Beruflich Dokumente
Kultur Dokumente
Mr.BOUCHAREB MOUSSA
Mlle. KOURDACI HADJER
Master en Electrotechnique
Intitulé du mémoire :
Tout d'abord nous voulions dire que grâce à dieu que nous somme arrivé à
Nous remercions les membres de jury qui ont accepté de juger notre travail.
notre formation.
MOUSSA
Dédicaces
HADJER
Notations & Symboles
1-EN FRANCAIS
2-EN ANGLAIS
Repère :
(sA, sB, sC) Axes magnétiques liés aux enroulements triphasés statorique,
(ra, rb, rc) Axes magnétiques liés aux enroulements triphasés rotoriques,
(d, q) Axes de référentiel de Park (tournant à la vitesse de synchronisme),
(α, β) Axes de référentiel de Concordia/Clarke (repère de Park fixe au
stator),
sl (rad) Position angulaire du rotor par rapport au stator,
s (rad) Position angulaire du stator par rapport à l’axe (d),
Vs 31 vsa ,vsb ,vsc T (V) Vecteur des tensions instantanés des phases a, b et c
statoriques,
Vs (V) Module du vecteur de tension statorique,
I s 31 isa ,isb ,isc T (A) Vecteur des courants instantanés des phases a, b et c
statoriques,
vs d, q (V) Tensions statoriques diphasées dans le repère (d, q),
is d, q (A) Courants statoriques diphasées dans le repère (d, q),
Ps (W) Puissance active statorique,
Qs (VAr) Puissance réactive statorique
Notations & Symboles
Grandeurs mécaniques :
Transformations :
s Opérateur de Laplace,
P (θ) Transformation de Park : Xs a,b,c → Xs d,q et Xr a,b,c → Xr d,q,
C32 Transformation de Concordia/Clarke : Xs a,b,c → Xs α,β et Xr a,b,c → Xr α,β,
Chapitre I :
Chapitre II :
Chapitre III:
Figure III.1 : Comparaison d’un ensemble classique et d’un ensemble flou ......................71
Figure III.2 : Fonctions d'appartenance pour cinq et sept sous-ensembles floue ..........72
Figure III.3 : Différentes formes pour les fonctions d’appartenances ....................................73
Figure III 4: Union des sous-ensembles fous « petite »et « moyenne » pour la variable
linguistique (vitesse)………………………………………………………………………………………………………74
Figure III.5 : Intersection des sous-ensembles flous « petite » et « moyenne » pour la
variable linguistique (vitesse)……………………………………………………………………………………… 75
Figure III.6 : Complémentation du sous-ensemble flou « petite »…. ........................................75
Figure III.7 : Configuration de base d'un régulateur flou …………………………………………... 76
Liste des figures
Chapitre IV :
Figure IV.20 : Analyse harmonique des spectres des courants : (a) phase statorique, (b)
phase rotorique…… .................................................................................................................................... 119
Liste des tableaux
Chapitre I
Chapitre III
Chapitre IV
Annexe A
Après des siècles d’évolution et des recherches plus poussées depuis quelques
décennies, plusieurs pays se sont, aujourd’hui résolument tournés vers l’énergie
éolienne. Les plus avancés dans le domaine dans le monde sont respectivement : la
Chine, les Etats-Unis, l’Allemagne, l’Espagne, l’Inde et le Royaume-Uni. Depuis les années
1990, l'amélioration de la technologie des éoliennes a permis de construire des
aérogénérateurs de plus de 10MW et le développement d'éoliennes de 12MW est en
cours. Ces unités se sont démocratisées et on en retrouve aujourd'hui dans plusieurs
pays. Avec certains projets d’énergie éolienne développés (“offshore”, au large des côtes)
de grandes centrales éoliennes fournissent de l’électricité dans certaines parties du
UDL-SBA-2019 Page 1
Introduction générale
Le premier chapitre sera consacré aux notions générales sur l’énergie éolienne.
Ensuite la modélisation et la commande de la partie mécanique de l’éolienne. Nous
modéliserons d’abord la turbine éolienne ainsi que l’arbre mécanique. Puis nous
étudierons la commande de la turbine afin de maximiser la puissance captée sans se
soucier de la partie électrique. Des résultats de simulation seront présentés dans
l’objectif de vérifier et valider la stratégie de contrôle. Dans la deuxième partie de ce
chapitre nous présenterons des généralités sur la MADA, ses applications, ses différents
modes de fonctionnement. Ainsi nous procèderons à la mise en équation de la machine
asynchrone à double alimentation. Suivis de simplifier les équations de cette machine,
nous utiliserons la transformation de PARK. Par la suite, nous donnerons un aperçu sur
la commande par modulation de largeur d’impulsion de l’onduleur de tension.
Le second chapitre, traitera le réglage par mode glissant classique d’ordre 1 avec
surface de commutation non linéaire. Nous présenterons le concept général des
systèmes à structure variable avec mode de glissement. Puis, nous aborderons la
commande de puissances statoriques active et réactive de la MADA par cette technique.
On terminera ce chapitre par des résultats de simulations, montrant les performances
UDL-SBA-2019 Page 2
Introduction générale
Enfin, nous terminons notre travail par une conclusion générale résumant les
différents résultats obtenus.
UDL-SBA-2019 Page 3
Chapitre I
puis l’évolution des éoliennes durant les dernières décennies. Ainsi les différentes
structures existantes utilisée dons le domaine actuel de l'énergie éolienne. On donne aussi
un aperçu sur les principales théories et lois qui régissent la conversion de cette énergie
Pour le fonctionnement de l'éolienne à vitesse variable, nous avons opté d'associer notre
Page 4
Chapitre I Présentation et modélisation du système éolien à base de MADA
I.1. Introduction
L'énergie éolienne est employée pendant longtemps dans les fermes pour rectifier les
grains ou l'eau de pompe sous forme de moulin de vent. Le principe est de convertir
l'énergie cinétique du vent en énergie mécanique. Aujourd’hui, ce principe est appliqué à
l'énergie éolienne dans le système d'alimentation, Actuellement les éoliennes à vitesse
variables sont de plus en plus utilisées par rapport à celle à vitesse constante et la
Machine Asynchrone à Double Alimentation (MADA) est la machine à vitesse variable la
plus couramment utilisée dans des unités de production supérieure à 1MW.
Dans ce chapitre, on s’intéresse à la présentation et la modélisation du système éolien
à base de MADA. Dans un premier temps, on présente l’énergie éolienne d’une manière
générale. Par la suite la modélisation de la chaîne de conversion d’énergie éolienne y
compris la MADA sera modélisée et simulée sous l’environnement MATLAB/SIMULINK.
L’énergie éolienne est une énergie renouvelable, propre sans rejet atmosphérique,
géographiquement diffuse et sa source (vent) plus importante en hiver. Cependant le
UDL-SBA-2019 Page 5
Chapitre I Présentation et modélisation du système éolien à base de MADA
UDL-SBA-2019 Page 6
Chapitre I Présentation et modélisation du système éolien à base de MADA
Etant engagée dans une nouvelle phase d’exploitation des énergies renouvelables,
l’Algérie prévoit d’atteindre à l’horizon 2030 près de 40% de la production nationale
d’électricité de sources renouvelables. Bien que le choix de l’énergie solaire soit
prédominant, l’énergie éolienne représente le deuxième axe de production de ce
programme. Avant d’étudier la possibilité d’implanter une ferme éolienne dans une
région donnée, il est nécessaire de faire des études du gisement éolien pour une
connaissance précise de la météorologie du vent.
Parlant toujours du potentiel éolien, il faut savoir que le rendement électrique des
éoliennes varie en fonction de la vitesse du vent, par exemple en passant d’une vitesse
de 5m/s à 10 m/s, la quantité d’électricité produite se multiplie par 8 en non pas par
deux, et pour les installations de grandes puissances, les vitesses du vent doivent être
supérieures à 6 m/s, la hauteur de référence état 10 mètres. Aussi, la disponibilité
(heures/an) joue un rôle important dans l’importance du gisement éolien.
La production annuelle de l’énergie varie entre 273.59 MWh à Adrar jusqu’à 5467.07
MWh à Hassi R’mel utilisant divers modèles de turbines éoliennes.
UDL-SBA-2019 Page 7
Chapitre I Présentation et modélisation du système éolien à base de MADA
La zone I, la vitesse du vent est trop faible, la turbine peut tourner mais l’énergie
à capter est négligeable (p=0).
La zone II, dans laquelle la puissance fournie sur l'arbre dépend de la vitesse du
vent v.
La zone III, correspond aux vitesses de vent élevées pour lesquelles la vitesse de
rotation de la turbine est limitée à une valeur maximale pour limiter la puissance
P fournie par l’éolienne égale à la puissance nominale Pn.
La zone IV, lorsque la vitesse du vent dépasse la vitesse maximale admissible par
l’éolienne vm [DJE15].
UDL-SBA-2019 Page 8
Chapitre I Présentation et modélisation du système éolien à base de MADA
Réseau
Multiplicateur
Condensateurs
MADA
MAS
Multiplicateur
MADA
CCM CCR
P, Q
DC Rotorique
AC
DC AC
UDL-SBA-2019 Page 9
Chapitre I Présentation et modélisation du système éolien à base de MADA
Avantages et inconvénients
Avantages Inconvénients
-Puissance extraite optimisée pour les -Machine spécifique.
vents faibles et moyens. -Prix de l’électronique de puissance.
-Absence de boîte de vitesse. -Dimensionnée au moins à 100% de la
-Fonctionnement à vitesse variable sur puissance nominale.
toute la plage de vitesse. -Grand diamètre de la machine.
