipements généralement coûteux, ils doivent être protégés pour éviter toute dégradation. Les dangers sont multiples : Perturbations induites par les commutations des convertisseurs de puissance. Dans ce cas, on peut introduire des filtres de puissance pour éliminer les harmoniques. Fonctionnement en récepteur : les panneaux se détériorent rapidement quand ils absorbent de la puissance. On peut utiliser des diodes pour empêcher le courant qui circule dans le mauvais sens. La Foudre: les protections contre la foudre sont indispensables si l'on veut garantir une alimentation fiable en électricité. Pour réaliser une protection respectés trois principes: - conduire le courant de foudre vers la terre par le chemin le plus directe ; - minimiser les surfaces des boucles de masse. - miter l'onde de surtension par des parafoudre . 9 Chapitre I Systèmes photovoltaïques I.5 Cellule Solaire : I.5.1 Fabrication des cellules solaires : Une tranche de silicium réfléchit près de 40% du rayonnement. En réalisant sur la face avant des couches anti-reflets dont la transmission optique est optimisée pour le domaine de longueurs d’onde d’irradiante maximale du spectre solaire, la surface traitée ne réfléchit plus que 4% du rayonnement. Ce sont ces couches anti-reflets qui donnent aux cellules solaires leur couleur bleue alors que le silicium est naturellement gris. Par variation de l’épaisseur de ces couches, on obtient des cellules solaires de différentes couleurs, toujours au prix d’une perte de puissance [6]. Figure I.6 Cellules solaires Le schéma suivant décrit les différentes étapes de la production d’un système photovoltaïque (technologie cristalline). Figure I.7 Différentes étapes de la production d'un système PV. 10 Chapitre I Systèmes photovoltaïques I.5.2 Principe d’une cellule photovoltaïque Une cellule photovoltaïque est un capteur constitué d’un matériau semi-conducteur absorbant l’énergie lumineuse et la transformant directement en courant électrique. Le principe de fonctionnement de cette cellule fait appel aux propriétés d’absorption du rayonnement lumineux par des matériaux semi-conducteurs. Ainsi, le choix des matériaux utilisés pour concevoir des cellules PV se fait en fonction des propriétés physiques de certains de leurs électrons susceptibles d’être libérés de leurs atomes lorsqu’ils sont excités par des photons provenant du spectre solaire et possédant une certaine quantité d’énergie selon leurs longueurs d’onde. Une fois libérés, ces charges se déplacent dans le matériau formant globalement un courant électrique de nature continu (DC). La circulation de ce courant donne alors naissance à une force électromotrice (fem) aux bornes du semiconducteur correspondant ainsi au phénomène physique appelé effet photovoltaïque. La figure I.8 illustre la constitution d’une cellule photovoltaïque en silicium. Figure I.8 Structure d'une cellule photovoltaïque au silicium (jonction PN). Comparable à une diode utilisée classiquement en électronique, une cellule PV peut être réalisée à partir de deux couches de silicium, une dopée P (dopée au bore) et l’autre dopée N (dopée au phosphore). Entre les deux zones se développent une jonction PN avec une barrière de potentiel. La zone N est couverte par une grille métallique qui sert de cathode (contact avant) et surtout de collecteurs d’électrons, tandis qu’une plaque métallique (contact arrière) recouvre l’autre face du cristal et joue le rôle d’anode. 11 Chapitre I Systèmes photovoltaïques Lorsque les photons sont absorbés par le semi-conducteur, ils transmettent leur énergie aux électrons par collision. Si l’énergie transmise est supérieure à celle associée à la bande interdite (Eg) du semi-conducteur, des paires électrons-trous sont alors crées dans cette zone de déplétion par arrachement des électrons. Sous l’effet d’un champ électrique E qui règne dans cette zone, ces porteurs libres sont drainés vers les contacts métalliques des régions P et N. Il en résulte alors un courant électrique dans la cellule PV et une différence de potentiel (de 0.6 à 0.8 Volt) supportée entre les électrodes métalliques de la cellule [7]. I.5.3 Les types des cellules solaires : [8] Il existe trois principaux types de cellules à l'heure actuelle: a. Les cellules monocristallines : Ce sont celles qui ont le meilleur rendement (12%-16%), mais aussi celle qui ont le coût le plus élevé, du fait d'une fabrication compliquée. b. Les cellules polycristallines : Leur conception étant plus faible, leur coût de fabrication est moins important, cependant leur rendement est plus faible : (11%-13%). c. Les cellules amorphes : Elles ont un faible rendement (8%-10%), mais ne nécessitent que de très faibles épaisseurs de silicium et ont un coût peu élevé. Elles sont utilisées couramment dans les produits de petite consommation tel que les calculatrices solaires ou encore les montres. I.6 Les Différentes Caractéristiques D'un Générateur photovoltaïque : I.6.1 Circuit équivalant et modèle mathématique d'une cellule solaire: Le fonctionnement d’un module photovoltaïque est décrit par le modèle « standard » à une diode, établit par Shokley pour une seule cellule PV, est généralisé à un module PV en le considérant comme un ensemble de cellules identiques branchées en série ou en parallèle [2]. Dans la littérature, une cellule photovoltaïque est souvent présentée comme un générateur de courant électrique dont le comportement est équivalent à une source de courant shuntée par une diode. Pour tenir compte des phénomènes physiques au niveau de la cellule, le modèle est complété par deux résistances série Rs et Rsh comme le montre le schéma équivalent de la figure. I.9 [4]. 12 Chapitre I Systèmes photovoltaïques la résistance série est la résistance interne de la cellule ; elle dépend principalement de la résistance du semi-conducteur utilisé, de la résistance de contact des grilles collectrices et de la résistivité de ces grilles [9]. la résistance shunt est due à un courant de fuite au niveau de la jonction ; elle dépend de la façon dont celle-ci a été réalisée [9]. Rs Iph Id I Ish Rsh V Figure I.9 Schéma équivalent d’une cellule PV Modèle à une diode. Ce modèle est présenté par un ensemble d'équations, d'une complexité modérée. Il reflète le comportement de la cellule solaire (Iph et Id), déduit du circuit de la Figure I.9 (one-diode), en prenant en considération les dépendances suivantes :[10] courant de saturation I0 des cellules comme fonction de la température ; courant Iph , comme fonction de la température aussi; ainsi que la résistance série Rs , qui donne une forme plus précise entre le point de puissance maximale et la tension du circuit ouvert, comme étant aussi fonction de la température. Ce modèle donne une bonne précision pour divers modules. L'ensemble des équations de ce modèle est la version simplifiée d'un tas d'équations obtenues du digramme de ' two-diode model ' L'équation courant tension I-V du circuit équivalent simplifié est déduite à partir de la loi de Kirchhoff (première loi de Kirchhoff:la somme de tous les courants entrant et sortant d’un point est égale à zéro). I ph I I I ph d I I d I (I.4) I (I.5) sh sh Connaissant l’équation d’une diode I d qV d nKT 1 I 0 e (I.6) 13 Chapitre I Systèmes photovoltaïques Avec : Vd : la tension de la diode Vd V R (I.7) I S Le courant de la résistance shunt est calculé par: I Sh R R V S I (I.8) Sh on en déduit l'expression du courant fournit par une cellule solaire q V R I V I R R S I I ph I e 0 1 nKT Sh S (I.9) I : le courant fournie par la cellule [A]. V: la tension au borne de la cellule [V]. Iph: photocourant [A]. I0 : courant de saturation de la diode [A]. Rs: résistance série [Ω]. Rsh: résistance shunt (ou parallèle) [Ω]. q : la charge de l'électron = 1.602.10-19 coulomb. K : Constante de Boltzmann = 1.38.10-23 J/k. n : est le facteur d'idéalité de la jonction p-n, il détermine la déviation des caractéristiques des cellules à partir de la jonction idéale p-n, T : est la température absolue de la cellule Comme la résistance shunt est beaucoup plus élevée que la résistance série, on peut négliger le courant délivre dans Rsh. On obtient : I I I ph T ph q V R S I I 0 e nKT 1 I T 1 a T T ph ref (I.10) ref (I.11) G I T I T G ph ref SC (I.12) ref 0 où G et G0: sont les éclairements de fonctionnement et normalisé respectivement; a: est le coefficient de température du courant Iph (mA/°C) Tref est la température aux conditions normalisées (référence). 14 Chapitre I Systèmes photovoltaïques I SC T2 a I T SC T I SC T ref (I.13) ref 2 T ref I 0 est le courant de saturation ; qui lui aussi est une fonction des températures T et Tref. Ce courant est donné par: I I T T T 0 0 ref n 3 ref e q E 1 nK T g 1 T ref (I.14) Où: I T SC I T 0 ref e qV OC T ref nK (I.15) ref T eref 1 ISC(Tref) le courant de court circuit de la cellule à la température ambiante T; Eg est l'énergie de la bande interdite du matériel de la cellule en eV (1.16eV pour le silicium et 1.75eV pour l'amorphe); Voc(Tref) est la tension du circuit ouvert à la température T L'obtention de l'expression de Rs, en fonction de T et d'autres paramètres de la cellule, est déduite à partir de la dérivation de l'équation (I.10) ; ce qui donne l'équation (I.16) : R X S V dV dI OC 1 X (I.16) V qV q e I T nK T 0 nK OC T ref (I.17) T ref ref ref I.6.2 La caractéristique courant-tension (I-V) d'une cellule photovoltaïque: La figure I.10 montre la caractéristique courant-tension (I-V) pour une cellule photovoltaïque. Ainsi, si une résistance variable R aux bornes de la cellule PV, le point de fonctionnement est déterminée par l'intersection de la caractéristique I-V de la cellule avec la courbe de la charge. Pour une charge résistive, la courbe de charge est une droite avec la pente 1/R. par conséquent, la résistance R est petite, le point de fonctionnement est situé dans la région AB de la courbe. Le courant I varie peu en fonction de la tension (il est 15 Chapitre I Systèmes photovoltaïques presque égale au courant de court-circuit). La cellule se comporte comme un générateur de courant. D'autre part, si la résistance R est grande, la cellule fonctionne dans la région CD. Dans cette zone, la tension de la cellule varie peu en fonction du courant I: la cellule se comporte comme une source de tension qui est presque égale à la tension de fonctionnement à vide. Dans la région BC sur la courbe, la cellule PV ne peut être caractérisée ni par une source de courant, ni par une source de tension. C'est dans cette zone que se trouve le point pour lequel la puissance fournie est maximale dans des conditions fixées d'éclairement et de température. Vous pouvez choisir un des deux images l'un Figure I.10 Caractéristique tension-courant d'une cellule photovoltaïque. Une cellule peut être caractérisée par les paramètres principaux, présentés aussi dans la figure I.10: le courant de court circuit, Isc = Iph, est proportionnel à l'éclairement et représente le courant maximal généré par la cellule. Il est produit dans des conditions de court circuit (V = 0). la tension à vide correspond à la chute de tension sur la diode, quand elle est traversée par le photo courant Iph (Id = Iph), I = 0. cette tension peut être exprimée mathématiquement par: 16 Chapitre I Systèmes photovoltaïques V nKT Ln q OC I I ph 0 Ln Vt I I ph 0 (I.18) OùV t nKT est la tension thermique et T est la température absorbe de la cellule. q le point de puissance maximale est le point de fonctionnement M (Vmax, Imax) dans la figure I.10, pour lequel la puissance dissipée dans la charge résistive est maximale. le rendement maximal est le rapport entre la puissance maximale et la puissance incidente: P P max I V max max (I.19) AG in où Pin est la puissance incidente, G ou E est l'éclairement et A est la surface de la charge et le produit de Isc et Voc: FF P P max opt P V OC max I (I.20) SC Le facteur de forme pour une cellule de bonne qualité est supérieur à 0.7. Il diminue avec l'augmentation de la température de la cellule [11]. I.6.3 Facteurs limitation de rendement d’un générateur photovoltaïque: La quantité d’énergie produite par un système photovoltaïque dépend fortement, des caractéristiques électromécaniques de chacun des éléments du système, de la surface des champs capteur, de la quantité d’énergie solaire incidente sur la surface de la partie captation de ce système, de la température ambiante qui influe aussi sur la réponse de ce type de système [2]. I.6.3.1 Influence de la résistance série Rs : La résistance série caractérise les pertes par effets Joule de la résistance propre du semi conducteur et les pertes à travers les grilles de collectes et les mauvais contactes ohmiques de la cellule. Les contactes semi conducteur-électrodes à résistance élevée abaissent appréciablement la tension et le courant de sortie ce qui va limiter le rendement de conversion [2]. I.6.3.2 Influence de la résistance parallèle Rsh : 17 Chapitre I Systèmes photovoltaïques La résistance parallèle (ou shunt) caractérise les pertes par recombinaison des porteurs dues aux défauts structurales du matériau épaisseurs des régions N et P et de la zone de charge et d’espace. L’existence de fissures et de défaut de structures complexes devient le siège de phénomène physique assimilable aussi à une résistance parallèle Rsh. L’ordre de grandeur de la résistance parallèle pour une cellule au Si : R sh = 102 à 104 Ω. Rsh augmente avec le groupement série de cellules solaires et diminue avec une connexion parallèle [2]. I.7 Le Module photovoltaïque : [12] Afin d’augmenter la tension d’utilisation, les cellules PV sont connectées en série. La tension nominale du module est habituellement adaptée à la charge de 12 volts et les modules auront donc généralement 36 cellules. De plus, la fragilité des cellules au bris et à la corrosion exige une protection envers leur environnement et celles-ci sont généralement encapsulées sous verre ou sous composé plastique. Le tout est appelé un module photovoltaïque. Figure I.11 Exemples de modules photovoltaïques I.7.1 Association des modules photovoltaïques : Les modules peuvent également être connectés en série et en parallèle afin d’augmenter la tension et l’intensité du courant d’utilisation. Toutefois, il importe de prendre quelques précautions car l’existence de cellules moins efficaces ou l’occlusion d’une ou plusieurs cellules (dues à de l’ombrage, de la poussière, etc.) peuvent endommager les cellules de façon permanente. I.7.1.1 Association en série : En additionnant des cellules ou des modules identiques en série, le courant de la branche reste le même mais la tension augmente proportionnellement au nombre de cellules (modules) en série. 