Commande neuro-floue d'un hacheur MPPT

Abstract

Un générateur photovoltaïque peut fonctionner dans une large gamme de tension et de courant de sortie mais il ne peut délivrer une puissance maximale que pour des valeurs particulières du courant et de la tension. En effet la caractéristique I (V) du générateur dépend de l’éclairement solaire et de la température. Ces variations climatiques entraînent la fluctuation du point de puissance maximale. A cause de cette fluctuation, on intercale souvent entre le générateur et le récepteur un ou plusieurs convertisseurs statiques commandés permettant de poursuivre le point de puissance maximale. Ces commandes sont, connus sous le nom de MPPT (Maximum Power Point Tracking) associées au hacheur, lequel assure le couplage entre le générateur PV et le récepteur en forçant le premier à délivrer sa puissance maximale. Le travail présenté dans ce mémoire s’appuie sur l’utilisation de deux approches: neuronale et neuro-floue pour la poursuite du PPM. Les résultats de simulation ont montré que ces deux techniques présentent de bons résultats mais le contrôleur neuro-flou est plus performant et plus robuste. Le présent mémoire est donc subdivisé en quatre chapitres à savoir: Dans le premier chapitre, nous présentons les principales caractéristiques d’un GPV ainsi que la problématique de l’énergie solaire photovoltaïque. En suite, nous décrivons les principaux types d’algorithmes de recherche du point de puissance maximale (MPPT) d’un GPV développés et les plus répandus, en particulier ceux émergents (les techniques intelligentes tel que la logique floue,les réseaux de neurones,le réseau neuro-flou). Dans le deuxième chapitre nous présenterons une étude théorique sur les notions de la logique floue, les réseaux de neurones et neuro-flous ainsi que les concepts nécessaires à leurs conceptions, l’apprentissage et la validation. Le troisième chapitre sera consacré à la présentation de notre travail, nous décrivons l’architecture du réseau de neurones proposé ainsi que le processus d’apprentissage adopté. Des tests et des simulations de performances du système global sont effectués afin de vérifier la marge de fiabilité de notre contrôleur. Par la suite et dans le dernier chapitre et dans le but d’améliorer un tel processus nous avons pensé à introduire l’approche neuro-floue qui est susceptible de garder toujours de bonne performances même dans le cas extrême où le contrôle par le réseau de neurones se trouve moins efficace, ce qui est vérifié à travers une comparaison des résultats de simulation avec l’approche neuronale.