Avantages et inconvénients
Avantages Inconvénients
-Elle possède un système électrique -La puissance extraite est non
simple. optimisée.
-Elle possède une très grande fiabilité. -La magnétisation de la machine est
-Elle est moins chère. imposée par le réseau.
-Elle est robuste et ne demande pas -Il n’y a pas de contrôle de l’énergie
beaucoup de maintenance. réactive.
-Convertisseurs statiques
dimensionnées à 100% de la
puissance nominale.
UDL-SBA-2019 Page 10
Chapitre I Présentation et modélisation du système éolien à base de MADA
Avantages et inconvénients
Avantages Inconvénients
- Un stator de faible puissance à -Un coût important.
grand nombre de paires de pôles -Des pertes non négligeables (jusqu'à
pour les petites vitesses de vent. 3% de la puissance nominale de la
-Un stator de forte puissance à faible machine).
nombre de paires de pôles -Un poids important de machine.
permettant de fonctionner aux -Convertisseurs statiques
vitesses de vent élevées. dimensionnées à 100% de la puissance
-La robustesse. nominale.
Energie
Réseau
Multiplicateur
MADA
CCM CCR
AC DC
DC AC
Commande
Figure I.7 : Eolienne utilisant une machine asynchrone à double alimentation (MADA).
UDL-SBA-2019 Page 11
Chapitre I Présentation et modélisation du système éolien à base de MADA
ω ω _ ωr
g sr s (I.2)
ωs ωs
Selon l’équation (I.2), on peut distinguer quatre régimes de fonctionnement :
Régime stationnaire : ( ωr =0⇒g=1), dans ce cas seul le stator est alimenté directement
par le réseau avec une fréquence fs. Par conséquent le rotor est le siège d’une f.é.m.
induite mais, il n’y a pas de courant qui circule dans son circuit, donc aucun couple
n’existe dans cette machine. Dans ces conditions, le rotor était bloqué et la MADA se
comporte comme un transformateur [DJEI5], [POI03].
Régime hypo-synchrone : ( ωs > ωr ⇒0<g<1), le glissement est positif, cela signifie que le
champ tournant créé par les enroulements du rotor tourne dans le même sens que celui
créé par les enroulements du stator. Dans ce cas, la fréquence fr du rotor commence à
décroître et plus la vitesse du rotor s'approche de celle du synchronisme, plus fr tend
vers 0. De même, la tension induite dans le rotor décroît linéairement et prenne une
valeur très faible pour une vitesse du synchronisme.
UDL-SBA-2019 Page 12
Chapitre I Présentation et modélisation du système éolien à base de MADA
du rotor par rapport à celle du flux statorique mène à une augmentation de la tension
induite du rotor.
Dans la MADA c’est la commande des tensions rotoriques qui permet de gérer
le champ magnétique à l’intérieur de la machine, offrant ainsi la possibilité de
fonctionner en hyper synchronisme ou en hypo synchronisme aussi bien en mode
moteur qu’en mode générateur. On a donc quatre modes opérationnels caractéristiques
de la machine.
UDL-SBA-2019 Page 13
Chapitre I Présentation et modélisation du système éolien à base de MADA
Avantages Inconvénients
UDL-SBA-2019 Page 14
Chapitre I Présentation et modélisation du système éolien à base de MADA
v( t ) 8.2 2 sin( wt ) 1.75 sin( 3wt ) 1.5 sin( 5 wt ) 1.25 sin( 10wt )
(I.4)
sin( 30wt ) 0.5 sin( 50wt ) 0.25 sin( 100wt )
2π
Avec : w
10
UDL-SBA-2019 Page 15
Chapitre I Présentation et modélisation du système éolien à base de MADA
15
5
0 0.5 1 1.5 2 2.5 3 3.5 4
Temps (s)
V 2 en aval.
UDL-SBA-2019 Page 16
Chapitre I Présentation et modélisation du système éolien à base de MADA
V1 V1
2
1 1 -
V
Pm 2 V2
(I.9)
Pmt 2
UDL-SBA-2019 Page 17
Chapitre I Présentation et modélisation du système éolien à base de MADA
UDL-SBA-2019 Page 18
Chapitre I Présentation et modélisation du système éolien à base de MADA
pt 2. pt
C opt
p = = (I.12)
pv S .ρ.V v3
UDL-SBA-2019 Page 19
Chapitre I Présentation et modélisation du système éolien à base de MADA
rotation rapide à 2 ou 3 pales, basée sur des données expérimentales. Cette expression
empirique est donnée par [BEL17]:
116 - 21
C p ( λ , β ) = 0. 5 ( - 0.4 β - 5 ) exp( ) + 0.0068 λ (I.17)
λi λi
1 1 0.035
Avec : = - 3
λi λ + 0.08 β β + 1
Ainsi comme il est illustré dans la Figure (I.13) , il est possible de constater que
le coefficient de puissance évolue en forme de cloche, le maximum de celle-ci (Cp= 0.48)
est atteint pour λ = 8.1 et une angle de calage des pales β = 0. Avec cette valeur la
turbine fonctionne avec le rendement maximum théorique. .
0.5
Beta=4°
Beta=0°
0.4 Beta=8°
Coéfficient du puissance Cp
Cp-max=0.48 Beta=15°
Beta=20°
0.3 Beta=25°
0.2
0.1
0
0 2 4 6 8 10 12 14 16 18 20
Ration de la vitesse
UDL-SBA-2019 Page 20
Chapitre I Présentation et modélisation du système éolien à base de MADA
λopt
opt
Ωt = V (I.18)
R
Cela nous conduit à tracer les caractéristiques (Figure (I.14)) de la puissance
aérodynamique optimale de notre aérogénérateur fonctionnant à vitesse variable, en
fonction de la vitesse de rotation du générateur et pour déférentes vitesses du vent
selon l’équation (I.11) qui deviendra :
1
opt
Pt = ρπR 2V 3 C max
p ( λopt , βopt ) (I.19)
2
La caractéristique du coefficient de puissance varie avec l’angle d’orientation des
pales β et le ratio de vitesse λ. La relation (I.11) montre qu’une petite variation de la
vitesse du vent v induit une grande variation de la puissance générée Pt.
5
x 10
16
v=11m/s
14 v=10m/s
Puissance aérodynamique Pt (W)
v=8m/s
12
v=6m/s
10
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Vitesse de la génératrice (tr/min)
Le coefficient du couple Cc est assez proche du coefficient de puissance Cp. Il est fort utile
afin d’estimer la valeur des couples pour différents points de fonctionnement
notamment à vitesse de rotation Ωt nulle. En effet, à rotor bloqué, il y a bien un couple
UDL-SBA-2019 Page 21
Chapitre I Présentation et modélisation du système éolien à base de MADA
sur l’arbre dû à la force du vent sur les pales mais la puissance est nulle, ce qui
correspond à une valeur de Cp nulle pour une valeur de Cc non nulle.
D’après les relations (I.15) et (I.16), la valeur du coefficient de couple Cc peut être
déterminée par la formule qui suit :
CP Ct
Cc = = (I.20)
λ 1
ρπ R3 V 2
2
Avec : Ct est le couple de la turbine éolienne.
Le coefficient Cc s’exprime comme le coefficient Cp, en fonction de la vitesse du vent V
et de la vitesse de rotation de la turbine Ωt, donc en fonction du ratio de vitesse λ. Son
évolution est non linéaire comme l’illustre la Figure (I.15).
0.08
Beta=0°
0.07 Beta=4°
Beta=8°
0.06
Coéfficent du couple Cc
Beta=15°
0.05 Beta=20°
Beta=25°
0.04
0.03
0.02
0.01
0
0 2 4 6 8 10 12 14 16 18 20
Ratio de la vitesse
Le couple mécanique optimal produit par la turbine éolienne peut être reformulé de la
façon suivante :
1
opt
Ct = ρπR 3V 2C c max ( λopt , βopt ) (I.21)
2
UDL-SBA-2019 Page 22
Chapitre I Présentation et modélisation du système éolien à base de MADA
A partir de cette courbe, nous constatons que pour faire suivre à la turbine la ligne de
couple maximal (optimal), il faut ajuster la vitesse du générateur à une vitesse
particulière pour chaque vitesse de vent donnée, on parlant donc de l’MPPT.
5
x 10
7
v=11m/s
6 v=9m/s
Couple aérodynamique Ct (N.m)
v=8m/s
5 v=6m/s
v=4m/s
4
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Vitesse de la génératrice (tr/min)
UDL-SBA-2019 Page 23
Chapitre I Présentation et modélisation du système éolien à base de MADA
Ct
Cg = (I.22)
G
Ωg
Ωt = (I.23)
G
Il est à noter que l’inertie du rotor de la génératrice est très faible par rapport à
l’inertie de la turbine reportée par cet axe [BEL17].
D’après la Figure (I.17) , nous pouvons écrire l’équation fondamentale de la
dynamique du système mécanique sur l’arbre mécanique de la génératrice par :
d Ωg
J = C méc = C g - C em - C f (I.25)
dt
C f = f v . Ωg (I.26)
UDL-SBA-2019 Page 24
Chapitre I Présentation et modélisation du système éolien à base de MADA
λ
β
⍴π
UDL-SBA-2019 Page 25
Chapitre I Présentation et modélisation du système éolien à base de MADA
référence :
C g K a ( Ω - Ωméc )
* *
(I.28)
Où :
Ka : Régulateur de vitesse.
Ω*: Vitesse de référence.