18 Chapitre I Systèmes photovoltaïques Si les cellules des modules en série ne sont pas identiques ou si certaines cellules sont partiellement ombragées, la tension d’utilisation des modules en série sera légèrement diminuée. Pour une impédance de charge faible, les cellules moins efficaces peuvent devenir réceptrices si le courant d’utilisation est inférieur au courant produit par ces cellules. Ainsi, pour une impédance nulle (court-circuit), une cellule ombragée sera soumise à ses bornes à une tension inverse importante et la puissance qu’elle devra dissiper sera trop grande. En fonctionnant ainsi, on provoque l’échauffement de la cellule (hot spot), ce qui est susceptible de la détruire par claquage. Il convient donc de limiter la tension inverse maximale susceptible de se développer aux bornes d’une cellule en plaçant une diode parallèle (by-pass) au niveau de chaque module (voir figure I.12). La diode parallèle limite la tension inverse par sa tension directe puisqu’elle devient passante. En court-circuit, la puissance dissipée par la cellule moins efficace se limite à l’ordre du watt, ce qui évite toute destruction. La diode parallèle est inopérante en fonctionnement normal et ne diminue donc pas le rendement des modules. . Figure I.12 Modules en série avec diodes by-pass. I.7.1.2 Association en parallèle : En additionnant des modules identiques en parallèle, la tension de la branche est égale à la tension de chaque module et l’intensité augmente proportionnellement au nombre de modules en parallèle dans la branche. Si les modules en parallèles ne sont pas identiques ou si quelques cellules d’un module sont ombragées, le courant d’utilisation total des modules sera plus faible. Pour une impédance de charge élevée, les modules moins performants deviendront récepteurs si la tension d’utilisation est supérieure à la tension produite par ces modules. Une dissipation de puissance importante peut devenir dangereuse au niveau de la cellule la plus faible de 19 Chapitre I Systèmes photovoltaïques ces modules. Ainsi pour le cas le plus critique où la charge est nulle et le circuit ouvert, le courant des branches des modules performants se dissipera dans la branche la moins performante. Bien que la cellule puisse dissiper un courant important sans être altérée, il est préférable de disposer d’une diode anti-retour. Celle-ci empêche aussi de gaspiller dans le module occulté une partie de la puissance produite par les modules fonctionnant normalement. Cette solution n’est valable que si la chute de tension provoquée par cette diode est négligeable devant la tension produite par les modules de la branche. En effet, cette diode est traversée, en fonctionnement normal, par le courant de la branche, ce qui introduit une perte de puissance permanente. Figure I.13 Modules en parallèle avec diodes anti-retour. I.7.1.3 Association série-parallèle : Généralement, on utilise un montage série-parallèle qui nous permet de régler à la fois la tension et le courant selon les caractéristiques de la charge. Les cellules photovoltaïques sont associées entre elles en série, et les modules sont associés en parallèle. On utilise alors les diodes by-pass pour éviter que les cellules les moins performantes deviennent consommatrices, et les diodes anti-retour pour éviter le retour du courant des autres modules lorsqu’un module est mal ensoleillé. 20 Chapitre I Systèmes photovoltaïques Figure I.14 Montage série-parallèle de modules photovoltaïques I.8 Générateur photovoltaïque : Pour éviter toute confusion entre les paramètres mathématiques de la cellule et du panneau solaire la notation suivante est utilisée : l'exposant 'P' réfère aux paramètres du panneau et l'astérisque, c'est utilisé pour la cellule. La tension globale du panneau est notée par VP et le courant global est IP. Le modèle mathématique du panneau est obtenu en remplaçant chaque celle par son circuit équivalent, privé de la résistance parallèle RP car son influence sur les caractéristiques de la cellule est très faible. Le courant IP, en fonction des paramètres caractéristiques du panneau est donné par : I p I p SC 1 exp V p V p OC N V S p R I P S C t (I.21) Avec : p Le courant de court-circuit du panneau I N I La tension en circuit ouvert du panneau V La résistance série équivalente R La tension thermique de la cellule p S V SC S p C SC N V OC S C OC C R N S C t S aKT C q I.9 Caractéristiques Tension-Courant et Puissance-Tension Sous Différentes Conditions Climatiques : I.9.1 Influence de l'éclairement : L'augmentation du flux lumineux se traduit en somme par le déplacement de la caractéristique suivant l'axe des courants. En effet l'accroissement du courant de court21 Chapitre I Systèmes photovoltaïques circuit est beaucoup plus important que l'accroissement de la tension du circuit ouvert car le courant de court-circuit est une fonction logarithmique [13]. Les figures I.15 (15.a et 15.b) confirment la proportionnalité du courant Iph (Isc) et de la puissance maximale de fonctionnement PPM généré par le flux lumineux sur le module PV. Aussi, on observe la faible variation de la tension du circuit ouvert Voc du module avec l'éclairement G. (a) (b) Figure I.15 Caractéristique du module photovoltaïque pour différents éclairements. a) courant-tension b) tension-puissance I.9.2 Influence de la température : La température est un paramètre très important dans le comportement des photopiles. En effet, si la température augmente, le photo-courant augmente à peu près de 3.10-2 mA/k par cm² de cellule. Le courant I augmente très rapidement avec T. Il engendre une diminution de la tension du circuit ouvert Voc .Cette diminution est de l'ordre de 2mV par degré. L'augmentation de la température se traduit aussi par une diminution de la puissance maximale disponible de l'ordre de 5.10-5 w/k par cm² de cellule, soit une variation de 0.35% par degré [13]. 22 Chapitre I Systèmes photovoltaïques (a) (b) Figure I.16 Caractéristique du module photovoltaïque pour différents températures. a) courant-tension b) tension-puissance I.9.3 Influence simultané de l'éclairement et de la température (a) (b) Figure I.17 Caractéristique du module photovoltaïque pour différents éclairements et températures. a) courant-tension b) tension-puissance I.9.4 Influence du facteur d'idéalité : Théoriquement, le facteur d'idéalité n des cellules poly-cristallines prend une valeur entre 1et 2,tout en étant près de la valeur de 1 par rapport aux courants élevés, il augmente jusqu'àla valeur 2 pour des courants faibles. Pour un fonctionnement normal, il est généralement égal à1.3. La courbe de la figure I.18, affirment la notification précédente. 23 Chapitre I Systèmes photovoltaïques Figure I.18 Influence de facteur d'idéalité. I.10 Classification D'un System photovoltaïque: I.10.1 Système photovoltaïque autonomes : Dans le cas d'installations autonomes, l'énergie produite par les panneaux solaires photovoltaïques est utilisée immédiatement (pompage, ventilation, etc….) ou stockée dans des batteries pour une utilisation différée. Le courant continu produit alimente directement des appareils prévus à cet effet ou est transformé en 230 Volts alternatif [14]. Figure I.19 Installation photovoltaïque autonome La majorité des populations à l'écart des réseaux électriques vit dans des zones rurales,où l'implantation de tels réseaux est difficile, pour des raisons d'accès ou de moyens. Les systèmes photovoltaïques constituent alors une option intéressante, ils donnent aux populations un accès à l'électricité avec un coût, une maintenance et des difficultés de mise en œuvre réduits [15]. 24 Chapitre I Systèmes photovoltaïques I.10.2 Système photovoltaïque raccordé à un réseau : Le système peut également être connecté au réseau. L'avantage du raccordement est de se dispenser du coûteux et problématique stockage de l'électricité. Dans ses versions les plus économiques l'onduleur ne peut fonctionner qu'en présence du réseau, une éventuelle panne de ce dernier rend inopérationnel le système de production d'origine renouvelable. Un onduleur réversible est nécessaire si on a une charge à courant continu. Si la consommation locale est supérieure à la production de la centrale, l'appoint est fourni par le réseau. Dans le cas contraire, l'énergie est fournie au réseau public et sert à alimenter les consommateurs voisins [14]. Figure I.20 Installation photovoltaïques couplée au réseau. I.11 Avantages et Inconvénients D'une Installation PV I.11.1 Avantages : [3] D'abord une haute fiabilité. L'installation ne comporte pas de pièces mobiles qui la rend particulièrement appropriée aux régions isolées. C'est la raison de son utilisation sur les engins spatiaux. Ensuit le caractère modulaire des panneaux photovoltaïque permet un montage simple et adaptable à des besoins énergétiques divers. Les systèmes peuvent être dimensionnés pour des applications de puissances allant du milliWatt au MégaWatt. Le coût de fonctionnement est très faible vu les entretiens réduits et il ne nécessite ni combustible, ni son transport, ni personnel hautement spécialisé. La technologie photovoltaïque présente des qualités sur le plant écologique car le produit fini est non polluant, silencieux et n'entraîne aucune perturbation du 25 Chapitre I Systèmes photovoltaïques milieu, si ce n'est pas l'occupation de l'espace pour les installations de grandes dimensions. I.11.2 Inconvénients : [3] La fabrication du module photovoltaïque relève de la haute technologie et requiert des investissements d'un coût élevé. Le rendement réel de conversion d'un module est faible, de l'ordre de 10-15 % avec une limite théorique pour une cellule de 28%. Les générateurs photovoltaïques ne sont pas compétitifs par rapport aux générateurs diesel que pour des faibles demandes d'énergie en régions isolées. Tributaire des conditions météorologiques. Lorsque le stockage de l'énergie électrique sous forme chimique (batterie) est nécessaire, le coût du générateur est accru. Le stockage de l'énergie électrique pose encore de nombreux problèmes. Le faible rendement des panneaux photovoltaïques s'explique par le fonctionnement même des cellules. Pour arriver à déplacer un électron, il faut que l'énergie du rayonnement soit au mois égale à 1 eV. Tous les rayons incidents ayant une énergie plus faible ne seront donc pas transformés en électricité. De même, les rayons lumineux dont l'énergie est supérieure à 1 eV perdront cette énergie, le reste sera dissipé sous forme de chaleur. I.12 Conclusion : Nous avons présenté dans ce chapitre les différentes notions qui entrent dans la constitution d'un système photovoltaïque. Aussi, que les principes de fonctionnement de ces éléments, ce qui permet d'introduire les méthodes de poursuite de point de puissance maximale (MPPT), chose qu'on va présenter dans la deuxième chapitre. 26 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) Les Méthodes de Poursuite de Point de Puissance Maximale (MPPT) II.1 Introduction : Aujourd'hui, compte tenu du prix élevé des générateurs PV et du faible rendement des dispositifs de conversion photons-électrons mis en oeuvre (entre 12 et 17 %), le développement de cette énergie à grande échelle nécessite avant tout une amélioration de ces systèmes de telle sorte qu'ils puissent fonctionner, à tout instant, à leur puissance maximale. En effet, les études en simulation dans le chapitre précédent ont bien montré que l'énergie des photons convertie en électricité est une fonction fortement variable selon l'éclairement et la température mais aussi selon la charge qui est connectée au générateur PV. Pour remédier à cette dernière influence, des lois de commandes spécifiques ont été conçues et mises au point à partir de 1968 afin de permettre à ces dispositifs de produire leur maximum de puissance électrique, quelle que soit les conditions climatiques. Ce type de commande est souvent nommé dans la littérature Recherche du Point de Puissance Maximale ou bien Maximum Power Point Tracking en anglo-saxon (MPPT) [9]. Dans ce contexte, nous allons exposé succinctement les différentes architectures de la chaîne de conversion PV , MPPT, ainsi que le principe de la poursuite du PPM. Ensuite nous allons consacrer une partie de ce chapitre sur une méthode de commande plus couramment utilisée de nos jours dite Perturbation et observation (P&O). II.2 La Connexion Direct GPV-Charge Comme Mode De Transfert De Puissance : [15] Les connexions direct du panneau solaire photovoltaïque à une charge reste actuellement le principe de fonctionnement le moins cher et le plus répandu, figure II.1. Bien sûr, il faut s'assurer auparavant que la charge accepte bien la connexion directe au générateur de puissance. En effet, le GPV est une source d'énergie continue qui ne peut être connectée à une charge alternative que via un étage d'adaptation de type onduleur. 27 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) Figure II.1 Connexion directe GPV-Charge via une diode anti-retour L'inconvénient majeur de cette connexion est sa dépendance directe entre la puissance fournie par le générateur et la charge. En fait, la puissance fournie par le module photovoltaïque résulte de l'intersection entre la caractéristique du GPV et celle de la charge. Comme la caractéristique de la figure montre, la puissance transmise directement à une batterie ou charge résistive de type lampe ou bien même un moteur (MCC), n'est pas toujours effectué à la puissance maximale PMAX que peut fournir le panneau solaire. La solution la plus utilisée actuellement est de créer généralement un GPV par association de cellules pour obtenir une puissance nominale donnée proche de celle nécessaire pour l'utilisation. Cette solution est valable pour les charges DC de type batterie recueillant le courant PV sous des tensions proches de Vopt. Autre application direct est le pompage d'eau « au fil du soleil ».dans ce cas, on garantit statistiquement la coïncidence du point de puissance maximale PPM du générateur avec les besoins optimaux de la charge. Figure II.2 caractéristiques électriques d'un générateur photovoltaïque en connexion direct GPV-Charge. 28 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) II.3 La Connexion GPV-Charge via un Etage D'adaptation : [1] Comme illustré précédemment, le point de fonctionnement peut se trouver plus ou moins éloigné du PPM, voir ne pas exister. Ce dernier cas se produit par exemple, lorsqu'une batterie connectée à un GPV, présente une tension de batterie systématiquement supérieure à la tension de circuit ouvert du générateur photovoltaïque (Voc). Alors, aucun transfert de puissance ne peut avoir lieu. Ainsi, l'un des intérêts à introduire un étage d'adaptation comme indiqué sur la figure II.3 est d'assurer que le transfert d'énergie est toujours possible et qu'il peut s'effectuer dans des conditions de fonctionnement optimales pour la source PV et la charge. En résumé, selon l'application et le degré d'optimisation de production souhaités, l'étage d'adaptation entre le GPV et la charge peut être constitué d'un ou plusieurs convertisseurs et permet d'assurer les fonctions suivantes : Adapter les niveaux de tensions entre la source et la charge dans de grandes proportions si nécessaire. Introduire une isolation galvanique. Connecter une charge avec des besoins d'alimentation de type alternative. Figure II.3 Connexion d'un GPV à une charge à travers un étage d'adaptation. L'introduction d'un étage d'adaptation permettant de fixer le point de fonctionnement du GPV indépendamment de celui de la charge, permet l'extraction de la puissance optimale. L'ensemble peut fonctionner de façon idéale, si diverses boucles de contrôle en entrée et en sortie de l'étage d'adaptation sont prévues. En entrée, elles garantissent l'extraction à chaque instant, du maximum de puissance disponible aux bornes du GPV. Et en sortie, des boucles de contrôle spécifiques permettent un fonctionnement optimal de chaque application dans son mode le plus approprié. Les techniques utilisées classiquement pour les boucles de contrôle en entrée consistent à associer à l'étage d'adaptation une commande appelée MPPT qui effectue une recherche permanente du PPM. 29 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) II.4 Principe De La Rechercher du Point de Puissance Maximale : [1] Le principe de ces commandes est d'effectuer une recherche du point de puissance maximal (MPPT) tout en assurant une parfaite adaptation entre le générateur et sa charge de façon à transférer le maximum de puissance. La figure II.4 représente une chaîne élémentaire de conversion photovoltaïque élémentaire associée à une commande MPPT. Pour simplifier les conditions de fonctionnement de cette commande, une charge DC est choisie. Comme nous pouvons le voir sur cette chaîne, la commande MPPT est nécessairement associée à un quadripôle possédant des degrés de liberté qui permettent de pouvoir faire une adaptation entre le GPV et la charge. Dans le cas de la conversion solaire, le quadripôle peut être réalisé à l'aide d'un convertisseur DC-DC de telle sorte que la puissance fournie par le GPV correspond à la puissance maximale (PMAX) qu'il génère et qu'elle puisse ensuite être transférée directement à la charge. Figure II.4 Chaîne élémentaire de connexion photovoltaïque. La technique de contrôle communément utilisée consiste à agir sur le rapport cyclique de manière automatique pour amener le générateur à sa valeur optimale de fonctionnement qu'elles que soient les instabilités météorologiques ou variations brutales de charges qui peuvent survenir à tout moment. La figure II.5 illustre trois cas de perturbations. Suivant le type de perturbation, le point de fonctionnement bascule du point de puissance maximal PPM1 vers un nouveau point P1 de fonctionnement plus ou moins éloigné de l'optimum. Pour une variation d'ensoleillement (cas a), il suffit de réajuster la valeur du rapport cyclique pour converger vers le nouveau point de puissance maximum PPM2. Pour une variation de la charge (cas b), on peut également constater une modification du point de fonctionnement qui peut retrouver une nouvelle position optimale grâce à l'action d'une commande. Dans une moindre mesure, un dernier cas de variation de point de fonctionnement peut se produire 30 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) lié aux variations de température de fonctionnement du GPV (cas c). Bien qu'il faille également agir au niveau de la commande, cette dernière n'a pas les mêmes contraintes temporelles que les deux cas précédents. En résumé, le suivi du PPM est réalisé au moyen d'une commande spécifique nommée MPPT qui agit essentiellement sur le rapport cyclique du convertisseur statique (CS) pour rechercher et atteindre le PPM du GPV. (a) (b) (c) Figure II.5 Recherche et recouvrement du Point de Puissance Maximale a) suit à une variation d'ensoleillement, b) suite à une variation de charge, c) suite à une variation de température. II.5 Critères D'évaluation D'une Commande MPPT : [1] La qualité d'une commande MPPT peut définie comme la position du point de fonctionnement du système par rapport au PPM. La puissance effectivement P délivrée par le GPV dépend de la commande utilisée au niveau du convertisseur. Le rendement du point de fonctionnement qui en découle et que nous noterons ηMPPT, permet de mesurer l'efficacité de la commande. En résumé cela donne 31 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) le % de pertes de puissance d'un module PV par rapport à la fourniture de la puissance maximale qu'il pourrait produire. (II.1) Les performances d'une commande MPPT ne se résument pas à ce seul paramètre (ηMPPT). D'autres critères, présentés dans la suite, tels que le temps de réponse et son aptitude à fonctionner sur une large gamme de puissance sont importants pour évaluer les qualités de ce type de commande. Simplicité et coût : Complexité de l'algorithme entraînant des difficultés d'implantation et des pertes liées directement au nombre de calculs nécessaires. En résumé, une commande MPPT doit avoir un niveau de simplicité important favorisant une faible consommation et donc un coût de développement raisonnable pour que sa présence compense le surcoût généré. Réponse dynamique : Une commande MPPT doit avoir un bon comportement en dynamique afin de pouvoir piloter l'étage d'adaptation et assurer que la recherche du nouveau PPM, suite aux changements d'éclairement ou de température, soit faite le plus rapidement possible. Flexibilité : Une commande MPPT doit être précise et stable quelles que soient ses conditions d'utilisation. C'est-à-dire qu'elle ne doit pas être conçue pour fonctionner pour un seul type de panneau. Elle doit être la plus universelle possible, capable de fonctionner avec des panneaux des différentes technologies sans trop de modifications, tout en gardant le même taux de précision et de robustesse. Compétitive sur une large gamme de puissance : Par définition, une commande MPPT, utilisée dans des applications photovoltaïques, est supposée traquer le PPM généré par un module PV, quelque soit le niveau d'ensoleillement. La commande MPPT est dite compétitive si le PPM est atteint avec une erreur statique, correspondant à la position du point de fonctionnement par rapport au PPM, relativement faible sur une large gamme de puissance. 32 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) II.6 Rendement De La Chaine De Puissance : Pour avoir une idée plus précise sur les origines des pertes dans une chaîne de conversion solaire ; des rendements de chaque partie de la chaîne ont été définis. Pour cela, le rendement total de celle-ci a été décomposé en divers types de rendements reliés spécifiquement à chaque partie de la chaîne. Le rendement maximum de la conversion photons-électrons du panneau solaire noté est défini selon l'équation (I.19). La puissance P effectivement délivrée par un générateur PV va dépendre de la commande utilisée dans le convertisseur. Le rendement du point de fonctionnement qui en découle que nous notons ηMPPT permet de mesurer l’efficacité de la commande. En fait on peut l’appeler aussi rendement de la commande. MPPT P P (II.1) MAX Où PMAX est le maximum de puissance potentiellement disponible à la sortie de panneau, il dépend des paramètres physiques du panneau et des conditions météorologiques. Enfin, le rendement du convertisseur noté ηconv généralement fourni par les documents constructeurs est défini par l’équation (II.2), en notant Ps la puissance délivrée en sortie du convertisseur. CONV P P S (II.2) e Le rendement total de la chaîne de conversion (II.3) peut être défini le produit de ces trois rendements précédemment définis. TOTAL PV MPPT (II.3) CONV II.7 Différents Types De Commandes MPPT : [16] Si l'on veut poursuivre le point PPM réel, il serait nécessaire d'obtenir de l'information sur la puissance réelle extraite du module PV. Ceci peut être réalisé en mesurant la tension VPV à la sortie du panneau et le courant IPV qu'il peut fournir. A partir de la puissance électrique (P = VPV*IPV), on pourra utiliser différents algorithmes de contrôle pour poursuite le PPM du module PV. Trois implantations de commande MPPT sont possibles : 33 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) - Commande MPPT à implantation analogique. Elle se caractérise par une simplicité dans la conception et une grande dynamique vis-à-vis de son équivalente numérique et aussi des diverses perturbations. Elle peut être complètement réalisée avec des composants analogiques et logiques sans qu'aucun calcul ne soit nécessaire. - Commande MPPT à implantation mixte logique et analogique qui est basé sur l'addition d'un filtre nommé LFR (loss free resistor). - Commandes MPPT à implantation numérique faisant intervenir que des composants digitaux. La pièce principale de ces commandes est un microcontrôleur. Elles sont souvent incluses avec diverses fonctions notamment des protections. L'algorithme implanté est plus ou moins lourd selon la précision du système, la robustesse et la rapidité de la boucle de commande. Ainsi, parmi les nouvelles MPPT publiées récemment, on peut citer la commande MPPT de type numérique proposé par M. Matsui. Celle ci est basé sur la mesure des tensions de sortie et d'entrée d'un convertisseur de type boost (hacheur). En effet, connaissant le lien entre les grandeurs d'entrée et de sortie d'un convertisseur statique en fonction du son rapport cyclique, une fois les mesures effectuées, on peut calculer la valeur du rapport cyclique permettant de faire la meilleure adaptation source-charge. Ces types de commande sont valables en basses fréquences et puissances élevées. Leur inconvénient se manifeste lorsque la fréquence de système de conversion augmente, elles peuvent induire alors des erreurs sur la détermination du rapport cyclique optimal. De ce fait, elles peuvent entraîner des pertes importantes en rendement. Ces commandes numériques se basent sur des algorithmes de contrôle adaptatifs, permettant de maintenir le système à son point de puissance maximale. Ainsi, nous pouvons distinguer entre plusieurs algorithmes : - l'algorithme des descentes connu sous Hill-Climbing qui est commun aux deux méthodes d'optimisation suivantes: méthode de perturbation et observation (P&O) et méthode de la conductance croissante, - l'algorithme de la logique flou, - l'algorithme de réseau de neurones. A partir de ces nombreuses techniques et méthode de recherche et d'ajustement du MPP. Nous allons développer dans la suite l’algorithme MPPT-PSO et MPPT-AG. 34 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) II.8 La Commande MPPT Perturbation Puis Observation : [1] II.8.1 Principe des commandes "Perturbation et Observation" (P&O) : Le principe des commandes MPPT de type P&O consiste à perturber la tension Vpv d'une faible amplitude autour de sa valeur initiale et d'analyser le comportement de la variation de puissance Ppv qui en résulte. Ainsi, comme l'illustre la figure II.6, on peut déduire que si une incrémentation positive de la tension Vpv engendre un accroissement de la puissance Ppv, cela signifie que le point de fonctionnement se trouve à gauche du PPM. Si au contraire, la puissance décroît, cela implique que le système a dépassé le PPM. Un raisonnement similaire peut être effectué lorsque la tension décroît. A partir de ces diverses analyses sur les conséquences d'une variation de tension sur la caractéristique Ppv (Vpv),il est alors facile de situer le point de fonctionnement par rapport au PPM, et de faire converger ce dernier vers le maximum de puissance à travers un ordre de commande approprié. En résume, si suite à une perturbation de tension, la puissance PV augmente, la direction de perturbation est maintenue. Dans le cas contraire, elle est inversée pour reprendre la convergence vers le nouveau PPM. Figure II.6 Caractéristique Ppv(Vpv) d'un panneau solaire. II.8.2 Structure de l'algorithme P&O : La figure II.7 représente l'algorithme classique associé à une commande MPPT de type P&O, où l’évolution de la puissance est analysée après chaque perturbation de tension. Pour ce type de commande, deux capteurs (courant et tension du GPV) sont nécessaires pour déterminer la puissance du PV à chaque instant. 35 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) Mesures de : VPV n et IPV n Calcul de PPV n PPV n=VPV n*IPV n OUI PPV n=PPV OUI OUI Vref = Vref - ∆ V VPV n-VPV n-1 PPV n –PPV n-1 > 0 NON NON >0 Vref = Vref + ∆ V NON VPV n-VPV n-1 >0 OUI Vref = Vref + ∆ V Vref = Vref - ∆ V PPV n-1 = PPV n VPV n-1 = VPV n Figure II.7 Algorithme de la méthode P&O. La méthode P&O est aujourd'hui largement utilisée de par sa facilité d’implémentation, cependant elle présente quelques problèmes liés aux oscillations autour du PPM qu'elle engendre en régime établi car la procédure de recherche du PPM doit être répétée périodiquement, obligeant le système à osciller en permanence autour du PPM, une fois ce dernier atteint. Ces oscillations peuvent être minimisées en réduisant la valeur de la variable de perturbation. Cependant, une faible valeur d'incrément ralenti la recherche du PPM, il faut donc trouver un compromis entre précision et rapidité. Ce qui rend cette commande difficile à optimiser. En effet, si on analyse en détail ce mode de recherche, il présente des erreurs d'interprétation au niveau de la direction à suivre pour atteindre le PPM lorsque des 36 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) variations brusques des conditions climatiques ou/et de charge apparaissent, comme cela est décrit sur la figure II.8. Figure II.8 Divergence de la commande P&O lors de variation d'irradiation. Pour comprendre, prenons l'exemple d'un éclairement donné, noté E1, avec un point de fonctionnement se situant en A. suite à une perturbation de tension de valeur ΔV, ce dernier bascule en B, impliquant, dans un fonctionnement sans variation d'éclairement, une inversion du signe de la perturbation due à la détection d'une dérivée de la puissance négative entraînant en régime d'équilibre, des oscillations autour du PPM causées par la trajectoire du point de fonctionnement entre les points B et C. on peut noter que des pertes de transfert de la puissance seront plus ou moins importantes en fonction des positions respectives des points B et C par rapport à A. Lors d’un changement d’irradiation (évolution des caractéristiques P(V) du module de E1 à E2), le point de fonctionnement se déplace alors de A vers D, qui est interprété dans ce cas-là, par une variation positive de la puissance. Le système n’ayant pas la possibilité de voir l’erreur de trajectoire lié au changement de caractéristique, le signe de la perturbation ne change pas et le système s’éloigne momentanément du PPM en direction du point E. Au mieux, ceci occasionne une non- optimisation de la puissance momentanée. Cependant, dans le pire des cas, le système de recherche peut se perdre et se retrouver en butée, soit en circuit ouvert soit en court-circuit entraînant une perte définitive du PPM. Ceci entraînant, en cas de conditions météorologiques défavorables de fortes lacunes au niveau de la commande. 37 Chapitre II Les méthodes de poursuite de point de puissance maximale (MPPT) II.9 Conclusion : Dans le présent chapitre nous avons abordé les bases de poursuite la puissance maximale. Après avoir donné un aperçu sur les différents modes de connexion du GPVCharge et types de commandes MPPT. Nous nous sommes intéressés plus particulièrement à l'étude de l'algorithme P&O de types numérique. 38 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques L'Optimisation par Essaim Particulaire (OEP) et Les Algorithmes Génétiques (AG) III.1 Introduction Le problème d'optimisation, heuristique, mathématique ou autres, doté d'informations nécessaires est l'ajustement des variables pour améliorer le parcours calculé (résultats : décision optimale) par rapport au chemin requis selon certaine gamme d'intérêt; en bref, l'optimisation est l'ajustement de variables dont le but d'obtenir une solution meilleure pour un processus donné. Les métaheuristiques sont une famille d'algorithmes stochastiques destinés à résoudre des problèmes d'optimisation "difficile". Utilisées dans de nombreux domaines, ces méthodes présentent l'avantage d'être généralement efficaces, sans pour autant que l'utilisateur ait à modifier la structure de base de l'algorithme qu'il utilise. Ce chapitre présente un intérêt particulier à une métaheuristique apparue dernièrement : la méthode d'Optimisation par Essaim Particulaire (OEP) et les Algorithmes Génétiques (AG). III.2 L'optimisation par essaims particulaires OEP (Particle Swarm Optimization (PSO)) III.2.1 Origines : L'optimisation par essaim de particules (Particle Swarm Optimization (PSO) est une méthode d'optimisation stochastique, pour les fonctions non-linéaires, basée sur la reproduction d'un comportement social et développée par le Dr.EBERHART et le Dr.KENNEDY en 1995. L'origine de cette méthode vient des observations faites lors des simulations informatiques de vols groupés d'oiseaux et de bancs de poissons de REYNOLD, HEPPNER ET GRENANDER. Ces simulations ont mis en valeur la capacité des individus d'un groupe en mouvement à conserver une distance optimale entre eux et à suivre un mouvement global par rapport aux mouvements locaux de leur voisinage. D'autre part, ces simulations ont également révélé l'importance du mimétisme dans la compétition qui oppose les individus à la recherche de la nourriture. En effet, les individus sont à la recherche de sources de nourriture qui sont dispersés de façon aléatoire dans un espace de recherche, et dès lors qu'un individu localise une source de nourriture, les autres individus vont alors chercher à le reproduire. 