Le correcteur de vitesse doit accomplir deux taches [DEN10] :
-Il doit asservir la vitesse mécanique à sa valeur de référence.
-Il doit atténuer l’action du couple éolien qui constitue une entrée perturbatrice.
Un régulateur PI suffit pour répondre à ce cahier des charges. Selon l’équation (I.14),
la vitesse de rotation de la turbine est égal à :
V .λ
Ωt = (I.29)
R
La vitesse de référence de la turbine correspond à la valeur optimale de la vitesse
spécifique λopt et le coefficient de puissance maximale Cp-max peut se déduire de (I.30) :
V . λ opt
Ωt
*
(I.30)
R
Le schéma de principe du contrôle MPPT avec asservissement de la vitesse
mécanique de rotation est montré à la Figure (I.19) :
λ
β
⍴π
PI Contrôle MPPT
UDL-SBA-2019 Page 26
Chapitre I Présentation et modélisation du système éolien à base de MADA
350
15 Réelle
300 Référence
200
10
150
100
50
5 0
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Temps (s) Temps (s)
(a) (b)
5 6
x 10 x 10
9 2
Puissance aérodynamique Pt (W)
8
Couple aérodynamique Ct (N.m)
7
1.5
6
5
1
4
3
0.5
2
1
0
0 0 0.5 1 1.5 2 2.5 3 3.5 4
0 0.5 1 1.5 2 2.5 3 3.5 4
Temps (s) Temps (s)
(c ) (d)
10 0.5
8 0.4
Coefficient de puissance Cp
Cp-max=0.48
Ratio de vitesse
Lamda-opt=8.1
6 0.3
4 0.2
2 0.1
0 0
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Temp (s) Temps (s)
(e) (f )
UDL-SBA-2019 Page 27
Chapitre I Présentation et modélisation du système éolien à base de MADA
L’approche la plus classique utilisée dans notre travail consiste à contrôler la vitesse
de rotation par un régulateur PI. Dans l’objectif d’annuler l’erreur statique et réduire le
temps de réponse tout en conservant la stabilité du système, un correcteur
proportionnel intégral est utilisé. Les performances obtenues (stabilité, précision, temps
de réponse) sont satisfaisantes pour un tel système électromécanique.
Nous présenterons dans cette section les résultats de simulation de la commande
MPPT avec asservissement de la vitesse de rotation mécanique, en considérant une
éolienne de 1.5 MW dont leur paramètres sont donnés en annexe A .
Les Figures I.20-(a-b-c-d-e-f), montrent respectivement : la vitesse de vent, la vitesse
de rotation du générateur ainsi que sa référence, le couple de la génératrice, la puissance
aérodynamique de la turbine, le coefficient de puissance de la turbine ainsi que la vitesse
relative λ. Les résultats obtenus montrent les meilleures performances statiques et
dynamiques, meilleurs poursuite de la consigne contrôlée (vitesse) et un temps de
réponse souhaitable offertes par le régulateur PI. Donc, quelle que soit la vitesse de
vent appliquée au niveau des pales de la turbine éolienne, le coefficient de puissance
(rendement de la turbine) est toujours gardée à sa valeur maximale de 0.48, ceci est
vérifié pour un ratio de vitesse optimal de 8.1.
UDL-SBA-2019 Page 28
Chapitre I Présentation et modélisation du système éolien à base de MADA
On considère que la force magnétique crée par chacune des phases statorique et
rotorique est à répartition sinusoïdale.
L’entrefer est d’épaisseur uniforme et l’effet d’encochage est négligé, les
inductances
propres sont des fonctions sinusoïdales de l’angle entre les axes rotorique et
statorique.
Les trois enroulements du stator sont représentés schématiquement sur leurs axes
magnétiques respectifs Sa ,Sb et Sc , ainsi que les trois enroulements du rotor sur
leurs axes magnétiques respectifs r a , r b et rc.
Dans l’hypothèse de la non saturation, il est possible d’exprimer les flux
magnétiques en fonction des courants et des différentes inductances propres et
mutuelles de la MADA. Ils sont présentés sous la forme matricielle suivante [DJE15]:
UDL-SBA-2019 Page 29
Chapitre I Présentation et modélisation du système éolien à base de MADA
Equations magnétiques
Au stator
[Φs ]3×1 = [Ls ]3×3 [I s ]3×1 +[Lm ]3×3 [Ir ]3×1 (I.31)
Au rotor
[Φr ]3×1 = [Lr ]3×3 [Ir ]3×1 +[Lm ]3×3 [I s ]3×1 (I.32)
Où :
ls ms ms lr mr mr
Ls 33 ms ls ms Lr 33 mr
lr mr
ms ms ls mr mr lr
Avec :
s 31 sa ,sb ,sc T : Vecteur des flux instantanés des phases a, b et c statoriques .
r 31 ra ,rb ,rc T : Vecteur des flux instantanés des phases a, b et c rotoriques .
I s 31 isa , isb , isc T : Vecteur des courants instantanés des phases a, b et c statoriques .
I r 31 ira , irb , irc T : Vecteur des courants instantanés des phases a, b et c rotoriques .
Ls l s m s
On a : Lr l r mr (I.33)
3
Lm M
2
Les équations des tensions des circuits statorique et rotorique (loi de Faraday), dès lors,
on peut écrire :
Au stator
UDL-SBA-2019 Page 30
Chapitre I Présentation et modélisation du système éolien à base de MADA
Au rotor
Où :
V As V Ar I As I ar As ar
Vs Vbs Vr Vbr I s I bs I r I br s bs r br
Vcs Vcr I cs I cr cs cr
Rs 0 0 Rr 0 0
Rs 0 Rs 0 Rr 0
Rr 0
0 0 Rs 0 0 Rr
2 2
cos( ) cos(
3
) cos( )
3
P( ) 2 sin( ) sin( 2 ) sin( 2 )
3 3 3
1 1 1
2 2 2
(I.36)
cos( ) sin 1
P( )1 cos( 2 ) sin( 2 ) 1 (I.37)
3 3
cos( ) sin( ) 1
2 2
3 3
UDL-SBA-2019 Page 31
Chapitre I Présentation et modélisation du système éolien à base de MADA
Les grandeurs statoriques et rotoriques sont alors exprimées dans un même repère
comme le montre la figure(I.22) :
Figure I.22 : Repères de référence : statorique (αs-βs), rotorique (αr -βr) et tournant
(dq).
A partir de cette figure, on peut distinguer :
- L’axe direct (indice d) ;
- L’axe en quadrature (indice q).
Dans le cas de la Figure (I.22), on ne peut pas distinguer la composante homopolaire
(o) car nous considérons que le système est équilibré, dont l’axe peut être choisi
orthogonal au plan (od, oq).
La projection des grandeurs réelles (a-b-c) sur le repère (d-q) se fait en utilisant la
matrice de Park comme suit :
Xa
[XXd] = [P(θy )] [Xb ] (I.38)
q y Xc y
Et inversement :
Xa
[Xb ] = [P(θy )]−1 [XXd] (I.39)
q y
Xc
Où :
y = s ou r (s: stator, r: rotor);
X : peut-être tension, courant ou flux.
UDL-SBA-2019 Page 32
Chapitre I Présentation et modélisation du système éolien à base de MADA
Nous remarquons sur la Figure (I.22) que θs et θr sont liés naturellement à θsr par la
relation rigide :
θsr θs θr (I.40)
d θs
dt ωs
d θr
ωr (I.41)
dt
d θsr
dt ωsr
La MADA est représentée par son modèle de Park dont les équations sont établies
dans un référentiel lié au champ tournant telles que :
Au stator
d
v sd Rs i sd sd s sq
dt
(I.42)
v R i d
sq s sq
dt
sq s sd
Au rotor
d
v rd Rr ird rd ( s r ) rq
dt
v R i d ( )
rq r rq
dt
rq s r rd
(I.43)
sd Ls isd Lm ird
(I.44)
sq Ls isq Lm irq
Le flux magnétique rotorique peut s’écrire sous la forme suivante :
UDL-SBA-2019 Page 33
Chapitre I Présentation et modélisation du système éolien à base de MADA
3
*
Ps 2 Re VS I S 2 vsd isd vsqisq
3
(I.46)
S
Q 3 Im V I * 3 v i v i
s 2 S
2
sq sd sd sq
3
*
Pr 2 Re Vr I r 2 vrd ird vrqirq
3
(I.47)
r r
Q 3 Im V I * 3 v i v i
r 2 2
rq rd rd rq
UDL-SBA-2019 Page 34
Chapitre I Présentation et modélisation du système éolien à base de MADA
sq 0
(I.49)
sd s
v sd 0
(I.50)
v sq Vs s s
A partir de l'équation (I.51), nous pouvons alors écrire les équations liant les
courants statoriques aux courants rotoriques :
L
isd s m ird
LS Ls
(I.52)
L
isq m irq
Ls
En remplaçant dans l’équation des flux (I.45), les courants statoriques par
l’expression (I.52), on obtient :
Lm
rd Lr ird s
Ls (I.53)
rq Lr irq
Avec : 1 L2m / Ls Lr (coefficient de dispersion de Blondel).
UDL-SBA-2019 Page 35
Chapitre I Présentation et modélisation du système éolien à base de MADA
En régime permanent, les termes faisant intervenir les dérivées des courants
rotoriques diphasés disparaissent, nous pouvons donc écrire :
3
Ps 2 Vs isq
(I.56)
Q 3 V i
s 2 s sd
3 Lm
Ps 2 Vs irq
Ls
(I.57)
Q 3 V s L
Vs m ird
s 2 s Ls Ls
Vs
En tirant s de l'équation (I.48), l'expression de la puissance réactive devient :
s
3 L 3Vs2
Qs Vs m ird (I.58)
2 Ls 2 Lss
UDL-SBA-2019 Page 36
Chapitre I Présentation et modélisation du système éolien à base de MADA
3 Lm 3 LV
Cem p s irq p m S irq (I.59)
2 Ls 2 Ls s
En examinant les équations (I.55), (I.57), (I.58) et (I.59), on peut établir le schéma
bloc de la MADA illustré dans la Figure(I.24) qui comporte en entrées les tensions
rotoriques et en sorties les puissances active et réactive statoriques et le couple
électromagnétique.
UDL-SBA-2019 Page 37
Chapitre I Présentation et modélisation du système éolien à base de MADA
UDL-SBA-2019 Page 38
Chapitre I Présentation et modélisation du système éolien à base de MADA
La commande des deux transistors du même bras doit être complémentaire pour
assurer la continuité des courants de sortie et éviter le court-circuit de la source.
UDL-SBA-2019 Page 39
Chapitre I Présentation et modélisation du système éolien à base de MADA
L’état des interrupteurs, supposés parfaits peut être définit par trois grandeurs
booléennes de commande Sj (j=a, b, c).
Sj =1, Le cas où l’interrupteur de haut est fermé et celui d’en bas ouvert.
Sj =0, Le cas où l’interrupteur de haut est ouvert et celui d’en bas fermé.
Dans ces conditions on peut écrire les tensions de phases Vjn a,b,c en fonction des
signaux de commande Sj .
Les trois tensions composées Vab , Vbc et Vca sont définies par les relations suivantes
en tenant compte du point fictif « o ».
2 1 1
Van V ao V bo Vco
3 3 3
1 2 1
Vbn Vao Vbo Vco (I.64)
3 3 3
1 1 2
Vcn 3 Vao 3 Vbo 3 Vco
L’utilisation de l’expression (I.62) permet d’établir les équations instantanées des
tensions simples en fonction des grandeurs de commande :
UDL-SBA-2019 Page 40
Chapitre I Présentation et modélisation du système éolien à base de MADA
Van 2 1 1 S a
U
Vbn 3 1 2 1 S b (I.65)
Vcn 1 1 2 S c
V an , V bn , V cn sont les tensions de sortie de cet onduleur, par conséquent l’onduleur est
2 1 1
T 1 2 1
1
(I.66)
3
1 1 2
UDL-SBA-2019 Page 41
Chapitre I Présentation et modélisation du système éolien à base de MADA
Vm
Vmod (I.67)
Vp
f p : Fréquence de la porteuse.
f m : Fréquence de la modulante.
UDL-SBA-2019 Page 42
Chapitre I Présentation et modélisation du système éolien à base de MADA
5
x 10 5
0 x 10
7
-2 6
Puissance reactive Qs (VAr)
Puissance active Ps (W)
5
-4
4
-6
3
-8
2
-10
1
-12 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (s) Temps (s)
(a) (b)
UDL-SBA-2019 Page 43
Chapitre I Présentation et modélisation du système éolien à base de MADA
3000
3000
Pr=0,g=0
2000
2000
Courant statorique Is (A)
0 0
-1000 -1000
-2000 -2000
-3000 -3000
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Temps (s) Temps (s)
(c) (d)
220
0
-1000 200
Vitesse de la génératrice (rad/s)
-2000
180
Couple Cem (N.m)
-3000
160
-4000
-5000 140
-6000
120
-7000
-8000 100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Temps (s) Temps (s)
(e ) (f)
I.10. Conclusion
Ce chapitre a traité la présentation, la modélisation et la simulation d’un système
éolien à base de d’une machine asynchrone à double alimentation (MADA). Dans un
premier temps, nous avons vu une brève description du domaine de l’énergie éolienne.
Par la suite, les modèles analytiques des différents constituants du système éolien
ont été établis à savoir le profil du vent appliqué, le coefficient de puissance, ainsi
que les modèles aérodynamique et mécanique de la turbine ont été développés. Puis,
nous avons centré notre étude sur la commande de la turbine éolienne dans la zone de
UDL-SBA-2019 Page 44
Chapitre I Présentation et modélisation du système éolien à base de MADA
UDL-SBA-2019 Page 45
Chapitre II
C e chapitre sera consacré à la description d’une technique de commande non linéaire dans le
but de résoudre le problème des variations paramétriques, avec une erreur statique nulle, une
réponse rapide, un système de contrôle stable et robuste. Cette méthode s’appelle la commande par
Page 46
Chapitre II Commande par mode glissant classique de la MADA
II.1. Introduction
Dans la formulation de n’importe quel problème de commande, il y a typiquement des
anomalies entre le système réel et le modèle mathématique développé pour la
conception de contrôle. Cette distinction peut être due à la variation des paramètres de
la dynamique du système ou à l’approximation du comportement complexe du système
par un modèle. Ceci a mené à un intérêt intense pour l’élaboration des méthodes de
contrôle robustes qui cherchent à résoudre ce problème [BOU15].
Parmi ces méthodes, la commande par mode glissant (CMG) est la plus utilisée à
cause de sa simplicité et sa robustesse. Elle a été inventée pour la première fois en union
soviétique dans le but de résoudre les problèmes de plusieurs applications. Afin
d’obtenir ce régime glissant, une loi de commande est requise pour avoir une nature
discontinue, c’est à dire que la structure du système a besoin d’être modifiée dans le
temps. Un tel système est appelé système à structure variable (VSS) (Variable Structure
System) [BEL15].
Dans ce chapitre, nous présentons une étude théorique sur la commande à structure
variable, afin de mise en œuvre de cette technique adaptée à la commande de la
puissance active et réactive de la MADA. La robustesse de cette technique de commande
vis-à-vis la variation paramétrique de la MADA sera testée par simulation sous
MATLAB/SIMULINK.
Définition : Un système est dit à structure variable s’il admet une représentation
par des équations différentielles de type :
UDL-SBA-2019 Page 47
Chapitre II Commande par mode glissant classique de la MADA
UDL-SBA-2019 Page 48
Chapitre II Commande par mode glissant classique de la MADA
Figure II.2 : Structure par commutation au niveau d’une contre réaction d’état.
UDL-SBA-2019 Page 49
Chapitre II Commande par mode glissant classique de la MADA
Nous avons choisi dans notre travail cette dernière configuration pour plusieurs
raisons [MES18] :
une telle structure, de par sa constitution, est très simple et permet de moins
solliciter la commande. Il nous semble en effet naturel d’ajouter la commande
équivalente pour pré-positionner le système dans un état désiré permanent et
stable, et de jouer ensuite sur le terme de commutation pour assurer la
convergence vers cet état.
cette méthode de commande a été déjà abordée dans les travaux antérieurs. Les
auteurs mentionnent des résultats très satisfaisants pour des applications
robotiques ainsi que des applications utilisant des machines asynchrones.
nous avons voulu placer notre étude dans un cas original en utilisant une
structure peu connue et peu usitée.
U i
Si S i ( x ) 0
Ui (II.2)
U i Si S i ( x ) 0
UDL-SBA-2019 Page 50
Chapitre II Commande par mode glissant classique de la MADA
Chaque fonction scalaire de commutation Sj(x) décrit une surface linéaire Sj(x) = 0.
Figure II.4 : Les modes de trajectoire dans le plan de phase du mode glissant.
UDL-SBA-2019 Page 51
Chapitre II Commande par mode glissant classique de la MADA
d
S( x ) ( λ x )r 1 e(x) (II.3)
dt
Avec :
UDL-SBA-2019 Page 52
Chapitre II Commande par mode glissant classique de la MADA
e(x) p our r 1
.
S ( x ) λe(x) e(x) pour r 2 (II.4)
. ..
λ 2 e(x) 2 λ e(x) e ( x ) pour r 3
UDL-SBA-2019 Page 53
Chapitre II Commande par mode glissant classique de la MADA
Dans cette condition il faut introduire pour S(x) et sa dérivée les valeurs juste à
gauche ou à droite de commutation. Puisque S(x), change de signe aux deux côtés de la
droite de commutation. La condition de l’équation (II.6) est équivalente à exiger que la
dérivée de S(x) doit aussi changer de signe lorsqu'on passe d'un coté à l'autre de la
droite [MER16]. Ceci s'exprime par:
.
sign S ( x , V max ) sin g S(x, V min ) (II.7)
Pour que la fonction de LYAPUNOV décroisse, il suffit d’assurer que sa dérivée est
négative. Ceci est vérifié si :
.
S ( x ).S ( x ) 0 (II.10)
L’équation (II.10) signifie que le carré de la distance vers la surface mesuré par S2(X)
diminue tout le temps, contraignant la trajectoire du système à se diriger vers la surface
dans les deux côtés. Cette condition suppose un régime glissant idéal où la fréquence de
commutation est infinie [BOU15].
UDL-SBA-2019 Page 54
Chapitre II Commande par mode glissant classique de la MADA
U U éq U n (II.11)
Uéq correspond à la commande équivalente proposée par FILIPOV et UTKIN. Elle est
calculée en reconnaissant que le comportement du système durant le mode de
glissement est décrit par : s( x ) 0 .
U U éq U n (II.14)
Nous avons :
. ds S dX S .
S(x) X GH( X , t ) B( X , t )U( t ) (II.15)
dt X dt X
Avec :
G : le gradient ( grad S)
U eq ( t ) ( GB( X , t ) ) .GH ( X , t )
1
;UN 0 (II.17)
UDL-SBA-2019 Page 55
Chapitre II Commande par mode glissant classique de la MADA
Durant le mode de convergence, en remplaçant le terme Ueq par sa valeur (II.17) dans
l’équation (II.16). Donc, nous obtenons une nouvelle expression de la dérivée de la
surface, soit :
.