39 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques Ce comportement social basé sur l'analyse de l'environnement et du voisinage constitue alors une méthode de recherche d'optimum par l'observation des tendances des individus voisins. Chaque individu cherche à optimiser ses chances en suivant une tendance qu'il modère par ses propres vécus. Les essaims de particules sont essentiellement utilisés afin de trouver l'optimum de fonctions non-linaires. Pour cette raison, cette méthode est utile pour optimiser l'entraînement des réseaux de neurones. III.2.2 Principe : L'optimisation par essaim de particules repose sur un ensemble d'individus originellement disposés de façon aléatoire et homogène, que nous appelerons dès lors des particules, qui se déplacent dans l'hyper-espace de recherche et constituent, chacune, une solution potentielle. Chaque particule dispose d'une mémoire concernant sa meilleure solution visitée ainsi que la capacité de communiquer avec les particules constituant son entourage. A partir de ces informations, la particule va suivre une tendance faite, d'une part, de sa volonté à retourner vers sa solution optimale, et d'autre part, de son mimétisme par rapport aux solutions trouvées dans son voisinage. A partir d'optimums locaux et empiriques, l'ensemble des particules va, normalement, converger vers la solution optimale globale du problème traité. III.2.3 Principales caractéristiques : Ce modèle présente quelques propriétés intéressantes, qui en font un bon outil pour de nombreux problèmes d'optimisation, particulièrement les problèmes fortement non linéaires, continus ou mixtes (certaines variables étant réelles et d'autres entières) : il est facile à programmer, quelques lignes de code suffisent dans n'importe quel langage évolué. il est robuste (de mauvais choix de paramètres dégradent les performances, mais n'empêchent pas d'obtenir une solution). Figure III.1 Schéma de principe du déplacement d'une particule. Pour réaliser son prochain mouvement, chaque particule combine trois tendances : suivre sa vitesse propre, revenir vers sa meilleure performance, aller vers la meilleure performance de ses informatrices 40 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques III.2.4 Formalisation : Un essaim de particule est caractérisé par : a) le nombre de particules de l'essaim, noté nb. b) la vitesse maximale d'une particule, noté vmax . c) la topologie et la taille du voisinage d'une particule qui définissent son réseau social. d) l'inertie d'une particule, notée w e) les coefficients de confiance, notés ρ1 et ρ2, qui pondèrent le comportement conservateur (la tendance à retourner vers la meilleur solution visitée) et le panurgisme (la tendance à suivre le voisinage). une particule est caractérisée, à l'instant t, par : - xi (t ) : sa position dans l'espace de recherche; - vi (t ) : sa vitesse; -La position de la meilleure solution par laquelle elle est passée; x pbesti : - la position de la meilleure solution connue de son voisinage; x gbesti : -La valeur de fitness de sa meilleure solution; pbesti : - gbesti : La valeur de fitness de sa meilleure solution connu du voisinage. III.2.5 Configuration de la méthode : III.2.5.1 Nombre de particules : La quantité de particules allouées à la résolution du problème dépend essentiellement de deux paramètres : la taille de l'espace de recherche et le rapport entre les capacités de calcul de la machine et le temps maximum de recherche. Il n'y a pas de règle pour déterminer ce paramètre, faire de nombreux essais permet de se doter de l'expérience nécessaire à appréhension de ce paramètre. III.2.5.2 Topologie du voisinage : Le voisinage constitue la structure du réseau social. Les particules à l'intérieur d'un voisinage communiquent entre-elles. Différents voisinages ont été étudiés (Kennedy, 1999) et sont considérés en fonction des identificateurs des particules et non des informations topologiques comme les distances euclidiennes dans l'espace de recherche : 41 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques - Topologie en étoile (figure III.2 (a)) : le réseau social est complet, chaque particule est attirée vers la meilleure particule notée gbest et communique avec les autres. - Topologie en anneau (figure III.2 (b)) : chaque particule communique avec n (n = 3 ) voisines immédiates. Chaque particule tend à se déplacer vers la meilleure dans son voisinage local notée pbest. - Topologie en rayon (figure III.2 (c)) : une particule "centrale" est connectée à tous les autres. Seule cette particule centrale ajuste sa position vers la meilleure, si cela provoque une amélioration l'information est propagée aux autres. (a) (b) (c) Figure III.2 trois topologies différentes a)Etoile b) Anneau c) Rayon. III.2.5.3 Coefficient de confiance : Les variables de confiance pondèrent les tendances de la particule à vouloir suivre son instinct de conservation ou son panurgisme. Les variables aléatoires ρ1 et ρ2 peuvent être définis de la façon suivante : (III.1) 1 r1 .c1 2 r2 .c2 (III.2) 42 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques Où r1 et r2 suivent une loi uniforme sur [0...1] et c1 et c2 sont constantes positives déterminées de façon empirique et suivant la relation c1 + c2 ≤ 4. III.2.5.4 Vitesse maximale et coefficient de constriction : Afin d'éviter que les particules ne se déplacent trop rapidement dans l'espace de recherche, passant éventuellement à côté de l'optimum, il peut être nécessaire de fixer une vitesse maximale v max pour améliorer la convergence de l'algorithme. Cependant, on peut s'en passer si on utilise un coefficient de constriction introduit par Maurice CLERC- et qui permet de resserrer l'hyper-espace de recherche. L'équation de la vitesse : 1 k 1 2 4 (III.3) 2 Avec ρ1 + ρ2 < 4 v i ( t ) k ( v i ( t 1 ) 1 .( x pbest x i ( t )) 2 ( x gbest x i ( t ))) (III.4) Les études de SHI et EBRAHART indiquent que l'utilisation d'un coefficient de construction donne généralement un meilleur taux de convergence sans avoir à fixer de vitesse maximale. Cependant, dans certains cas, le coefficient de constriction seul ne permet pas la convergence vers la solution optimale pour un nombre d'itérations donné. Pour résoudre ce problème, il peut être intéressant de fixer vmax = x max en plus du coefficient de constriction, ce qui, selon les études de SHI et EBRAHART, permet d'améliorer les performances globales de l'algorithme. III.2.5.5 Facteur d'inertie Le facteur d’inertie w - introduit par SHI et EBE RHART - permet de définir la capacité d’exploration de chaque particule en vue d’améliorer la converge de la méthode. Une grande valeur de w (>1) est synonyme d’une grande amplitude de mouvement et donc d’exploration globale. Par contre, une faible valeur de w (<1) est synonyme de faible amplitude de mouvement et donc d’exploration locale. Fixer ce facteur, revient donc à trouver un compromis entre l’exploration locale et l’exploration globale. 43 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques Le calcul de la vitesse est alors défini par : v i ( t ) w . v i ( t 1 ) 1 .( x pbest x i ( t )) 2 .( x gbest x i ( t )) La position est modifiée en ajoutant une vitesse à sa position courante : x i x i (t 1) vi (t ) (III.5) (III.6) La taille du facteur d'inertie influence directement la taille de l'hyper-espace exploré et aucune valeur de w ne peut garantir la convergence vers la solution optimale. Les études menées par SHI et EBERHART indiquent une meilleure convergences pour w [0.8, 1.2]. Au delà de 1.2 l'algorithme tend à avoir certaines difficultés à converger. Enfin, il est également possible de faire diminuer le facteur d'inertie au cours du temps, un peu à la manière de la température dans un algorithme de recuit simulé (Simulated Annealing). De bons résultats ont été trouvés pour une valeur décroissant linéairement de 0.9 à 0.4. III.2.5.6 Initialisation de l'essaim : La position des particules ainsi que leur vitesse initiale doivent être initialisés aléatoirement selon une loi uniforme sur [0..1]. Cependant, en ce qui concerne la position des particules, est préférable d'utiliser un générateur de séquence de SOBOL, qui est plus pertinent dans la position homogène des particules dans un espace de dimension n. III.2.5.7 Critères d'arrêt : Comme indiqué précédemment, la convergence vers la solution optimale globale n'est pas garantie dans tous les cas de figure même si les expériences dénotent la grande performance de la méthode. De ce fait, il est fortement conseillé de doté l'algorithme d'une porte de sortie en définissant un nombre maximum d'itération (que nous noterons nbItermax). L'algorithme doit alors s'exécuter tant que l'un des critères de convergence suivant n'a pas été atteint : -nbItermax a été atteint ; -la variation de la vitesse est proche de 0 ; -le fitness de solution est suffisant. 44 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques III.2.6 Les étapes de la méthode d'Optimisation "SWARM" : L'algorithme de cette méthode peut être décrit comme suit : - 1ére étape : Initialisation des coefficients c1 et c2, le coefficient d'inertie (w). - 2éme étape : la création de la population initiale aléatoirement et le calcul de la fitness de chaque particule (P actuelle; (P gbest) best ) : la meilleure position de la particule i dans la population : la meilleure position dans toutes les populations (la meilleure des meilleures). - 3éme étape : calcul de la nouvelle vitesse et nouvelle position de chaque particule par l'utilisation des formules (III.5) et (III.6). - 4éme étape : calcul de la meilleure fitness de la population actuelle et comparer par la précédente pour trouver la meilleure de toutes les populations (P gdest). - 5éme étape : incrémentation du nombre d'itération t = t+1. - 6éme étape : si un critère d'arrêt est satisfait aller à la 7éme étape. Autrement, aller à la 3éme étape. - 7éme étape : la position enregistrée dans (P gbest) est la solution optimale. Génération aléatoire de la population initiale Calcul de la fonction sélective Répéter Calcul de la meilleure fitness de la population actuelle Les populations Calcul de la meilleure fitness de toutes Calcul de la vitesse de chaque particule Calcule de la position de chaque particule Calcule de la fonction sélective Jusqu'à satisfaction du critère d'arrêt Figure III.3 Optimisation par Essaim de Particule Ces algorithmes peuvent être résumés aux opérations indiquées sur l'organigramme de la figure III.4. 45 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques Début Initialisation de population Calcul de la fitness de chaque particule Calcul de la meilleure fitness de la population actuelle Calcul de la meilleure fitness de toutes les populations Calcul de la vitesse Calcul de la position T=T+1 Calcul de la fonction sélective de la nouvelle population Teste Résultat Fin Figure III.4 Organigramme de PSO 46 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques III.3 Algorithme Génétiques Historique: Les premiers travaux sur les algorithmes génétiques ont commencé dans les années Cinquante lorsque plusieurs biologistes américains ont simulé des structures biologiques sur ordinateur. Charles Darwin, biologiste, montre en 1859 (origine of scies), que l’apparition d’espèces distinctes est le résultat de la sélection naturelle de variations Individuelles. Cette sélection naturelle est l’exercice d’une population qui lutte pour la vie et tente de S’étendre en faisant face aux multiples contraintes de l’environnement (conditions extérieures et les autres individus) et en disposant d’un espace et de ressources limitées. Les individus les plus adaptés (fit est en anglais) auront une meilleure longévité ainsi qu’une meilleure progéniture. Mendel explique, plus tard, les lois sur les principes du Croisement et de la mutation génétiques. Puis J.H. Hollande, professeur à l’université du Michigan, entreprit avec ses étudiants, en 1975 [26], une vaste étude qui permit de poser les fondements des AG en calquant les principes de Darwin (sélection, croisement, mutation, chromosome, gènes). Il parvint alors, à mettre au point les étapes de l’algorithme et ses principes de codage. Malheureusement, les ordinateurs de l'époque n'étaient pas assez puissants pour envisager l'utilisation des algorithmes génétiques sur des problèmes réels de grande taille. La parution en 1989 de l’ouvrage [27] de Goldberg qui décrit l'utilisation des algorithmes génétiques dans le cadre de la résolution de problèmes concrets a permis de mieux faire connaître ces derniers et marqué le début d'un nouvel intérêt pour cette technique d'optimisation. Sur le plan théorique, les résultats sont apparus très tardivement, probablement à cause de la complexité théorique induite par ces algorithmes. En 1993 une démonstration complète de convergence stochastique est établie par R.Cerf. Néanmoins, ces résultats théoriques, sont difficilement exploitables dans la pratique. La performance pratique des algorithmes génétiques fait beaucoup appel au savoir-faire de l'utilisateur. 47 Chapitre III : III.3 .1 L'optimisation par essaims particulaires & les Algorithmes Génétiques Introduction : Dans ce chapitre, nous dressons un état de l'art des algorithmes génétiques qui s'inspirent de l'évolution génétique des espèces en présentant les opérateurs génétiques simple, où la population est formée de chromosomes binaires (chaînes composées de 0 et de 1) issus des travaux fondateurs de John Holland (sélection proportionnelle, croisement à un point et mutation simple). Malgré que ces opérateurs sont stochastiques mais ils assurent un bon compromis entre exploration de l'espace de recherche et exploitation des résultats déjà trouvées. III.3.2 Définition : Les algorithmes génétiques sont des algorithmes d'optimisation s'appuyant sur des techniques dérivées de la génétique et des mécanismes d'évolution de la nature : sélections, croisements, mutations, etc. Ils appartiennent á la classe des algorithmes évolutionnaires [27]. On peut dire que l'algorithme génétique est une méthode de programmation qui repose sur le principe de l’évolution pour effectuer la recherche d'une solution adéquate à un problème. III.3.3 Principe : Cette classe d'algorithme travaille sur une population d'entités abstraites munies d'un génotype formel (par exemple une suite de bits formant un octet : 10010001). Ce dernier possède une signification relative au problème posé, et il en constitue une solution potentielle. Partant d'une population construite aléatoirement, c'est-à-dire où chaque individu à un génotype différent, choisi au hasard, l'algorithme évalue la qualité de la solution proposée par chaque individu. Cette évaluation correspond à la notion biologique d'adaptation dans un écosystème. Les meilleurs individus sont alors sélectionnés pour appartenir à la génération suivante. Ils sont croisés entre eux, à l’image de la reproduction sexuée : les génotypes se recombinent par paire. Enfin, quelques individus choisis au hasard voient leur génotype modifié de façon aléatoire, ils subissent une mutation. La nouvelle génération est ainsi constituée, et le processus recommence jusqu’à ce qu’un critère d’arrêt soit respecté. 