S ( x ) GB( X , t ) U N (II.18)
.
S(X) S ( x ) S(X) GB( X , t ) U N 0 (II.19)
U N K .sign(S( X )) (II.20)
UDL-SBA-2019 Page 56
Chapitre II Commande par mode glissant classique de la MADA
On obtient donc :
.
S(X) S ( X ) S(X) GB( X , t )K .sign(S( X ) ) 0 (II.21)
UDL-SBA-2019 Page 57
Chapitre II Commande par mode glissant classique de la MADA
UDL-SBA-2019 Page 58
Chapitre II Commande par mode glissant classique de la MADA
S(P) P*s P s
* (II.22)
S ( Q ) Q s Q s
Avec :
* *
P s et Q s Sont successivement les consignes des puissances actives et réactive.
S(P) P *s P s
* (II.23)
S ( Q ) Q s Q s
On remplace les dérivées des puissances actives et réactive (II.23) par leurs expressions
on obtient :
* 3 Lm V rq
S(P) P s V s ( f 2 )
2 Ls δ Lr
(II.24)
S ( Q ) Q * 3 V Lm ( f V rd )
s s
2 Ls 1 δ Lr
Sachant que :
3 Lm V rq
P s V s ( f 2 )
2 Ls δ Lr
(II.25)
Q 3 V Lm ( f V rd )
s
s 2 Ls 1 δ Lr
Avec :
Rr
f 1( x ) σ ird g ωs irq
Lr
(II.26)
f ( x ) g ωs ird Rr irq g LmV s
2 σ Lr σ Lr Ls
N eq N
D’après la théorie du mode glissant, nous remplaçons Vrd et Vrq par Vrd + Vrd et Vrq +
eq
Vrq dans les équations (II.24) :
UDL-SBA-2019 Page 59
Chapitre II Commande par mode glissant classique de la MADA
* 3 Lm eq n
S(P) P s 2 V s δ L ( δ Lr f 2 V rq V rq )
Lr s
(II.27)
S ( Q ) Q * 3 V Lm ( δ Lr f eq n )
s s
2 δ L r Ls 1 V rd V rd
S ( P ) 0 , . ( P ) 0 , N 0
S V rq
.
(II.28)
S ( Q ) 0 , S ( Q ) 0 , V rd
N
0
eq eq
On tire de l’équation (II.27) les grandeurs des commandes équivalentes Vrq et Vrd :
eq 2 σ Ls Lr *
V rq 3 P s σ Lr f 2
V s Lm
(II.29)
V eq 2 σ Ls Lr Q* σ Lr f
rd 3 V s Lm s 1
N N
Par définition, les termes discontinus Vrd et Vrq sont donné par :
V rq
N
K 1 sign(S(P) )
eq (II.30)
V rd K 2 sign(S(Q))
V rq
lim
V max
rq sat(P)
lim max (II.31)
V rd V rd sat( Q )
UDL-SBA-2019 Page 60
Chapitre II Commande par mode glissant classique de la MADA
Ps
Réseau
Multiplicateur
vent
MADA
DC
AC
DC AC
MLI
abc
dq
Équation (II.29)
dq
Équation (I.46)
* ab
c
*
dq
* ab
c
Équation (II.29)
6
6 x 10
x 10 1
0
Puissace réactive Qs (VAr)
Ps
Puissace active Ps (W)
0.5
-0.5 Ps*
Qs
0 Qs*
-1
-1.5 -0.5
-2 -1
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
UDL-SBA-2019 Page 61
Chapitre II Commande par mode glissant classique de la MADA
(a) (b)
2000 3000
3000 1000
0 2000
-2000 1000
0.31 0.32 0.33
1000
0
0
-1000
-1000
-2000 -2000
-3000 -3000
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (s)
Temps (s)
)
(c) (d)
1500 Isq
3000 Isd
1000
Ird
2000
0
1500 -500
1000 -1000
500 -1500
0 -2000
-500 -2500
-1000 -3000
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (s) Temps (s)
(e) (f)
1
0
Couple électromagnétique Cem(N.m)
-2000 0.8
Facteur de puissance
-4000 0.6
-6000
0.4
-8000
0.2
-10000
-12000 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps(s) Temps (s)
(g) (h)
Figure II.9 : Commande par mode glissant de la MADA à vitesse du vent fixe.
UDL-SBA-2019 Page 62
Chapitre II Commande par mode glissant classique de la MADA
inductif). Par contre la puissance active est toujours gardée négative, cela signifie que la
MADA fonctionne en mode génératrice (Figures (II.9-a), II.9-b).
Par ailleurs, les résultats obtenus montrent que les courants statorique et rotorique
triphasés générés par al MADA sont proportionnelles à la puissance active fournie. La
forme d’onde des courants est presque sinusoïdale aussi bien pour le courant statorique
(Figure (II.9-c)) que pour le courant rotorique (Figure (II.9-d)). Le découplage des
puissances statoriques est assuré en mode hypo et hyper-synchrone du fonctionnement
de la MADA comme le montre l’allure du courant rotorique (Figure II.9.d).
Nous constatons aussi que la puissance active est contrôlée par la composante en
quadrature du courant rotorique, tandis que la puissance réactive est contrôlée par la
composante en directe de celui-ci (Figure II.9-e).
Nous pouvons également remarquer que le couple électromagnétique dépend
directement de la puissance active. Ceci est traduit par sa forme identique à celle de la
puissance active. Dans ce cas, nous pouvons conclure que la puissance active est une
conséquence du couple électromagnétique (Figure II.9-g) ; alors que la puissance
réactive est une conséquence de l'excitation du circuit rotorique (flux rotorique). Le
facteur de puissance obtenu par cette stratégie de commande est variable selon les
valeurs des puissances actives et réactives (Figure (II.9-h)).
1.5
Puissance réactive Qs (VAr)
0
Puissance active Ps(W)
-5 0.5
0
-10
-0.5
-15
-1
-20
-1.5
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Temps (s) Temps (s)
(a) (b)
UDL-SBA-2019 Page 63
Chapitre II Commande par mode glissant classique de la MADA
3000 3000
2000 2000
Courant statorique Is (A)
0 0
-1000 -1000
-2000 -2000
-3000 -3000
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Temps (s) Temps (s)
(c) (d)
500 3000
Courant statorique Isd et Isq (A)
0 2500 ird
-1500 1000
-2000 500
-2500 0
-3000 -500
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Temps (s) Temps (s)
(e) (f)
2000 1
Couple électromagnétique Cem (N.m)
0
0.8
Coefficient de puissance
-2000
-4000 0.6
-6000
0.4
-8000
0.2
-10000
-12000 0
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Temps (s) Temps (s)
(g) (h)
Figure II.10 : Commande par mode glissant de la MADA à vitesse du vent variable.
UDL-SBA-2019 Page 64
Chapitre II Commande par mode glissant classique de la MADA
5
x 10 5
0 x 10
6
-2
4
Puissance Réactive Qs(VAr)
Puissance Active Ps(W)
-4 Ps
Ps* Qs
-6 2
Qs*
-8 0
-10
-2
-12
-4
-14
-16 -6
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
UDL-SBA-2019 Page 65
Chapitre II Commande par mode glissant classique de la MADA
-2000
-2000
0.1 0.11 0.12 0.13 0.14 0.15
Time (s) 0.1 0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.28
Time (s)
1.6 3
1.4
2.5
Mag (% of Fundamental)
Mag (% of Fundamental)
1.2
2
1
0.8 1.5
0.6
1
0.4
0.5
0.2
0 0
0 1000 2000 3000 4000 5000 0 1000 2000 3000 4000 5000
Frequency (Hz) Frequency (Hz)
(a) (b)
Figure II.12 : Analyse harmonique des spectres des courants : (a) phase statorique,
(b) phase rotorique
II.10. Conclusion
Dans ce chapitre, il a été présenté la commande par mode de glissement
conventionnelle de la machine asynchrone à double alimentation, pilotée par le rotor et
permettant un contrôle indépendant des puissances actives et réactives.
Les résultats obtenus ont permis de juger les qualités de la commande par mode
glissant, qui offre de bonnes performances même en cas de variations de consignes. La
UDL-SBA-2019 Page 66
Chapitre II Commande par mode glissant classique de la MADA
UDL-SBA-2019 Page 67
Chapitre III
que le Phénomène de Chattering à cause de la fonction sign. Pour cela, nous avons proposé
remplacer les fonctions « sign » utilisés dans la loi commande mode glissant par fonctions
floue. Des simulations numériques sont présentées pour tester les performances de la
Page 68
Chapitre III Commande hybride mode glissant- floue de la MADA
III.1. Introduction
La commande par mode glissant a largement prouvée son efficacité à travers les
études théoriques rapportées. L’avantage que procure une telle commande et qui la rend
aussi importante est sa robustesse vis-à-vis des perturbations et des incertitudes du
modèle. Cependant, ces performances sont obtenues au prix de certains inconvénients :
un phénomène de Chattering provoqué par la partie discontinue de cette commande et
qui peut avoir un effet néfaste sur les actionneurs, il engendre des bruits et des forces
additionnelles de torsion sur l’arbre de la machine.