48 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques Il existe de nombreuses variantes à cet algorithme, les algorithmes génétiques étant regroupés selon un paradigme de programmation, c'est-à-dire une méthode générale qu’il faut adapter pour des applications précises. Par exemple, il peut ne pas y avoir de mutation, ou bien la population peut être de taille fixe et évoluer pendant une durée déterminée à l’avance, comme elle peut être de taille variable. III.3.4 Applications : La recherche du minimum absolu d'une fonction mathématique est un exemple typique de l'emploi d'algorithme génétique. D'une manière plus générale, les problèmes intéressants se ramènent à chercher des solutions dans un espace de recherche de très grande taille, espace notamment rencontré lorsque le nombre de cas à explorer avant d’être sûr d'avoir trouvé la meilleure solution grandit de manière exponentielle avec la taille du problème. On dit que ce sont des problèmes NP-complets, ou difficiles [19]. Les algorithmes génétiques ont pour but de résoudre de tels problèmes par leur approche spécifique, différente des algorithmes d'optimisation les plus courants. Les algorithmes génétiques utilisent massivement des tirages de nombres pseudo aléatoires pour effectuer l’exploration des solutions. Le fait de travailler sur une population implique un parallélisme implicite, c'est-à-dire : plusieurs solutions sont explorées simultanément. De plus, il est possible d’arrêter à tout moment un tel algorithme, il propose toujours une solution, qui n’est pas forcément la meilleure, mais qui n’est pas trop mauvaise non plus. Enfin les algorithmes génétiques évitent un piège très souvent rencontré dans les algorithmes d’optimisation : ils ne s’arrêtent pas dans les extrema locaux, c'est-à-dire qu’ils essayent constamment de trouver de meilleures solutions, même s’ils semblent les avoir atteintes. En conséquence, les algorithmes génétiques sont très robustes, mais ils souffrent de ne pas être prévisibles, et donc leur efficacité ne peut pas être calculée à l’avance. Les algorithmes génétiques différents des algorithmes classiques, par quatre (4) points principaux : [29] Les algorithmes génétiques utilisent un codage des paramètres, et non les paramètres eux mêmes. Les algorithmes génétiques travaillent sur une population de points, au lieu d’un point unique, cela permet aux AG d'explorer différentes zones dans l'espace de 49 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques recherche et donc de minimiser la probabilité de trouver un point optimal local. Les algorithmes génétiques n’utilisent que les valeurs de la fonction objective, pas ses dérivées, ou une autre connaissance auxiliaire. Les algorithmes génétiques utilisent des règles de transition probabilistes, et non déterministes, cela signifie qu'ils ne nécessitent pas d'espace de recherche continu. III.3.5 Présentation des algorithmes génétiques : Le premier pas dans l'implantation des algorithmes génétiques est de créer une population d'individus initiaux. En effet, les algorithmes génétiques agissent sur une population d'individus, et ne pas sur un individu isolé. Par analogie avec la biologie, chaque individu de la population est codé par un chromosome ou génotype. Une population est donc un ensemble de chromosomes. Chaque chromosome code un point de l'espace de recherche. L'efficacité de l'algorithme génétique va donc dépendre du choix du codage d'un chromosome [26]. Dans l'algorithme génétique de John Holland, un chromosome était représenté sous forme de chaînes de bits contenant toute l'information nécessaire à la description d'un point dans l'espace ce qui permettait des opérateurs de sélection, croisement et de mutation simple. III.3.5.1 Fonction d'évaluation et fonction fitness : La traduction algorithmique de l’adjectif faible et fort appliqué aux individus conduit à définir une fonction sélective (fonction fitness) qui permet d'associer une valeur à chaque individu de la population. Cette valeur est dite valeur sélective de l'individu. La fonction sélective f est souvent une transformation g de la fonction objective (f(x)=g (o(x))). L'application des opérateurs génétiques sur des individus jugés par une fonction sélective particulière, permet d'explorer l'espace des solutions à la recherche d'un extremum. Généralement, quand l'AG est appliquée, il est fait dans une manière qui implique les étapes suivantes : Evaluer la fonction sélective de tous les individus dans la population. Créer une nouvelle population en exécutant des opérations telles que la sélection 50 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques proportionnelle, le croisement, et la mutation sur les individus dont la fonction sélective a été juste mesurée. Abandonner l'ancienne population et répéter les mêmes étapes avec la nouvelle population. Pour calculer la fonction d'objective d'un point de l'espace de recherche, on utilise une fonction d'évaluation. L'évaluation d'un individu ne dépendant pas de celle des autres individus, le résultat fournit par la fonction d'évaluation va permettre de sélectionner ou de refuser un individu pour ne garder que les individus ayant la meilleure la fonction d'objective en fonction de la population courante : c'est le rôle de la fonction fitness. Cette méthode permet de s'assurer que les individus performants seront conservés, alors que les individus peu adaptés seront progressivement éliminés de la population [19]. III.3.5.2 Codage et décodage des variables : Le codage des variables est une étape importante dans l'optimisation des algorithmes génétiques. A chaque paramètre, on doit faire correspondre à un gène. Sachant qu'un ensemble de gènes représente un chromosome, chaque dispositif est présenté par un individu doté d'un génotype constitué d'un ou de plusieurs chromosomes. La population sera un ensemble de N individus, qui évoluera d'une génération à une autre. Pour un codage binaire, un gène est représenté par un nombre dont la longueur est exprimée en bits. Différents codes peuvent être utilisées pour le codage : Gray, binaire, réelle. Un des avantages du codage binaire est la facilité avec laquelle on peut représenter différents d'objectifs : les réelles, les entiers, les valeurs booléennes, les chaînes de caractères. Pour passer d'une représentation à une autre, il suffit d'utiliser des fonctions de codage ou de décodage [29]. Pour mieux expliquer cette procédure on considère l'espace de recherche fini. x min x i x max i 1, n (III.7) n : le nombre de paramètres Pour coder des variables réelles en binaire est sur m bits. L'espace de recherche est subdivisé en 2 m 1 valeurs discrètes. A chaque variable xi , on associe un entier y i tel que : 51 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques m 1 y i bi 2 i (III.8) i 0 Ou chaque bi est codé sur un bit et m représente le nombre de bits. Les formules de codage et de décodage sont alors représentées par les formules (III.9) et (III.10) yi xi xi min y max xi max xi min (III.9) xi xi min ( x i max xi min ) yi y max (III.10) III.3.5.3 Sélection des parents : La sélection est le premier arbitre décidant de la vie et de la mort des individus, c'est pourquoi elle est un élément primordial du bon fonctionnement d'un algorithme génétique. Cette étape permet de choisir les individus qui vont accéder à la génération intermédiaire, pour se reproduire et former la nouvelle génération. Chaque couple d'individus parents donne naissance à deux enfants. Nous citons quelques méthodes utilisées pour la sélection des individus, qui vont se reproduire : 1.Sélection par roulette de lotterie : Les parents sont sélectionnés en fonction de leur performance. Meilleur est le résultat codé par un chromosome, plus grandes est ses chances d'être sélectionné. Il faut imaginer une sorte de roulette de casino sur laquelle sont placés tous les chromosomes de la population, la place accordée à chacun des chromosomes étant en relation avec sa valeur d'évaluation. Cette roulette est représentée par la figure 3.1. Figure III.5 Exemple de sélection par roulette. 52 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques Ensuite, la bille est lancée et s'arrête sur un chromosome. Les meilleurs chromosomes peuvent ainsi être tirés plusieurs fois et les plus mauvais ne jamais être sélectionnés. Cela peut être simulé par l'algorithme suivant: 1. On calcule la somme S1 de toutes les fonctions d'évaluation d'une population. 2. On génère un nombre "r" entre 0 et S1 . 3. On calcule ensuite une somme S 2 des évaluations en s'arrêtant dès que r est dépassé. 4. Le dernier chromosome dont la fonction d'évaluation vient d'être ajoutée est sélectionné. 2.Sélection par rang : La sélection précédente rencontre des problèmes lorsque la valeur d'adaptation des chromosomes varie énormément. Si la meilleure fonction d'évaluation d'un chromosome représente 90%de la roulette alors les autres chromosomes auront très peu de chance d'être sélectionnés et on arriverait à une stagnation d'évolution. La sélection par rang trie d'abord la population par fitness. Ensuite, chaque chromosome se voit associé un rang en fonction de sa position. Ainsi le plus mauvais chromosome aura le rang , le suivant 2, et ainsi de suite jusqu'au meilleur chromosome qui aura le rang (pour une population de chromosomes). La sélection par rang d'un chromosome est la même que par roulette, mais les proportions sont en relation avec le rang plutôt qu'avec la valeur de l'évaluation. Le tableau III.1 fournit un exemple de sélection par rang. Avec cette méthode de sélection, tous les chromosomes ont une chance d'être sélectionnés. Cependant, elle conduit à une convergence plus lente vers la bonne solution. Ceci est dû au fait que les meilleurs chromosomes ne diffèrent pas énormément des plus mauvais. chromosomes 1 2 3 4 5 6 Total Probabilités initiales 89 % 5% 1% 4% 3% 2% 100 % Rang 6 5 1 4 3 2 21 Probabilités finales 29 % 24 % 5% 19 % 14 % 9% 9% Tableau III.1 Exemples de sélection par rang pour 6 chromosomes. 53 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques 3.Sélection statique : Ce n'est pas une méthode particulière de sélection des chromosomes parents. L'idée principale est qu'une grande partie de la population puisse survivre à la prochaine génération. L'algorithme génétique marche alors de la manière suivante. A chaque génération sont sélectionnés quelques chromosomes pour créer des chromosomes fils. Ensuite les chromosomes les plus mauvais sont retirés et remplacés par les nouveaux. Le reste de la population survie à la nouvelle génération. 4.Sélection par tournoi : Sur une population de chromosomes, on forme pair de chromosomes. Dans les paramètres de l'AG, on détermine une probabilité de victoire du plus fort. Cette probabilité représente la chance qu'a le meilleur chromosome de chaque paire d'être sélectionné. Cette probabilité doit être grande (entre 70% et 100%). A partir des pairs, on détermine ainsi individus pour la reproduction. III.3.5.4 La recombinaison génétique : Dans la recombinaison génétique on distingue deux opérateurs principaux : Le croisement et la mutation. Ces deux opérateurs sont la base de la progression des algorithmes génétiques. III.3.5.4.1 Croisement : A partir de deux individus, on obtient deux nouveaux individus (enfants) qui héritent certaines caractéristiques de leurs parents. Le croisement sélectionne des gènes par mis deux individus appelés parents. A partir de ces gènes sont générés les enfants. La probabilité de croisement représente la fréquence à laquelle les croisements sont appliqués. S'il n'y a pas de croisement, les fils sont l'exacte copie des parents. S'il y a croisement, les fils sont composés d'une partie de chacun de leurs parents. Si la probabilité est de 0%, la nouvelle génération est la copie de la précédente. Si la probabilité est fixée à 100%, tous les descendants sont générés par croisement. Le croisement est mis en place pour que les nouveaux chromosomes gardent la meilleure partie des chromosomes anciens. Ceci dans le but d'obtenir, peut-être, de 54 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques meilleurs chromosomes. Néanmoins, il est quand même important qu'une partie de la population survive à la nouvelle génération. Ils existent deux types de croisements : A. Croisement en un point : Pour chaque couple, on choisit au hasard un point de croisement (figure.III.6). Le croisement s'effectue directement au niveau binaire, et non au niveau des gènes. Un croisement peut être coupé au milieu d'un gène. Figure III.6 Représentation schématique du croisement en un point B. Croisement en deux points : On choisi au hasard deux points de croisements successifs. Cet opérateur est généralement considéré comme plus efficace que le précédent. Figure III.7 Représentation schématique du croisement en deux points. III.3.5.4.2 Mutation : La mutation est traditionnellement considérée comme un opérateur marginal bien qu’elle confère en quelque sorte aux algorithmes génétiques la propriété d’ergodicité (c.-à-d. tous les points de l’espace de recherche peuvent être atteints). Cet opérateur a un double rôle : celui d’effectuer une recherche locale et/ou de sortir d’une trappe (recherche éloignée). Cet opérateur ne crée généralement pas de meilleurs individus, mais il évite l'établissement de populations uniformes incapables d'évoluer. 55 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques La version de base de la mutation, dite mutation simple, consiste à modifier aléatoirement, avec une probabilité Pm faible, la valeur d’un composant de l’individu. Dans le cas du codage binaire, chaque bit ai {0; 1} est remplacé selon une probabilité Pm par son inverse ait = 1- ai . C’est ce qu’illustre la figure III.8. Tout comme plusieurs lieux de croisement peuvent être possibles, nous pouvons très bien admettre qu’une même chaîne puisse subir plusieurs mutations. La mutation génère des «erreurs»de recopie, afin de créer un nouvel individu qui n'existait pas auparavant. Le but est d'éviter à l'AG de converger vers des extrema locaux de la fonction et de permettre de créer des éléments originaux. Si elle génère un individu plus faible l'individu est éliminé. La probabilité de mutation représente la fréquence à laquelle les gènes d'un chromosome sont mutés. S'il n'y a pas de mutation, le fils est inséré dans la nouvelle population sans changement. Si la mutation est appliquée, une partie du chromosome est changée. La mutation est prévue pour éviter au AG de s'enliser dans des optima locaux. Mais si elle est trop fréquente, le AG est orientée vers une recherche aléatoire de la bonne solution. Figure III.8 Représentation schématique de la mutation simple. La figure suivante illustre les différentes opérations qui interviennent dans un algorithme génétique de base [28] : Génération aléatoire de la population initiale Calcul de la fonction sélective Répéter Sélection Croisement Mutation Calcul de la fonction sélective Jusqu'à satisfaction du critère d'arrêt Figure III.9 Algorithme génétique de base. 56 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques III.3.6 Critère d’arrêt: Comme dans tout algorithme itératif, il faut définir un critère d’arrêt. Celui-ci peut être formulé de différentes façons parmi les quelles nous pouvons citer : Arrêt de l’algorithme lorsque le résultat atteint une solution satisfaisante. Arrêt s’il n’y a d’amélioration pendant un certain nombre de générations. Arrêt si un certain nombre de générations est dépassé. Dans le détail, ces algorithmes peuvent être résumés, aux opérations indiquées sur l'organigramme de la figure suivante : Début Initialisation de population Codage des variables Calcul des valeurs d'adaptation Sélection des parents Croisement Mutation T=T+1 Calcul de la fonction sélective de la nouvelle population Terminer Résultat Fin Figure III.10 Organigramme d'un algorithme génétique 57 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques III.3.7 Réglage des Paramètres d'un AG: L’élaboration d’un algorithme génétique nécessite le réglage de certains paramètres. Ce réglage a une influence sur la convergence de l’algorithme génétique et les résultats obtenus. Cependant, il n’existe pas de règle spécifique pour ajuster les paramètres d’un AG, et ils sont souvent choisis de manière empirique. Quelques remarques sont alors à soulever : Probabilité de croisement : la probabilité de croisement a une influence considérable sur la vitesse de convergence d’un algorithme génétique. Plus elle est grande et plus elle favorise la recombinaison des individus tout en favorisant de tomber dans un optimum local. Les valeurs classiques pour ce paramètre varient 0.6 à 0.95. Probabilité de mutation : elle doit être assez faible par rapport à celle du croisement de manière à ne pas perturber l’évolution de l’algorithme. Une valeur élevée transformera l’algorithme en une recherche aléatoire, alors qu’une valeur très faible rendra impossible l’extraction des optimums locaux. Les valeurs classiques pour ce paramètre varient de 0.001 à 0.2. Taille de la population : augmenter la taille de la population permet d’augmenter sa diversité et réduit la probabilité d’une convergence prématurée vers un optimum local, mais en même temps elle augmente le temps nécessaire pour converger vers les régions optimales de l’espace de recherche. III.3.8 Un exemple élémentaire: Soit le problème de maximisation suivant : max f ( x ) 4 x (1 x ) x 0 ,1 La fonction f(x) admet un maximum unique en x = 0.5 pour lequel f(x) vaut 1, comme le montre la représentation graphique ci-dessous. Codage: Afin de bien visualiser les propriétés des opérateurs nous décidons de traiter ce problème en codant les éléments de [0; 1] en chaînes de bits de longueur 8. Par exemple, 10111010 constituera un élément de la population. Population initiale: (Génération zéro) 58 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques L'algorithme génétique consiste tout d'abord à tirer une population initiale de N = 4 éléments, ( i) i=1,…,4 donnés dans le tableau ci dessous, nous évaluons par la même occasion leur adaptation, c'est à dire ici f ( i). Eléments Eléments Codés Adaptation: f ( i) 1 10111010 0.794678 2 11011110 0.460693 3 00011010 0.364990 4 01101100 0.975586 Il va s'agir maintenant de sélectionner les éléments en fonction de leur adaptation. On le voit ici, les éléments 4 et 1 sont les meilleurs. Sélection: Pour sélectionner ces candidats à reproduction, nous allons utiliser la sélection de la roue de la fortune et attribuer à chacun une probabilité de reproduction égale à : f ( i ) Pi 4 f ( i ) j 1 Et donc le tableau 10 s'élargit de cette probabilité de reproduction de chaque élément. Eléments Eléments Codés f ( i) Pi 1 10111010 0.794678 0.794/2.593=0.31 2 11011110 0.460693 0.460/2.593=0.18 3 00011010 0.364990 0.364/2.593=0.14 4 01101100 0.975586 0.975/2.593=037 Cumul 2.593 Un problème pratique se pose : Comment "tirer" 4 nombres parmi 4 avec replacement en affectant à chacun cette probabilité ? Il existe pour cela une méthode simple et rapide, il suffit d'attribuer un segment de taille Pi à l'individu i et de reporter 59 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques ces segments bouts à bouts dans l'intervalle23 [0; 1]: Les individus sont identifiés par un segment particulier de longueur Pi. Sur l'exemple cela donne : 1 est ainsi caractérisé par l'intervalle [0; 0:31] de longueur 0,31 2 est caractérisé par l'intervalle [0:31; 0:49] de longueur 0,18 3 par l'intervalle [0:49; 0:63] de longueur 0,14 Et 4 par [0:63; 1] de longueur 0,37. On tire ensuite uniformément dans [0; 1] et l'on reproduit 4 fois ce tirage, on détermine ainsi 4 nouveaux éléments grâce à ce tirage. Ici le tirage de donne ; 0.47 ( 2 est sélectionné), 0.89 ( 4), 0.18 ( 1) et 0.75 ( 4 de nouveau). A ce stade 3 est éliminé de la population tandis que 4 est reproduit deux fois. Les opérateurs de croisement et de mutation s'appliqueront donc sur la nouvelle population constituée de ( 2, 4, 1 et 4) renommés 1, 2, 3 et 4: Eléments Eléments sélectionnés Renommés 1 1=10111010 1 2 2=01101100 2 3 3=01101100 3 4 4=01101100 4 Croisement: La probabilité de croisement Pc est ici fixée à 50% (on ne peut faire moins étant donné la taille de la population considérée), cela signifie que l'on va tirer un couple au hasard et lui appliquer le croisement chromosomique à un point. ( 1, 3) constitue le couple destiné à être transformé, il faut encore déterminer la position du croisement dans les composantes (gènes) de ces éléments. Cette position peut être elle aussi tirée au hasard ou choisie arbitrairement. Nous décidons d'effectuer les croisements sur le milieu afin de rendre l'exemple plus parlant. Les parties terminales des individus 1et 3 sont donc échangées, comme suit 1 1011 3 0110 1010 1100 1011 0110 1100 1010 1 3 Engendrant ainsi deux nouveaux individus (les enfants) 1 et 3: 60 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques On peut, sur la base de ces nouveaux individus muter aléatoirement l'une des composantes de l'un des individus constituant la nouvelle population ( 1; 2; 3et 4): Mutation: La probabilité de mutation est ici de Pc = 0:25, de sorte qu'un individu sur les quatre sera choisi. Il s'agit de 3 dont une des composantes sera changée. On peut, pour cela, décider de cette composante dans le processus ou tirer celle ci aléatoirement. La 7ème composante sera ici changée. 3 01101010 01101000 * 3 Il est intéressant de noter que 3 a été muté sans qu'aucune évaluation n'ait été effectuée. Nouvelle population: (Génération un) Nous pouvons maintenant examiner la nouvelle population, correspondant à la deuxième génération et réitérer le processus. Réévaluons ces nouveaux individus. Nouveaux Eléments (renommés) Eléments codés Adaptation: f ( i ) 1 1 1=10111100 1 2 2 2=01101100 2 * 3 3 3=01101000 3 4 4 4=01101100 4 Cumul 3.232 Lorsqu'on compare les tableaux précédant, plusieurs remarques viennent à l'esprit et méritent d'être notées : Le meilleur individu 1 est un individu nouveau (issu du croisement de 2 et de 4) Cet individu permet d'avoir une adaptation supérieure à celle du meilleur individu de la population originale (0.98 pour 1 contre 0.97 pour 4) Ce dernier élément est d'ailleurs toujours présent ici (il est ici renommé 4) L'adaptation totale (et donc l'adaptation moyenne) est supérieure à sa valeur de départ (3.232 contre 2.593 pour la génération zéro). 61 Chapitre III : L'optimisation par essaims particulaires & les Algorithmes Génétiques Chacune des opérations décrites ici ne prend que quelques centièmes de secondes sur un ordinateur, on trouve une valeur de x = 0.499959 après 100 générations et 0.76s de calcul. III.4 Conclusion: Dans ce chapitre, un intérêt particulier a été porté à la méthode d'optimisation par essaim particulaire. Cette jeune méthode, inspirée des déplacements d'animaux en essaims, a rencontré un vif succès depuis sa création. Et nous avons présenté en détail les mécanismes d'un algorithme génétique. Les algorithmes génétiques constituent une famille d'algorithmes heuristiques permettant de rechercher l'optimum ou un quasioptimum des fonctions objectives. Dans le chapitre suivant nous avons appliquée ces méthodes métaheuristiques pour résoudre les problèmes d'optimisation (maximisation la puissance) sur le système photovoltaïque. 62 Chapitre IV Testes et interprétations des résultats Testes et Interprétations des Résultats IV.1 Applications des Techniques MPPT-PSO Et MPPT-GA pour l'Optimisation des Systèmes Photovoltaïques IV.1.1 Introduction En raison de changement du point de puissance maximale de fonctionnement en fonction de l'éclairement et de la température (conditions climatiques) une grande importance est donnée au suiveur du point de puissance maximum. Ainsi, les techniques heuristiques basées sur le concept de l'optimisation sont de nos jours de grande importance en raison de leur adaptabilité avec les systèmes photovoltaïques [11]. L'objectif de ce partie est l'élaboration d'une structure de commande MPPT basé sur PSO (MPPT-PSO) et basé sur AG (MPPT-AG), afin d'atteindre le PPM quelques soient les conditions climatiques. On donne les observations, les interprétations des résultats et on termine par les conclusions qu'on peut tirer à partir de ces résultats. De nos jours, les techniques d'optimisation sont appliquées progressivement dans le domaine de l'engineering en raison de leur utilité. Parmi ces techniques, nous trouvons celle de l'algorithme d'Optimisation par les méthodes méta heuristiques (PSO et GA) qui donne des résultats plus rigoureux en comparaison avec les autres techniques d'optimisation. En jetant un regard rapide sur les caractéristiques courant-tension I-V (figure IV.1-a) et puissance-tension P-V (figure IV.1-b) des rayons photovoltaïques d'un module solaire référencé MSX60 qui est fait l'objet de notre étude expérimentale. Un module est constitué de 36 cellules en séries poly cristallin dont les caractéristiques sont données dans l’annexe [A]. 63 Chapitre IV Testes et interprétations des résultats Nous constatons clairement la dépendance de la puissance générée d'un système photovoltaïque de l’éclairement et de la température. (a) (b) Figure IV.1 Caractéristique du module photovoltaïque pour différents éclairements. a) courant- tension b) tension-puissance. 64 Chapitre IV Testes et interprétations des résultats Dans ce qui suit, nous présentons une application d'un algorithme P&O et PSO continu sur un système photovoltaïque, ce qui nous permettra de suivre instantanément le point de puissance maximum. Ce dernier change instantanément avec l'éclairement et la température, ce qui implique un ajustement continu de la tension de sortie pour réaliser le transfert de la puissance maximum à la charge. La justification de cette application est due au fait que les caractéristiques courant-tension et puissance-tension (Figure IV.1 ) sont non linéaires en raison d'un côté de la non linéarité des systèmes photovoltaïques, et en raison de la variation instantanée de la température et l'éclairement de l'autre côté, ce qui fait qu'en réalité les deux caractéristiques précédents possèdent beaucoup de fluctuations. IV.1.2 Technique MPPT-PSO: Nous avons présenté l'organigramme de la méthode perturbation et observation (P&O) dans le chapitre II. Alors, on va faire une description générale du technique PSO et on illustre dans l'annexe [B] l'organigramme simplifié qu'on a écrit dans l'Environnement MATLAB. Le meilleur choix de différents paramètres de notre algorithme sont : c1 = 0.5, c2 = 0.5, Le nombre des particules est 20, le nombre de générations est 30 et le facteur d'inertie a été gardé entre wmin = 0.4 et wmax = 0.9 par la fonction suivant : W (k ) W max W max W it max min * k (IV.1) Notre objectif est cherche de solution optimale en termes des variables (courant et tension) qui donne la puissance maximale sous différents condition climatiques. On peut donc dire que la fonction d’objective est représentée par la puissance. Pour optimisée (vers la maximisation) la fonction d’objective F (la puissance) on utilise la fonction de fitness comme suit : P (V , I ) , si P P max P max fitness 1 , si non (IV.2) Les étapes de technique MPPT-PSO pour trouver la valeur globale optimale (Vopt, Iopt) sont les suivantes : Etape 1 : Introduction de toutes les données Introduire toutes les données concernant le modèle du module photovoltaïque choisi, les limites des tensions et courants et les choix de différents paramètres de PSO (le nombre 65 Chapitre IV Testes et interprétations des résultats d'itération, le nombre des particules, le coefficient d'inertie w et l'intensité d'attraction c1 et c2). Etape 2 : La population initiale La création aléatoire de l'essaim initial, cet essaim est un ensemble des particules contient les valeurs acceptables de variables du problème (I, V). Etape 3 : évaluation de la fonction objective : Calculer la position pour chaque particule par la fonction fitness d'évaluation qui représente dans notre cas la puissance du module PV (P = V*I). Etape 4 : calcul de la meilleure position de chaque particule et la meilleure position dans toutes les générations. On trouve les deux meilleures positions, la première c'est la meilleure position de chaque particule (Vibest, Iibest). L'autre, la meilleure position de toutes les générations jusqu'ici (Vgbest, Igbest). Etape 5 : la modification de la vitesse et de la position Calcule les nouvelles vitesses et positions de chaque particule par les équations III.5 et III.6. Etape 6 : Vérification du critère d'arrêt Si un critère d'arrêt est satisfait passer à l'étape 7, autrement aller à l'étape 3. Etape 7 : Affichage Enregistrement des valeurs optimales Popt (Vopt, Iopt). IV.1.2.1 TESTS ET APPLICATIONS : IV.1.2.1.1 1er test : Comparaison entre MPPT-PSO et P&O (MPPT classique): Dans cette section, notre objectif est de réaliser une comparaison directe entre les deux types MPPT-PSO et P&O (MPPT classique) sous les mêmes conditions climatiques de l'éclairement et de la température. Les résultats d'optimisation de deux techniques sont reportés sur Les tableaux IV.1, IV.2, IV.3. 66 Chapitre IV Testes et interprétations des résultats Nous voyons clairement la variation et changement du MPP avec l’ensoleillement et la température ou bien les deux simultanément (Figure IV.3, IV.4, IV.5). Dans chaque courbe le point de puissance maximale sera indiqué par le signe "o". Les résultats de ces problèmes d'optimisation montrent que notre technique (MPPTPSO) offre la possibilité de résoudre avec une grande précision et un temps de réponse rapide par rapport les techniques traditionnelles (perturbation et observation dans notre cas). La convergence de la solution optimale en utilisant l’Optimisation par Essaim de Particules (OEP) est illustrée dans la figure IV.2 où seulement environ 13 itérations ont été nécessaires pour trouver la solution optimale. Figure IV.2 La convergence par (OEP) pour T = 25°C et E = 250 w/m2. IV.1.2.1.1.1 Effet de l'éclairement : Nous allons tester les techniques pour un changement de l'ensoleillement de 100 w/m2 à 1000 w/m2 dont la température est maintenue constante 25°C. 67 Chapitre IV Testes et interprétations des résultats Table IV.1 Résultats de l'optimisation avec différents éclairements et température constante égale à 25°. VOPT [V] IOPT [A] Pmax [w] Eclairement [w/m2] PSO P&O PSO P&O PSO P&O 100 300 500 600 900 1000 15.4117 16.3797 16.7355 16.8372 16.9959 17.0174 14.5000 15.5000 16.2500 16.5000 16.5000 16.5000 0.3543 1.0664 1.7784 2.1341 3.1992 3.5536 0.3687 1.1063 1.8206 2.1713 3.2759 3.6419 5.4605 17.4667 29.7619 35.9317 54.3728 60.4728 5.3455 17.1479 29.5848 35.8258 54.0528 60.0906 G =1000 w/m Caractéristique PV PPM pour PSO PPM pour P&O 2 G =200 w/m2 (a) (a) Caractéristique PV PPM pour PSO PPM pour P&O G =1000 w/m2 G =200 w/m2 (b) (b) Figure IV.3 Variation PPMT sous différentes valeurs de l'éclairement: a) courant-tension b) puissance-tension. 68 Chapitre IV Testes et interprétations des résultats IV.1.2.1.1.2 Effet de la température : Il est important de tester les techniques sous différentes valeurs de température à partir de 0 °C jusqu'à 100 °C et l'éclairement est maintenu constant à 1000 w/m2. Table IV.2 Résultat de l'optimisation avec une température variable et un éclairement constant égal à1000 w/m2 VOPT [V] Température [°C] 0 25 50 75 100 PSO 18.9080 17.0174 15.1511 13.3147 11.5169 P&O 18.5000 16.5000 14.5000 12.5000 10.5000 IOPT [A] PSO 3.5390 3.5536 3.5573 3.5465 3.5157 Pmax [w] P&O 3.6030 3.6419 3.6787 3.7134 3.7460 PSO 66.9145 60.4728 53.8965 47.2206 40.4902 P&O 66.6549 60.0906 53.3406 46.4170 39.3325 Caractéristique PV PPM pour PSO T = 0°C T = 100°C (a) Caractéristique PV PPM pour PSO T = 0°C T = 100°C (b) Figure IV.4 Variation PPMT sous différentes valeurs de la température: a) courant-tension b) puissance-tension 69 Chapitre IV Testes et interprétations des résultats IV.1.2.1.1.3 variation simultanément de l'éclairement et de la température : Nous allons varier simultanément les deux conditions météorologiques (G et T). Table IV.3 Résultats de l’optimisation avec la température et l’éclairement qui varient en même temps. VOPT [V] Température [°C] 0 25 50 75 100 Eclairement [w/m2] 100 250 500 750 1000 IOPT [A] Pmax [w] PSO P&O PSO P&O PSO P&O 17.3572 16.2338 14.8174 13.1864 11.5169 16.5000 15.5000 14.5000 12.5000 10.5000 0.3022 0.8883 1.8079 2.6894 3.5157 0.3123 0.9179 1.8422 2.8007 3.7460 5.2454 14.4203 26.7885 35.4632 40.4902 5.1532 14.2273 26.7122 35.0082 39.3325 Caractéristique PV PPM pour PSO (a) Caractéristique PV PPM pour PSO PPM pour P&O (b) Figure IV.5 PPM avec Variation dans la température et l'éclairement au même temps : a) courant-tension b) puissance-tension. 