Afin de garder la robustesse du mode glissant et d’éliminer le phénomène de
broutement, nous proposons d’utiliser la combinaison des deux contrôleurs, le mode
glissant durant le régime transitoire, et la logique floue lors du régime permanent. La
première commande assure la convergence du système vers son régime permanent avec
insensibilité aux perturbations externe et structurelle et une dynamique rapide. Tandis
que la seconde assure une commande plus lisse et une erreur statique pratiquement
nulle.
Dans ce chapitre, on va entamer la commande hybride par mode glissant-floue, en
combinant la logique floue et une approche vue précédemment, le mode glissant
[FER11].
UDL-SBA-2019 Page 69
Chapitre III Commande hybride mode glissant- floue de la MADA
lors, les sociétés japonaises commencent à utiliser cette dernière dans des produits
industriels pour résoudre des problèmes de réglage et de commande.
À partir de 1990, les fabricants intègrent de plus en plus la technologie de la logique
floue dans les appareils de grande consommation (appareils de photos, vidéo, ...). Sa
mise en œuvre est maintenant facilitée par la disponibilité de microprocesseurs dédiés
et d'outils puissants de développement [TIR14].
UDL-SBA-2019 Page 70
Chapitre III Commande hybride mode glissant- floue de la MADA
Un ensemble flou A est défini par une fonction d’appartenance μ A ( x ) exprimée entre
les valeurs [0,1] et qui quantifie le degré par lequel un élément x de X appartient à A
[REZ15].
Plusieurs ensembles flous (parfois appelés sous-ensembles) peuvent être définis sur
UDL-SBA-2019 Page 71
Chapitre III Commande hybride mode glissant- floue de la MADA
la même variable, chacune par une fonction d’appartenance, l’ensemble est appelé
«Univers de discours X»
A x , μ A ( x ) x X (III.1)
µ(x) µ(x)
TP P MP M MG G TG
x x
UDL-SBA-2019 Page 72
Chapitre III Commande hybride mode glissant- floue de la MADA
Dans le cas du réglage par la logique floue, une subdivision en cinq ou sept sous-
ensembles flous de l'univers de discours compliquera la formulation de l'expertise, sans
pour autant améliorer le fonctionnement dynamique du système considéré.
Par contre on peut obtenir des comportements non linéaires assez différents en
fonction de la manière dont les fonctions d'appartenances des ensembles flous sont
disposées sur l'univers de discours. [DEL15]
UDL-SBA-2019 Page 73
Chapitre III Commande hybride mode glissant- floue de la MADA
a). Opérateur « OU »
Il correspond à l’union (C) des deux ensembles flous (A, B) exprimé
mathématiquement
par [REZ15] :
C AB (III.2)
μC ( x ) maxμA ( x ), μB ( x )
(III.3)
Figure III 4: Union des sous-ensembles fous « petite »et « moyenne » pour la variable
linguistique (vitesse).
b). Opérateur « ET »
L’intersection ( C A B ) est souvent réalisée par la formulation du minimum
suivante :
UDL-SBA-2019 Page 74
Chapitre III Commande hybride mode glissant- floue de la MADA
Le complément d’un ensemble fou A est défini par la fonction d’appartenance μ A ( x ) , tel
que :
μ A ( x ) 1 μ A( x ) (III.5)
UDL-SBA-2019 Page 75
Chapitre III Commande hybride mode glissant- floue de la MADA
Régulateur Flou
Base de règle
E
Signal de
Plage de valeur
commande
Défuzzificatin
Fuzzification
sortie
Inférence
Consigne procédé
+
-
dE
Retour
Base de connaissance
Deux blocs supplémentaires apparaissent dans le cas d'un contrôleur flou : un bloc de
fuzzification et un bloc de défuzzifcation. Le bloc de fuzzification constitue l'interface
entre le monde physique et celui des sous-ensembles d'inférence (inference engine) et
une base de règles (rules base). Le rôle de ce dernier bloc sera d'échafauder le
raisonnement.
Le bloc de fuzzification convertira les valeurs d'entrées en sous-ensembles flous. Le
moteur d'inférence activera les règles dont les prémisses seront vérifiées. Chaque règle
activée donnera lieu à un sous-ensemble de sortie. Il restera au bloc de défuzzification à
agréger ceux-ci et en extraire une action précise et réalisable au niveau de la commande.
Les rôles de chaque bloc peuvent être résumés comme suit :
III.6.1. Fuzzification
La fuzzification est l'opération qui consiste à affecter pour chaque entrée physique, un
degré d'appartenance à chaque sous-ensemble flou. En d'autres termes c'est l'opération
qui permet le passage du numérique (grandeurs physiques) au symbolique (variables
floues).
Pour illustrer le mécanisme de la fuzzification, nous allons donner un exemple en
fixant comme valeur d’entrée ek=0.45 [SAD17]. Le résultat de la fuzzification sera
présenté sur la Figure (III.8). On remarque que pour cette erreur correspond les
UDL-SBA-2019 Page 76
Chapitre III Commande hybride mode glissant- floue de la MADA
NG NM NP ZE PP PM PG
0,75
0,25
-1 -0,5 0 0,45 1
Si condition 1 Et/Ou condition 2 (Et/Ou), etc … Alors action sur les sorties.
L’extraction de ces règles peut être effectuée en utilisant la réponse indicielle d’un
système du deuxième ordre en analysant son comportement dynamique et ensuite de
formuler les règles afin que la réponse coïncide avec la référence [TAR15].
Dans la courbe de la Figure (III.9) on peut distinguer quatre régions : la montée, le
dépassement l'amortissement et la région de régime permanent.
UDL-SBA-2019 Page 77
Chapitre III Commande hybride mode glissant- floue de la MADA
III.6.3. Inférence
Le bloc d’inférence est le cœur du contrôleur, il possède l’aptitude à simuler les
décisions humaines et de déduire (inférer) les actions de commande floue à l’aide de
l’implication floue et des règles d’inférence. A partir de la base de règle et des sous-
ensembles flous correspondant à la fuzzification de l’entrée, le mécanisme d’inférence
UDL-SBA-2019 Page 78
Chapitre III Commande hybride mode glissant- floue de la MADA
Inférence à une règle : c’est le cas où il faut comparer plusieurs concurrents (objets
ou personnes) dans une certaine situation et en choisir l’optimum. Cette situation
se présente dans les domaines non techniques pour lesquels il faut prendre une
décision [MES17].
Inférence à plusieurs règles : dans ce type d'inférence, la prise de décision pour une
ou plusieurs variables est différente pour chacun des variables, c'est
l'inférence qui est utilisée dans les problèmes de réglage et de commande
par logique floue. Les variables sont, soit des variables déterministes, ou des
variables floues. L'exemple de réglage de la température d'un local est cité
pour bien cerner ce type d'inférence [DEL15].
Pour le réglage par logique floue, on utilise en général l‘une des trois méthodes
suivantes :
Le Tableau(III.1) résume la façon utilisée par ces trois méthodes d‘inférence pour
représenter les trois opérateurs de la logique floue «ET, OU, et ALORS» [AIC17].
Opérateurs
Méthodes flous ET OU ALORS
D’inférences
UDL-SBA-2019 Page 79
Chapitre III Commande hybride mode glissant- floue de la MADA
III.6.4. Défuzzification
Les méthodes d’inférence génèrent une fonction d’appartenance, il faut transformer
cette grandeur floue en grandeur physique réelle. L’opération de défuzzification permet
de calculer à partir des degrés d’appartenance à tous les sous-ensembles flous de la
variable de sortie, la valeur de sortie à appliquer au système.
La défuzzification consiste à déduire une valeur numérique précise de la sortie du
régulateur ( x r ) à partir de la conclusion résultante floue ( μRES ( xr )) issue de
UDL-SBA-2019 Page 80
Chapitre III Commande hybride mode glissant- floue de la MADA
Nous nous somme intéressé par cette dernière méthode à cause de sa simplicité de
calcul et, sa sortie unique. [DEL15].
x μRi ( x )
dU n (III.9)
μRi ( x )
UDL-SBA-2019 Page 81
Chapitre III Commande hybride mode glissant- floue de la MADA
Cette méthode est surtout utilisée quand les fonctions d'appartenance de la variable
de sortie sont des singletons [BAG99].
UDL-SBA-2019 Page 82
Chapitre III Commande hybride mode glissant- floue de la MADA
Où Bi sont des sous-ensembles flous. Les Bi forment en général une partition de l’univers
de sortie.
n
i 1 α i ( x ) * bi
y n (III.10)
j 1 α j ( x )
UDL-SBA-2019 Page 83
Chapitre III Commande hybride mode glissant- floue de la MADA
Pour les variables d'entrée (surface glissante) et pour les variables de sortie, le
paramètre flou les ensembles ont été définis comme suit : N pour négatif, Z zéro, P pour
positif.
Les fonctions d’appartenance de forme triangulaire et trapézoïdale sont illustrées en
annexe C. La base de règles du FSMC est montrée dans le Tableau (III.2).