70 Chapitre IV Testes et interprétations des résultats IV.1.3 Technique MPPT-AG: Le but de ce partie est de résoudre les problèmes d'optimisation de notre système photovoltaïque et trouver la solution optimale (courant et tension) quelque soit les conditions climatique de la température et l'éclairement comme suit: P(V , I ) / Pmax fitness 1 ; ; si P P max si non (IV.3) La puissance donnée par relation (IV.3) est la fonction objective ou fitness du notre problème qui est en fonction le courant et la tension. Le problème de maximisation est soumis aux contraintes d'inégalité suivante: V < Vmax et p < Pmax La Figure IV.6 est représentés l'ordinogramme de l'algorithme génétique pour l'optimisation les systèmes photovoltaïques MPPT-AG. Début Pose la taille de population des individués et défini la probabilités des croisement et mutation Exécution le mécanisme de l'algorithme génétique Gen=Gen+1 Module PV Gen ≤ maxGen Oui Non Pmax (Iopt, Vopt) Fin Figure IV.6 Organigramme de l'algorithme génétique MPPT-AG. 71 Chapitre IV Testes et interprétations des résultats IV.1.3.1 Résultats des simulations et discussion Le programme a été élaboré dans l’environnement MATLAB. Le programme a été exécuté sur un Pentium 4 avoirs 2.4 GHZ 1 GB de RAM DDR. Les paramètres et les constantes de l'AG sont donnés : N = 50, PC = 0,9, PM = 0,03, Kmax = 50. Les valeurs et les résultats de ce problème d'optimisation sont présentés dans les simulations montrées en tests. Ces résultats de simulation est de l'application de la technique AG qui nous avons voyons clairement la variation de la MPOP quelque soit la variation de l'isolation et la température avec une grande précision (Figure V.8 - V.11). 35 G = 700 Wm -2 T = 20 C° Popt = 25.2606 W Iopt = 2.6479 A Vopt = 9.5400 V 30 Fitnesse (Power (W)) G = 500 Wm -2 T = 25 C° Popt = 29.7523 W Iopt= 1.7668 A Vopt = 16.8400 V 25 20 G = 350 Wm -2 T= 45 C° Popt= 18.5830 W Iopt= 1.3331 A Vopt= 13.9400 V 15 G = 250 Wm -2 T = 40 C° Popt = 13.7663 W Iopt = 0.9178 A Vopt = 15 V 10 G = 150 Wm -2 T = 45 C° Popt = 5.8991 W Iopt = 0.6171 A Vopt= 9.5600 V 5 G = 100 Wm -2 T = 30 Popt = 5.3068 W Iopt = 0.3818 A Vopt = 13.900 V 0 0 5 10 15 20 25 30 35 40 45 50 iteration Figure IV.7 Convergence des AG dans des conditions différentes 0.4 30 0.3 25 0.2 20 0.1 15 10 15 20 25 30 35 40 45 Time Convergence [s] iteration Convergence The Convergence Properties For Various Popul ation Size. 35 0 50 Popul ation Size Figure IV.8 Convergence des propriétés par rapport les différentes tailles des populations. 72 Chapitre IV Testes et interprétations des résultats 14.5 Fitnesse (Power (W)) 14 Vopt= 16.4400 V Popt= 14.4003 W Iopt= 0.8759 A 13.5 under different conditions T= 25 C° / E = 250 W/m^2 13 12.5 12 0 5 10 15 20 25 30 35 40 45 50 iteration Figure IV.9 Convergence des AG pour T = 25 ° C et E = 250 Wm-2 La convergence où la solution optimale en utilisant l'AG est montrée dans la Figure IV.7, 8 et 9, d'après 25 itérations. L'AG s'arrête après 50 itérations et trouver la valeur optimale. IV.1.3.1.1 2eme test : Comparaison entre MPPT-GA et P&O (MPPT classique): IV.1.3.1.1.1 Effet de l'éclairement : 4.5 4 T= 25 C° / E= 100 Wm-1 T= 25 C° / E= 300 Wm-1 T= 25 C° / E= 600 Wm-1 T= 25 C° / E= 1000 Wm-1 MPP by GA MPP by classical method 3.5 Current [A] 3 2.5 2 1.5 1 0.5 0 0 5 10 15 v [V] (a) 73 20 25 Chapitre IV Testes et interprétations des résultats 70 T= 25 C° / E= 100 Wm-1 T= 25 C° / E= 300 Wm-1 T= 25 C° / E= 600 Wm-1 T= 25 C° / E= 1000 Wm-1 MPP by GA MPP by classical method 60 Power [W] 50 40 30 20 10 0 0 5 10 15 20 25 v [V] (b) Figure IV.10 comparaison les caractéristiques photovoltaïques avec différentes valeurs de l'isolation. a) courant-tension b) puissance-tension IV.1.3.1.1.2 Effet de la température: 1.5 T= 100 C°/ E= 250 w m-2 T= 75 C°/ E= 250 w m-2 T= 40C°/ E= 250 w m-2 T= 5C°/ E= 250 w m-2 MPP by GA MPP by clasical method Current [A] 1 0.5 0 0 5 10 15 v [V] (a) 74 20 25 Chapitre IV Testes et interprétations des résultats 16 T= 100 C°/ E= 250 w m-2 T= 75 C°/ E= 250 w m-2 T= 40 C°/ E= 250 w m-2 T= 5 C°/ E= 250 w m-2 MPP by GA MPP by clasical method 14 12 Power [W] 10 8 6 4 2 0 0 5 10 15 20 25 v [V] (b) Figure IV.11 comparaison les caractéristiques photovoltaïques avec différentes valeurs de la température. a) courant-tension b) puissance-tension IV.1.2.1.1.3 variation simultanément de l'éclairement et de la température : 4 T=25 C° / E= 100 Wm-1 T=50 C° / E= 250 Wm-1 T=75 C° / E= 500 Wm-1 T=10 C° / E= 800 Wm-1 MPP by GA MPP by Clasical Method 3.5 3 Current [A] 2.5 2 1.5 1 0.5 0 0 5 10 15 v [V] (a) 75 20 25 Chapitre IV Testes et interprétations des résultats 35 T=25 C° / E= 100 Wm-1 T=50 C° / E= 250 Wm-1 T=75 C° / E= 500 Wm-1 T=10 C° / E= 800 Wm-1 MPP by GA MPP by Clasical Method 30 Power [W] 25 20 15 10 5 0 0 5 10 15 20 25 v [V] (b) Figure IV.12 comparaison les caractéristiques photovoltaïques avec différentes valeurs de isolation et la température. a) courant-tension b) puissance-tension Les figures IV.10,12 présentés les comparaisons des les caractéristiques du générateur photovoltaïque PV obtenus en utilisant les deux méthodes: la technique MPPT– AG et la méthode classique P&O. On peut constater on utilisant l'algorithme MPPT-AG proposées par rapport la méthode classique l'algorithme MPPT P&O est très meilleur dans trouve le point maximale de la puissance MPP du générateur photovoltaïque le point de fonctionnement du générateur photovoltaïque. IV.2 Testes et interprétations de résultats de simulation pour a la poursuite du point de Puissance maximale IV.2.1 Introduction Dans Ce chapitre présente une approche intelligente pour l’amélioration et l’optimisation des performances de contrôle d’un système photovoltaïque, par la méthode de la poursuite du point de puissance maximum (MPPT) à base PSO et GA (MPPT- PSO et MPPT- GA).Pour cela la caractérisation du système photovoltaïque intégrant le MPPT (à base de la méthode Perturbe and Observe), et comparé à l’algorithme de poursuite classique (P&O). 76 Chapitre IV Testes et interprétations des résultats Les résultats de simulation en temps réel obtenus sous différentes conditions de fonctionnement montrent une nette amélioration des performances de contrôle par PSO et GA du MPPT du système photovoltaïque. D’autre parte le système photovoltaïque est constitue par un panneau photovoltaïque une interface de puissance et une charge. Un simple circuit convertisseur DC/DC (Hacheur) qui utilise comme interface entre le panneau PV. Un modèle de PV a été développé a l’aide de Matlab/Simulink, que interfacée par la simulation d’un DC/DC commande en un premier temps avec un contrôleur P&O (Perturbe and Observe), qui présente des oscillations autour du MPP (Maximum Power Point) lors de la recherche du point de puissance maximum. IV.2.2 Application MPPT-PSO: Simulations en temps réel D'abord, pour simuler le système, il est nécessaire d'utiliser les données d'ensoleillement et température d'une location spécifique durant 24 heurs. Cette simulation permet de tester le modèle d'une manière suffisante. Pour cela, nous avons choisi les données à travers la région de Golden, Colorado en 14 Juillet 2009 et 14 Mars 2010 parce que ces données sont disponibles à faire, en plus, on y confiant de son exactitude [25]. La première journée du 14 Juillet 2009 présente un bon ensoleillement tout au long de la journée avec de petites variations d'irradiations lumineuses entre 12h et 14h et en fin d'après-midi. Au contraire, la deuxième journée du 14 Mars 2010 fut très nuageuse où l'éclairement peut atteindre la valeur G = 356.35 W/m2, T = 1.226 °C à l'instant t = 8h27. (Figures IV.13 et IV.14). 40 1000 30 500 20 0 4 6 8 10 12 14 le temps en journée (Heure) 16 18 Température [deg C] 2 Ensoleillement [W/m ] Ensoleillement et Température à Golden, Colorado en July 14, 2009 1500 10 20 Figure IV.13 Données d'ensoleillement et température d'un jour ensoleillé. 77 Chapitre IV Testes et interprétations des résultats 2 200 0 0 6 8 10 12 14 16 temps en journée (Heure) 18 Température [deg C] Ensoleilement [W/m 2] Ensoleilement et Température à Golden, Colorado en 14 March 2010 400 -2 20 Figure IV.14 Données d'ensoleillement et température d'un Jour nuageux. IV.2.2. A. Simulation 1 :jour ensoleillé Les figures IV.15 et IV.16 montrent respectivement l'évaluation de la tension, courant optimaux et la puissance effectués par la commande MPPT-PSO au cours d'une journée très ensoleillée (14 Juillet 2009) sans trop de nuages ni de changements rapides du niveau d'irradiation. 3 15 2 10 1 5 0 4 6 8 10 12 14 temps en journée (Heure) 16 18 0 20 Figure IV.15 Courant et tension optimaux d'un jour ensoleillé. 78 Tension [V] Courant [A] Courant et tension optimaux pour la simulation de journée ensoleillé 4 20 Chapitre IV Testes et interprétations des résultats 70 P&O PSO-MPPT 60 64 Zoom P&O PSO-MPPT 62 60 P u is s a nc e o ptim al [W ] Puissance optimal [W] 50 40 30 58 56 54 52 50 48 20 46 13.5 14 14.5 Temps en journée (Heure) 10 0 4 6 8 10 12 14 Temps en journée (Heure) 16 18 15 20 Figure IV.16 puissance optimale d'un jour ensoleillé. A partir de 4h.43, on peut observer sur la figure IV.15 que La variation du courant optimal chaque instant suit la variation de l’éclairement dirigé vers le module PV, elle augmente progressivement jusqu'à atteindre un maximum aux alentours de 12h avant la diminution jusqu'au soir. C’est pour cela qu'ils ont la même forme. Nous voyons aussi que la tension varie peu tout ou long de la journée car la variation de la température était lente. On remarque en figure IV.16 que la variation de la puissance optimale augmente ainsi graduellement en fonction du niveau d'ensoleillement jusqu'à atteindre un maximum à 12h09 Pmax = 60.2805 W (I max = 3.6181, Vmax= 16.6608 V) sous les conditions : G = 1012W/m², T = 30.06°C avant de diminuer jusqu'au soir avec une chute de puissance importante ente 12h et 14h, 16h et 18h (liée au passage nuageux). V.2.2.B. Simulation 2 : jour nuageux 20 1 10 0 6 8 10 12 14 16 temps en journée (Heure) 18 0 20 Figure IV.17 Courant et tension optimaux d'un jour nuageux. 79 tension [V] Courant [A] Courant et tension optimaux pour la simulation d'une jour nuageux 2 Chapitre IV Testes et interprétations des résultats 25 P&O MPPT-PSO 20 P&O MPPT-PSO 6.6 6.4 15 Puissance optimal [W] Puissance optimal [W] 6.8 10 Zoom 6.2 6 5.8 5.6 5.4 5.2 5 5 14.65 0 6 8 10 12 14 16 temps en journée (Heure) 14.7 18 14.75 14.8 14.85 temps en journée (Heure) 14.9 14.95 20 Figure IV.18 puissance optimale d'un jour nuageux. Il est clair sur la figure IV.17 que la variation du courant optimal suive l’éclairement. Il augmente un peu en début de matinée. Par contre, en milieu de journée le point de fonctionnement du panneau PPM diminue. On remarque sur la figure IV.18 qu'en début de matinée comme en soirée, le module PV fournit une puissance très faible comparable avec une journée ensoleillée où le système fonctionne mieux sous ses conditions. Toute fois, la diminution significative de l'énergie produite est peut être liée aux autres facteurs (neige par exemple), dont nous pouvons trouver le maximum de l'énergie produite durant ce jour : Pmax = 22.5545 W (Imax = 1.2275A, Vmax = 18.3744V) sous les conditions : G = 267.58W/m², T = 0.984°C . V.2.3 Application MPPT-GA: Simulations en temps réel Donc de même manière du simulation le technique précédemment, il est nécessaire d'utiliser les données d'ensoleillement et température d'une location spécifique durant 24 heurs. Et Pour choisi les même données à travers la région de Golden, Colorado en 14 Juillet 2009 et 14 Mars 2010 parce que ces données sont disponibles à faire, en plus, on y confiant de son exactitude [25]. La première journée du 14 Juillet 2009 présente un bon ensoleillement tout au long de la journée avec de petites variations d'irradiations lumineuses entre 12h et 14h et en fin 80 Chapitre IV Testes et interprétations des résultats d'après-midi. Au contraire, la deuxième journée du 14 Mars 2010 fut très nuageuse où l'éclairement peut atteindre la valeur G = 356.35 W/m2, T = 1.226 °C à l'instant t = 8h27. (Figures IV.19 et IV.20). 1500 40 1000 30 500 20 0 4 6 8 10 12 14 16 18 Temperature [deg C] 2 Irradiance [W/m ] Irradiance and Temperature from Golden, Colorado on July 14, 2009 10 20 Time of day (Hour) Figure IV.19 Données d’Ensoleillement et température d’un jour ensoleillée. 2 200 0 0 6 8 10 12 14 Time of day (Hour) 16 18 Temperature [deg C] 400 2 Irradiance [W/m ] Irradiance and Temperature from Golden, Colorado on March 14, 2010 -2 20 Figure IV.20 Données d'ensoleillement et température d'un Jour nuageux. 81 Chapitre IV Testes et interprétations des résultats IV.2.3.A. Simulation 1:conditions d’un jour ensoleillée 4 20 3 15 2 10 1 5 0 4 6 8 10 12 14 Time of day (Hour) 16 18 0 20 Figure IV.21 Courant et tension optimaux d'un jour ensoleillé. GA-MPPT for sunny day 70 60 Power (W) 50 40 30 20 10 0 -10 4 6 8 10 12 14 16 18 Time of day (Hour) Figure IV.22 puissance optimale d'un jour ensoleillé. 82 20 Voltage [V] Current [A] Current and Voltage Optimal for sunny day simulation purposes. Chapitre IV Testes et interprétations des résultats IV.2.3.B. Simulation 2: conditions d’un jour nuageux 2 20 1 10 0 6 8 10 12 14 16 18 Voltage [V] Current [A] Current and Voltage Optimal for cloudy day simulation purposes. 0 20 Time of day (Hour) Figure IV.23 Courant et tension optimaux d'un jour nuageux. GA-MPPT for cloudy day 25 20 Power (W) 15 10 5 0 -5 6 8 10 12 14 16 18 20 Time of day (Hour) Figure IV.24 puissance optimale d'un jour nuageux. De toute évidence, le système fonctionne beaucoup mieux dans des conditions ensoleillées. Les données utilisées pour la journée nuageuse laissé tomber la puissance 83 Chapitre IV Testes et interprétations des résultats maximale de PV d'environ 80%, indiquant que le maximum de deux pouvoirs consécutifs de journées nuageuses peuvent être traitées par le système. Toutefois, étant donné la diminution importante de l'énergie produite par le générateur photovoltaïque, il peut avoir été un autre facteur (la neige par exemple) qui n'auraient pas eu une telle question à une latitude plus basse. Par conséquent, je recommande que des simulations être exécuté pour plusieurs scénarios de plus par jour nuageux. En outre, une simulation dans laquelle journée nuageuse est suivie par une journée ensoleillée peut nous donner une idée de la rapidité de système serait en mesure de rebondir à condition normal. IV.2.4 Modélisation de Générateur photovoltaïque avec hacheur survolteur contrôlé par MPPT: La figure IV.25 illustre le bloc schématique de SIMILINK du générateur photovoltaïque et avec cheminement de la commande de poursuite MPPT. Figure IV.25 Modèle MATLAB/simulink du GPV avec hacheur Contrôlé par ( avec & sans) MPPT Par rapport le convertisseur DC-DC (hacheur survolteur) • Réglez le point de fonctionnement PV (Vpv,Ipv) pour un MPPT. • renforcer efficacement Vpv à une plus tension continue Vdc. On prendre l’exemple des six modules 85 W en série, en plein soleil, Pour ce la l’exemple de simulation donne : • 6-module (85 W chacune) Générateur PV en plein soleil (insolation =1000 W/m2). • Générateur PV fonctionne à MPP: Ppv = 6 * 85 W = 510 W. 84 Chapitre IV Testes et interprétations des résultats Des choix pour le convertisseur DC-DC les variable de contrôle suivant : • le rapport cyclique D. • Courant d'entrée de référence Iref. • tension d’entrée de référence Vref. L'objectif de l'algorithme MPP tracking est contrôlé les variable de sorte de GPV qui ce dernier fonctionne au point de puissance maximale. Dans l'exemple présenté ici: • On suppose que la tension de sortie Vout -Boost = Vdc est constante. • Iref l'on utilise comme grandeur de réglage pour le convertisseur DC-DC. • Un courant photovoltaïque suit idéalement le courant de référence qui entrée le convertisseur (DC-DC) actuelle: Ipv = Iref. Figure IV.26 Caractéristique Ppv en fonction de Ipv = Iref Donc l’Objectif est: réglage Ipv = Iref pour fonctionner à PPM. IV.2.4.1 Simple "perturbent