E N Z P
dE
N N N Z
Z N Z P
P Z P P
UDL-SBA-2019 Page 84
Chapitre III Commande hybride mode glissant- floue de la MADA
UDL-SBA-2019 Page 85
Chapitre III Commande hybride mode glissant- floue de la MADA
6
x 10
6 x 10
0 1
-0.5 0.5
Ps*
0 Qs
-1
Qs*
-1.5 -0.5
-2 -1
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps(s) Temps (s)
2000
1000
0 3000
-1000
-2000
3000
0.31 0.315 0.32 0.325 0.33
2000
1000
0
0
-1000
-1000
-2000
-2000
-3000 -3000
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
1000 3000
Courant statorique Iqs et Ids (A)
Ird
Courant rotorique Idr et Iqr (A)
Irq
0 2000
Ids
-1000 1000
Iqs
-2000 0
-3000 -1000
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
Couple éléctromagnetique Cem (N.m)
0 1
Coéfficient de puissance
-2000 0.8
-4000 0.6
-6000 0.4
-8000 0.2
-10000 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s)
Temps (s)
5
x 10
0 5
x 10
-2 6
Puissance Réactive Qs(VAr)
Puissance Active Ps(W)
-4 4
Ps
data1
-6 Ps*
2 Qs
-8 Qs*
0
-10
-2
-12
-14 -4
-16 -6
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s)
Temps (s)
Les essais effectués dans ce test montrent que la variation des paramètres de la
machine n’affecte pas sur les performances de la commande proposée. On remarque que
les réponses en puissances restent insensibles aux variations paramétriques de la
machine, il n’y a pas un de dépassement, une erreur statique très faible, avec une légère
augmentation du temps de réponse. Le découplage entre les puissances est toujours
maintenu.
UDL-SBA-2019 Page 87
Chapitre III Commande hybride mode glissant- floue de la MADA
FFT window: 3 of 50 cycles of selected signal FFT window: 3 of 15.15 cycles of selected signal
1000 1000
0 0
-1000 -1000
0.1 0.11 0.12 0.13 0.14 0.15 0.1 0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.28
Time (s) Time (s)
Fundamental (50Hz) = 1778 , THD= 1.25% Fundamental (15.15Hz) = 1899 , THD= 3.95%
0.4 3
0.35
2.5
Mag (% of Fundamental)
Mag (% of Fundamental)
0.3
2
0.25
0.2 1.5
0.15
1
0.1
0.5
0.05
0 0
0 1000 2000 3000 4000 5000 0 1000 2000 3000 4000 5000
Frequency (Hz) Frequency (Hz)
(a) (b)
Figure III.16 : Analyse harmonique des spectres des courants : (a) phase statorique, (b)
phase rotorique.
III.12. Conclusion
Dans ce chapitre, il a été présenté la commande hybride par mode glissant-floue de la
machine asynchrone à double alimentation, pilotée par son convertisseur coté rotor,
permettant un contrôle indépendant des puissances actives et réactives.
UDL-SBA-2019 Page 88
Chapitre III Commande hybride mode glissant- floue de la MADA
Les résultats de simulation obtenus ont permis de juger les qualités de la commande
par mode glissant-floue (FSMC) notamment en terme de robustesse vis-à-vis les
variations paramétriques de la machine et l’amélioration de la qualité d’énergie fournie
au réseau électrique par la minimisation du phénomène de Chattering dans les
grandeurs commandées.
Malgré ces bonnes performances atteintes par la commande mode glissant-floue, un
contrôleur à base de la logique floue reste difficile à synthétiser. En fait, son réglage peut
être relativement long et ennuyeux. Il s’agit parfois beaucoup plus de tâtonnement que
d’une réelle réflexion. Pour remédier ce problème le chapitre suivant propose autres
commandes hybrides de la MADA par mode glissant-neuronale (NSMC), et mode
glissant-neurone-floue (SMC-ANFIS).
UDL-SBA-2019 Page 89
Chapitre IV
glissant-floue-neurone.
Page 90
Chapitre IV La commande hybride mode glissant-neurone/neurone-floue de la MADA
IV.1. Introduction
Le cerveau humain a une fantastique puissance de traitement de l’information si l’on
considère ses capacités à prendre en charge certaines taches nécessaires pour obtenir
un comportement intelligent. La nature de l’intelligence a longtemps été un sujet difficile
et controverse. D’une manière, chacun a une idée assez vague de ce qu’est l’intelligence :
la capacité à observer, à comprendre, à se souvenir, à résoudre des problèmes, à
apprendre, à créer,…etc. C’est pourquoi, certains des premiers travaux en intelligence
artificielle ont eu pour but de créer une abstraction des réseaux de neurones biologiques
: les réseaux de neurones artificiels (RNA).
Les RNA constituent une technique de traitement de données bien comprise et bien
maitrisée. Ces techniques s’intègrent parfaitement dans les stratégies de commande. En
effet, elles réalisent des fonctionnalités d’identification, de contrôle ou de filtrage, et
prolonge les techniques classiques de l’automatique non linéaire pour aboutir à des
solutions plus efficaces et robustes [ZEM17].
Dans ce chapitre de notre mémoire, nous donnons un bref aperçu de ces nouveaux
outils, leurs apprentissage et architectures, leurs domaines d'excellence que nous tenons
pour la commande hybride glissant-neurone (NSMC) et glissant-neurone-floue (SMC-
ANFIS) de notre système.
UDL-SBA-2019 Page 91
Chapitre IV La commande hybride mode glissant-neurone/neurone-floue de la MADA
en même temps, les synapses entre ces neurones seraient renforcées. De nombreux
modèles de réseaux aujourd'hui s'inspirent encore de la règle de Hebb.
En 1958, Franck Rosenblatt développe le modèle du perceptron. C'est un réseau de
neurones inspiré du système visuel. Il possède deux couches de neurones : une couche
de perception et une couche liée à la prise de décision. C'est le premier système artificiel
capable d'apprendre par expérience.
Dans la même période, Le modèle de L'ADALINE (ADAptive LINear Element) a été
présenté par Bernard Widrow et Hoff. Ce modèle sera par la suite le modèle de base des
réseaux multicouches.
En 1969, Marvin Lee Minsky et Seymour Papert publient une critique des propriétés
du Perceptron. Cela va avoir une grande incidence sur la recherche dans ce domaine.
Elle va fortement diminuer jusqu'en 1972, où Teuvo Kohonen présente ses travaux sur
les mémoires associatives et propose des applications à la reconnaissance de formes.
Les travaux de John Joseph Hopfield en 1982 ont montré que des réseaux de neurones
artificiels étaient capables de résoudre des problèmes d'optimisation et ceux de
Kohonen (1982) ont montré qu'ils étaient capables de résoudre des tâches de
classification et de reconnaissance.
UDL-SBA-2019 Page 92
Chapitre IV La commande hybride mode glissant-neurone/neurone-floue de la MADA
UDL-SBA-2019 Page 93
Chapitre IV La commande hybride mode glissant-neurone/neurone-floue de la MADA
Le corps cellulaire
Il contient le noyau du neurone ainsi que la machine biochimique nécessaire à la
synthèse des enzymes. Ce corps cellulaire de forme sphérique ou pyramidale contient
aussi les autres molécules essentielles à la vie de la cellule. Sa taille est de quelques
microns de diamètre.
Les dendrites
Ce sont de fines extensions tubulaires qui se ramifient autour du neurone et forment
une sorte de vaste arborescence. Les signaux envoyés au neurone sont captés par les
dendrites. Leur taille est de quelques dizaines de microns de longueur.
L’axone
C'est le long de l'axone que les signaux partent du neurone. Contrairement aux
dendrites qui se ramifient autour du neurone, l'axone est plus long et se ramifie à son
extrémité ou il se connecte aux dendrites des autres neurones. Sa taille peut varier entre
quelques millimètres à plusieurs mètres.
UDL-SBA-2019 Page 94
Chapitre IV La commande hybride mode glissant-neurone/neurone-floue de la MADA
Les synapses
Où la cellule communique avec d'autres cellules, ce sont des points de connexion où
passent les signaux de la cellule.
UDL-SBA-2019 Page 95
Chapitre IV La commande hybride mode glissant-neurone/neurone-floue de la MADA
Les xi représentent les vecteurs d’entrées, ils proviennent soit des sorties d’autres
neurones, soit de stimuli sensoriels (capteur visuel, sonore…).
Les wij sont les poids synaptiques du neurone j . Ils correspondent à l’efficacité
synaptique dans les neurones biologiques (w ij 0 : synapse excitatrice; wij 0 : synapse
inhibitrice). Ces poids pondèrent les entrées et peuvent être modifiés par apprentissage.
UDL-SBA-2019 Page 96
Chapitre IV La commande hybride mode glissant-neurone/neurone-floue de la MADA
UDL-SBA-2019 Page 97
Chapitre IV La commande hybride mode glissant-neurone/neurone-floue de la MADA
Le modèle de Mac Culloch et Pitts date de 1943, et suppose une correspondance pour
chaque élément formant le neurone biologique, donc une modélisation pour chacun
d'entre eux. Cette analogie illustre dans le tableau (IV.1).
n
s wi1 xi b (IV.1)
i 1
UDL-SBA-2019 Page 98
Chapitre IV La commande hybride mode glissant-neurone/neurone-floue de la MADA
s wt x b (IV.2)
Cette sortie correspond à une somme pondérée des poids et des entrées plus ce qu’on
nomme le biais b du neurone. Le résultat s de la somme pondérée s’appelle le niveau
d’activation du neurone. Le biais b s’appelle aussi le seuil d’activation du neurone.
Lorsque le niveau d’activation atteint ou dépasse le seuil b, alors l’argument de f devient
positif (ou nul). Sinon, il est négatif.