et d'observer" D'algorithme MPP tracking Alors Toujours l'étape de Iref dans le sens d'une augmentation Ppv (voir la Figure IV.27 et IV.28) Figure IV.27 Caractéristique Ppv en fonction de Ipv = Iref pendent la P&O 85 Chapitre IV Testes et interprétations des résultats Initialises Iref, Iref, Pold Mesure Ppv OUI Ppv > Pold ? Changer direction Continue Sur une même direction Iref = Iref Iref = Iref Iref Pold = Ppv Figure IV.28 Algorithme de MPPT base sur la méthode « P&O » IV.2.4 .2 1er teste de Simulation: (sans MPPT) Dans ce cas nous lancement le modèle de simulation mais sans intégrer le contrôleur MPP tracking. Le point de PPM dans la caractéristique (P-I) corresponde un courant Iph optimale est égale à le courant de référence Iref (Iphoptimale = Iref = 4 [A]) ce courant on peut forcer le panneau photovoltaïque pour fonctionner dans le PPM. 1000 900 800 E c la irm e n t [ w m - 2 ] 700 600 500 400 300 200 100 0 0 1 2 3 4 temps [m] 5 6 7 Figure IV.29 L’ensoleillement en fonction du temps 86 8 Chapitre IV Testes et interprétations des résultats 5 4.8 4.6 4.4 Ipv[A] 4.2 4 3.8 3.6 3.4 3.2 3 0 1 2 3 4 temps[m] 5 6 7 8 0 1 2 3 4 temps[m] 5 6 7 8 0 1 2 3 4 temp[m] 5 6 7 8 120 100 Vpv[v] 80 60 40 20 0 -20 450 400 350 300 Ppv[w] 250 200 150 100 50 0 -50 Figure IV.30 Le courant (Iref =Iph), la tension et la puissance photovoltaïques en fonction de temps sans intégrer le contrôleur (MPPT-P&O) et pour Variation d’ensellement 2.5 2 Iout[A] 1.5 1 0.5 0 -0.5 0 1 2 3 4 temps[m] 5 6 7 8 Figure IV.31 courant de sortie de la convertisseur DC-DC(Hacheur) en fonction de temps 87 Chapitre IV Testes et interprétations des résultats 500 Pout Ppv Pideal 400 P[w] 300 200 100 0 -100 0 1 2 3 4 temps[m] 5 6 7 8 Figure IV.32 comparaison les puissances Pout, Ppv à P idéal-pv 3 Output energy Ideal PV energy PV energy 2.5 energy[kWh] 2 1.5 1 0.5 0 -0.5 0 1 2 3 4 temps[m] 5 6 7 8 Figure IV.33 comparaison l’Energies Eout, Epv à E idéal-pv en kilowattheure 1 0.9 Duty[p.u] 0.8 0.7 0.6 0.5 0.4 0 1 2 3 4 temps[m] 5 6 7 8 Figure IV.34 Le rapport cyclique (Duty sycle) du hacheur survolteur en fonction de temps 1 0.9 0.8 Rendement[%] 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 1 2 3 4 temps[m] 5 6 7 8 Figure IV.35 rendement du convertisseur DC - DC en fonction de temps 88 Chapitre IV Testes et interprétations des résultats IV.2.4.3 2éme teste de Simulation: (avec MPPT) Nous avons vus dans ce section les opérations qui faire lorsque intégrer le controleur MPP tracking (à base de la méthode Perturbé and Observé), l’algorithme pour trouver le PPM dans la cellule PV et l’algorithme de MPPT-P&O sont respectivement dans l’annexe [C] et [D]. 1000 900 800 E c la irm e n t [ w m - 2 ] 700 600 500 400 300 200 100 0 0 1 2 3 4 temps [m] 5 6 7 8 Figure IV.36 L’ensoleillement en fonction du temps 5 4.5 4 3.5 2.5 2 1.5 1 0.5 0 0 1 2 3 4 temps[min] 5 6 7 8 1 2 3 4 temp [m] 5 6 7 8 120 100 80 V pv [v ] Ipv[A] 3 60 40 20 0 -20 0 89 Chapitre IV Testes et interprétations des résultats 500 450 400 350 P pv [w ] 300 250 200 150 100 50 0 0 1 2 3 4 temp [m] 5 6 7 8 Figure IV.37 Le courant (Iref =Iph), la tension et la puissance photovoltaïques pour Variation d’ensellement en fonction de temps 2.5 2 Iout [A ] 1.5 1 0.5 0 -0.5 0 1 2 3 4 temps [m] 5 6 7 8 Figure IV.38 courant de sortie de la convertisseur DC-DC(Boost) 500 Pout Ppv Pideal 400 P [w ] 300 200 100 0 -100 0 1 2 3 4 temps [m] 5 6 7 8 Figure IV.39 comparaison les puissances Pout, Ppv à P idéal-pv 90 Chapitre IV Testes et interprétations des résultats 3 Output energy Ideal PV energy PV energy 2.5 Energy [kWh] 2 1.5 1 0.5 0 -0.5 0 1 2 3 4 temps [m] 5 6 7 8 Figure IV.40 comparaison l’Energies Eout, Epv à E idéal-pv en kilowattheure 1 0.9 D uty [p.u] 0.8 0.7 0.6 0.5 0.4 0 1 2 3 4 temps [m] 5 6 7 8 Figure IV.41 Le rapport cyclique (Duty sycle) de l'hacheur survolteur en fonction de temps 1 0.9 0.8 R endem ent [% ] 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 1 2 3 4 temps [m] 5 6 7 8 Figure IV.42 rendement de l'hacheur (boost) en fonction de temps 91 Chapitre IV Testes et interprétations des résultats IV.3 Conclusion : Dans le premier parite, on présent des nouvelles techniques d'optimisation MPPTPSO et MPPT-AG, qui calcule instantanément le point de puissance maximum PPM d'un module photovoltaïque afin de maximiser le profit de puissance avec les contraints du changement instantané des conditions climatiques. On peut dire que ces techniques basées sur les méthodes métaheuristiques (MPPT-PSO et MPPT-AG) sont la meilleure technique utilisée pour suivre la puissance optimale PPM par rapport les autres MPPT classique. Dans le deuxieme partie nous avons presenté différents résultats de sortie du générateur photovoltaïque pour différentes valeurs d’insolation et de température, ont été obtenus en simulant les contrôleurs MPPT-PSO, MPPT-GA et (PO). Mais montrent un meilleur fonctionnement des contrôleurs MPPT-PSO, MPPT-GA. Pour avoir le meilleur transfert de puissance entre le générateur photovoltaïque ‘GPV’ et la charge, nous avons modélisé l’ensemble de la chaine de conversion sous Matlab et l’algorithme de recherche du point de puissance maximale (MPPT) a été conçu puis simulé. Il force le générateur GPV à travailler à son Maximum Power Point (MPP), induisant une amélioration globale du rendement du système de conversion électrique. Bien que satisfaisante par rapport à une connexion directe GPV-charge, une amélioration de l’algorithme P&O peut s’avérer nécessaire dans le cas de brusques changements de des conditions climatiques. 92 Conclusion générale Conclusion générale A la fin de ce modeste travail on peut dire que notre contribution a été axée sur l'énergie solaire qui en plus d'être renouvelable est aussi d'une flexibilité utile, cette énergie qui est fournie par des générateurs photovoltaïque caractérisés par un point où la puissance est maximale. Ce point se déplace en fonction des conditions atmosphériques, un mécanisme de poursuite s'avère indispensable pour une meilleure efficacité du générateur. A travers ce projet, les Particules SWARM d'Optimisation et les Algorithmes Génétiques est proposée afin de maximiser le profit en termes d'énergie qui alimentant la charge. On peut dire après la comparaison des techniques d'optimisation MPPT-PSO et MPPT-AG aux les autres MPPT classique, pour le calcule instantanément le point de puissance maximum PPM d'un module photovoltaïque afin de maximiser le profit de puissance avec les contraints du changement instantané de les conditions climatiques. Ces techniques basé sur les méthodes métaheuristique (PSO et AG) est la meilleure technique utilisée pour suivre la puissance optimale PPM qui remarquent elle converge rapidement à la solution optimale avec un nombre d'itération minimale. Pour avoir le meilleur transfert de puissance entre le générateur photovoltaïque ‘GPV’ et la charge, nous avons modélisé l’ensemble de la chaine de conversion sous Matlab et l’algorithme de recherche du point de puissance maximale (MPPT) a été conçu puis simulé. Il force le générateur GPV à travailler à son Maximum Power Point (MPP), induisant une amélioration globale du rendement du système de conversion électrique. Bien que satisfaisante par rapport à une connexion directe GPV-charge, une amélioration de l’algorithme P&O peut s’avérer nécessaire dans le cas de brusques changements de des conditions climatiques. Mais elle souffre de quelques inconvénients, du point de vue de l'exécution ou dans le processus de poursuite. Deux perspectives à notre avis qui peuvent être apportées dans le futur à notre travail, la première consistent dans la commande floue avec une adaptation des paramètres, la deuxième perspective l'utilisation Réseau de neurones artificiels pour réaliser une mémoire par la étape d’un apprentissage. 93 Annexe Annexe[A] : Fiche technique d'un module MSX-60, sous (G = 1000 W/m2 et T = 25°C) Spécification du module solaire (donnée du fabriquant) Température des conditions standards ou de références (Tref) Eclairement des conditions standards ou de références (Gref) Puissance crête maximale (Pm) 25°C 1000 W/m2 60W Tension de crête maximale ((Vm ) 17.1V Courant de crête maximale (Im) 3.5A Courant de court-circuit (Isc) 3.8A La tension de circuit ouvert 21.1V Tolérance sur puissance de crête -0.38W/°C Température nominale de fonctionnement (NOCT) 94 49°C Annexe Annexe [B] : Organigramme de calcul de PPM par la méthode SWARM (MPPT-PSO) Début Initialisation de la population Module PV Fonction de fitness d’évaluation Détermination de Pbest et Pgbest par III.5 et III.6 Modification de la vitesse et la position Non it ≤ itmax Oui Popt (Iopt, Vopt) Fin 95 Annexe Annexe[C]:Algorithme pour trouver le point de puissance maximale dans la cellule PV % find maximum power point in the PV cell data generated by pv1.mdl pmax = max(PV.signals.values(:,2)); vrange = max(PV.signals.values(:,1)); irange = max(PV.signals.values(:,3)); [tf,index]=ismember(pmax,PV.signals.values(:,2)); disp(' MPP power: ') disp(PV.signals.values(index,2)); disp(' MPP voltage: ') disp(PV.signals.values(index,1)); disp(' MPP current: '); disp(PV.signals.values(index,3)); figure(1) plot(PV.signals.values(:,1),PV.signals.values(:,2)); % plot P(Vpv) axis([0 vrange 0 pmax]); figure(2) plot(PV.signals.values(:,1),PV.signals.values(:,3)); % plot Ipv(Vpv) axis([0 vrange 0 irange]); Annexe [D] : Algorithme de MPPT « perturbations et observations » % Simple MPP "perturb and observe" tracking algorithm % using Boost DC-DC input current Iref as the control variable % Pold, Iref and Increment are initialized in InitializeMPPtrackIref.m % Input: power P to be maximized % Output: reference current function y = MPPtrackIref(P) global Pold; global Iref; global Increment; IrefH = 5; % upper limit for the reference current IrefL = 0; % lower limit for the reference current DeltaI = 0.02; % reference current increment if (P < Pold) Increment = -Increment; % change direction if P decreased end % increment current reference Iref=Iref+Increment*DeltaI; % check for upper limit if (Iref > IrefH) Iref = IrefH; end % check for lower limit if (Iref < IrefL) Iref = IrefL; end % save power value Pold = P; % output current reference y = Iref; 96 Références Bibliographiques REFERENCES BIBLIOGRAPHIQUES [1] C. Cabal, "Optimisation énergétique de l'étage d'adaptation électronique dédié à la conversion photovoltaïque", Thèse de Doctorat de l'Université Paul Sabatier, Toulouse 15 Décembre 2008. [2] Z. Bendjellouli, "Contribution à la modélisation d'une cellule", Mémoire de Magistère, Université de Bechar, 28 Juin 2009. [3] M. Belhadj, "Modélisation d'un système de captage photovoltaïque autonome ", Mémoire de Magistère, Centre Universitaire de Bechar, 2007/2008. [4] S. Ameziane,"Implantation expérimentale de l'MPPT pour un système de génération hybride solaire-éolien", Mémoire de Magistère, Université de Batna, Laboratoire des Systèmes Propulsion-Induction Electromagnétiques LSP-IE Batna 01 juillet 2009. [5] I. Chabani et O. Belila, "L'intégration du photovoltaïque au réseau électrique problèmes et perspectives ", Mémoire de Fin d'Etude pour l’obtention du Diplôme d’ingénieur d’Etat en Electrotechnique, Université Mohamed Khider Biskra, Promotion 2006. [6] H. Mehires et M.C. Sekal, "Mis en oeuvre d'un ordinateur mono carte pour la caractérisation d'un générateur", Mémoire de Fin d'Etude pour l’obtention du Diplôme d’ingénieur d’Etat en Electrotechnique, Ecole Nationale Polytechnique, Algérie, Promotion Juin 2007. [7] S. Rodriguez, "Réalisation d'un étage d'adaptation pour générateur photovoltaïque à partir d'un girateur de puissance", Diplôme : Ingénieur Technique Industriel, Université ROVIRA I VIRGILI, Espagne Juin 2008. [8] A. Tsamda et K. Mahmoud, " Développement d'un logiciel de dimensionnement des installations photovoltaïques ", Mémoire de Fin d'Etude pour l’obtention du Diplôme d'Ingénieur d’Etat en Electrotechnique Ecole Nationale Polytechnique, Algérie, Promotion Juin 2007. [9] M. Boudjema et N. Belhaouas,"Commande d'une poursuite du point de puissance maximum MPPT par les Réseaux de Neurones et implémentation sur FPGA et DSP", Mémoire de Fin d'Etude pour l’obtention du Diplôme d’Ingénieur d’Etat en Electronique Ecole Nationale Polytechnique, Algérie, Promotion Juin 2007. [10] G. Walker, "Evaluating MPPT converter topologies using a MATLAB PV model", Journal of Electrical & Electronics Engineering. Australia, IE Aust. Vol.21.No.1. 2001, PP.49-56. [11] D. Bellala, "Contribution à l'optimisation des systèmes de conversion d'énergie. Application aux systèmes photovoltaïques", Thèse de Doctorat en Sciences, Université de Batna. [12] I.Vechiu, "Modélisation et analyse de l'intégration des énergies renouvelables dans un réseau autonome", Thèse de Doctorat, Université de Havre, France 15 Décembre 2005. 97 Références Bibliographiques [13] A. Benmosbah et C.A. Mecheraoui, " Implémentation sur FPGA des méthodes MPPT ' P&O' et ' Floue optimisée par les Algorithmes Génétiques' " Mémoire de Fin d'Etude pour l’obtention du Diplôme d’Ingénieur d’Etat en Electronique, Ecole Nationale Polytechnique, Algérie, Promotion Juin 2006. [14] M. Djarallah, "Contribution a l'étude des systèmes photovoltaïques résidentiels couplés au réseau électrique", Thèse de Doctorat en Sciences, Université de Batna 16 janvier 2008. [15] O. Gergaud, "Modélisation énergétique et optimisation économique d'un système de production éolien et photovoltaïque couplé au réseau et associé à un accumulateur", Thèse de Doctorat de l'Ecole Normale Supérieure de Cachan. [16] B. Flèche-D. Delagnes, "Energie solaire photovoltaïque", Juin 2007. [17] S. Petibon, "Nouvelles architectures distribuées de gestion et de conversion de l'énergie pour les applications photovoltaïques", Thèse de Doctorat de l'Université Paul Sabatier, Toulouse 20 Janvier 2009. [18] B. Baker, I. Hechifa, T. Mesai Belgacem "Générateur photovoltaïque" mémoire de fin d'étude LMD, option CDSE, Centre universitaire d'El-Oued 2008/2009. [19] A. Aziz, "Propriétés électriques des composants électroniques minéraux et organiques, conception et modélisation d'une chaîne photovoltaïque pour une meilleure exploitation de l'énergie solaire", Thèse de Doctorat de l'Université Paul Sabatier, Toulouse 28 Novembre 2006. [20] Y. Cooren, "Perfectionnement d'un algorithme adaptatif d'optimisation par essaim particulaire. Applications en génie médical et en électronique", Thèse de Doctorat en Sciences de l'Université de Paris 12 Val de Marne, Version 1-8 mars 2010. [21] G. Calas, "Optimisation par essaim de particules", EPITA : Ecole d'Ingénieurs en Informatique, France 2009. [22] R. Labdani, "Optimisation de l’ecoulement de puissance dans un marche de l’electricite libere par essaims de particules", Mémoire de Magistère, Centre Universitaire Larbi Ben M’hidi, Oum El-Bouaghi, 18 Avril 2007. [23] A.Dutot et D. Olivier, "Optimisation par essaim de Particules. Application au Problème des n-Reines, Université du Havre, France. [24] M. H. Aroua, M. S.Boughazala et S. Tamer, "Dispatching économique optimale par la méthode SWARM (PSO)", Mémoire de Fin d'Etude pour l’obtention du Diplôme d’ingénieur d’Etat en Electrotechnique, Option: Réseaux Electriques. Centre Universitaire d' El-Oued. Promotion Juin 2009. [25] National Renewable Energy Laboratory (NREL) Daily plot and Raw Data Files March 14, 2010 and 08 July 2009 (downloaded from http:/ /ww.nrel.gov/mide/srrl_bms). [26] D.E. Goldeberg, “Genetic Algorithms in search, Optimization and Machine learing”, Addison-Wesley, 1989. 98 Références Bibliographiques [27] J. M. Alliot et T. Schiex, “Intelligence artificielle et informatique théorique”, Cepadues editions mars 1994, 520 pages. [28] C. Bontemps, “Principes Mathématique et Utilisations des Algorithmes Génétiques”,18 Novembre 1995 . [29] J.H. Holland, “Adaptation in natural and artificial system. Ann Arbor”, university of Michigan Press, 1975. 99