On peut faire un parallèle entre ce modèle mathématique et certaines informations
que l’on connaît (ou que l’on croit connaître) à propos du neurone biologique. Ce dernier
possède trois principales composantes : les dendrites, le corps cellulaire et l’axone (voir
figure IV.1). Les dendrites forment un maillage de récepteurs nerveux qui permettent
d’acheminer vers le corps du neurone des signaux électriques en provenance d’autres
neurones. Celui-ci agit comme une espèce d’intégrateur en accumulant des charges
électriques. Lorsque le neurone devient suffisamment excité (lorsque la charge
accumulée dépasse un certain seuil), par un processus électrochimique, il engendre un
potentiel électrique qui se propage à travers son axone pour éventuellement venir
exciter d’autres neurones. Le point de contact entre l’axone d’un neurone et la dendrite
d’un autre neurone s’appelle la synapse. Il semble que c’est l’arrangement spatial des
neurones et de leur axone, ainsi que la qualité des connexions synaptiques individuelles
qui détermine la fonction précise d’un réseau de neurones biologique. C’est en se basant
sur ces connaissances que le modèle mathématique décrit ci-dessus a été défini.
Un poids d’un neurone artificiel représente donc l’efficacité d’une connexion
synaptique. Un poids négatif vient inhiber une entrée, alors qu’un poids positif vient
l’accentuer. Il importe de retenir que ceci est une grossière approximation d’une
véritable synapse qui résulte en fait d’un processus chimique très complexe et
dépendant de nombreux facteurs extérieurs encore mal connus. Il faut bien comprendre
que notre neurone artificiel est un modèle pragmatique qui, comme nous le verrons
plus loin, nous permettra d’accomplir des tâches intéressantes. La vrai semblance
biologique de ce modèle ne nous importe peu. Ce qui compte est le résultat que ce
modèle nous permettrons d’atteindre.
L’équation (IV.2) nous amène à introduire un schéma de notre modèle plus compact
que celui de la figure (IV.5). La figure (IV.5) illustre celui-ci. On y représente les n entrées
comme un rectangle noir. De ce rectangle sort le vecteur x dont la dimension matricielle
UDL-SBA-2019 Page 99
Chapitre IV La commande hybride mode glissant-neurone/neurone-floue de la MADA
est n ×1. Ce vecteur est multiplié par une matrice W qui contient les poids (synaptiques)
du neurone. Dans le cas d’un neurone simple, cette matrice possède la dimension 1× n.
Le résultat de la multiplication correspond au niveau d’activation qui est ensuite
comparé au seuil b (un scalaire) par soustraction. Finalement, la sortie du neurone est
calculée par la fonction d’activation f. La sortie d’un neurone est toujours un scalaire.
[DJE15].
La figure (IV.8) illustre un réseau à une seule couche cachée comportant 4 unités
d'entrées, 3 unités cachées et 2 unités de sortie (réseau 4-3-2).
Ce réseau est dit complètement connecté dans le sens que chaque nœud d'une couche
est connecté à tous les nœuds de la couche adjacente suivante. Si éventuellement, des
connexions manquaient entre des neurones de deux couches voisines, le réseau serait
dit partiellement connecté. [MES17], [LAH11].
Parmi les propriétés désirables pour un réseau de neurones, la plus fondamentale est
sûrement la capacité d’apprendre de son environnement, d’améliorer sa performance à
travers un processus d’apprentissage. Mais qu’est-ce donc que l’apprentissage ?
Malheureusement, il n’existe pas de définition générale, universellement acceptée, car
ce concept touche à trop de notions distinctes qui dépendent du point de vue que l’on
adopte. Dans le contexte des réseaux de neurones artificiels, nous adopterons un point
de vue pragmatique en proposant la définition suivante [DJE15] :
" L’apprentissage est un processus dynamique et itératif permettant de modifier les
paramètres d’un réseau en réaction avec les stimuli qu’il reçoit de son environnement.
Le type d’apprentissage est déterminé par la manière dont les changements de
paramètre surviennent ". Cette définition implique qu’un réseau se doit d’être stimulé
par un environnement, qu’il subisse des changements en réaction avec cette stimulation,
ne peut satisfaire une contrainte de temps réel est compatible au temps réel
L'apprentissage est non-supervisé lorsque l'adaptation des poids ne dépend que des
critères internes au réseau. L'adaptation se fait uniquement avec les signaux d'entrées.
Aucun signal d'erreur, aucune sortie désirée n'est prise en compte [DEL15].
ek ( n ) dk ( n ) yk ( n ) (IV.6)
1 2
ς( n ) ek ( n ) (IV.7)
2 kC
Où C : est l’ensemble des neurones de la couche de sortie du réseau.
L’énergie d’erreur moyenne peut alors être calculée :
1 N
ςmoy ς( n ) (IV.8)
N n1
Pour minimiser ς moy on calcule son gradient par rapport à chaque poids w , puis on
L’algorithme de rétro propagation est basé sur une approximation similaire à celle de
l’algorithme des moindres carrés. En effet on estime que la correction à appliquer aux
ς( n )
Δw ikj η (IV.9)
w ikj
(n)
ek (n) (vk (n))
i
( n)
i i i
(IV.11)
vkj
k i k
Si i est une couche de sortie, l’erreur se calcule directement. Sinon on peut montrer
que :
i 1 i 1
ek ( n ) δ j ( n ) w jk ( n )
i
(IV.12)
j
2. Présenter les x n au réseau, calculer les sorties correspondantes et
entrées e n le vecteur d’erreur de la couche de sortie.
ς( n ) i
k n
i
ek n φik n v ik n si i est une couche de
v kj
i
sortie
4. La rétro-
propagation i i
i
m
k n φk n v k n w kj ( n ) y j ( n ) sinon.
i
k
i 1
j 0
Inconvénients
Boite noire (manque de traçabilité).
L'adaptation aux environnements différents est difficile et le réapprentissage.
La connaissance intérieure ne peut pas être employée (apprentissage à partir de
zéro).
Aucune garantie sur la convergence de l'apprentissage [DEL15]
IV.7. La Méthodologie
Elle consiste à faire I’ entraînement du réseau par une banque de données assez riche
et suffisamment représentative du système. Pour cela, nous avons effectué dans
l'environnement MATLAB/SIMULINK, des simulations d’une commande hybride neuro
glissante. Une fois cette banque préparée et normalisée, 70% des donnés ont été utilisés
pour l’apprentissage supervisé du réseau, et 30% ont été retenues pour tester la
validation. Avec 7 neurones de la couche cachée Aussi nous avons utilisé des réseaux
avec des fonctions d’activation sigmoïdes tangentielles pour les neurones des couches
cachées, et des fonctions d’activation linéaires de la couche de sortie. (Voir l’annexe D)
6 6
x 10 x 10
0 1
-0.5 Ps 0.5
Ps*
-1 0 Qs
Qs*
-1.5 -0.5
-2 -1
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
3000
3000
2000
2000
1000
1000
0
0
-1000 -1000
-2000 -2000
-3000 -3000
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
3000
Courants rotorique Idr et Iqr
Courants statorique Iqs et Ids (A)
1000
2000
0
Idr
Iqs 1000 Iqr
-1000
Ids
0
-2000
-3000
-1000
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
Couple éléctromagnetique Cem (N.m)
0 1
Facteur de puissance
-2000 0.8
-4000 0.6
-6000 0.4
-8000 0.2
-10000 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
-2
4
-4
Ps Qs
2
-6 Ps* Qs*
-8 0
-10
-2
-12
-4
-14
-16 -6
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
FFT window: 3 of 50 cycles of selected signal FFT window: 3 of 15.15 cycles of selected signal
2000
1000 1000
0 0
-1000 -1000
0.1 0.11 0.12 0.13 0.14 0.15 0.1 0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.28
Time (s) Time (s)
Fundamental (50Hz) = 1777 , THD= 2.21% Fundamental (15.15Hz) = 1899 , THD= 4.37%
3
0.45
0.4
2.5
Mag (% of Fundamental)
Mag (% of Fundamental)
0.35
0.3 2
0.25
1.5
0.2
0.15 1
0.1
0.5
0.05
0 0
0 1000 2000 3000 4000 5000 0 1000 2000 3000 4000 5000
Frequency (Hz) Frequency (Hz)
(a) (b)
Figure IV.15 : Analyse harmonique des spectres des courants : (a) phase statorique, (b)
phase rotorique.
On remarque d’après les Figures (IV.15-a), (IV.15-b), qui illustrent les spectres
harmoniques d’une phase du courant statorique et rotorique de la MADA
respectivement, que le taux d’harmonique (THD) au niveau du courant rotorique est
réduit dans le cas de la commande hybride mode glissant-floue (FSMC) (THD = 3.95%),
comparativement à la commande hybride de la MADA par mode glissant-neuronale
(NSMC). où le THD est de 4.37%.
A titre comparatif, le régulateur neuronal présent l’avantage eu niveau des régimes
transitoires et la simplicité de sa conception par rapport au régulateur flou. Par contre
ce dernier présente un meilleur THD. Donc après cette étude comparative et les résultats
de simulation on passe à un autre régulateur qui combine entre ces deux
techniques floue-neurone (ANFIS), afin de profiter des avantages des deux technique, la
simplicité des réseaux de neurones artificiels) et l’efficacité de la logique floue dans la
minimisation de l’effet de Chattering.
La principale propriété des réseaux neuro-flous est leur capacité à traiter dans un même
outil des connaissances numériques et symboliques d’un système. Ils permettent donc
d’exploiter les capacités d’apprentissage des réseaux de neurones d’une part et les
capacités de raisonnement de la logique floue d’autre part.
Très généralement, les réseaux neuro-flous remplacent les différentes couches
cachées des réseaux de neurones par des règles floues. Les réseaux neuro-flous hybrides
apprennent des rapports et des modèles en utilisant un algorithme d’apprentissage
supervisé qui examine les données dans un ensemble de la formation qui consiste en
exemples d'entrées et leurs sorties associées. Pendant la phase d’apprentissage, un
Réseau Neuro-Flou hybride modifie sa structure interne pour refléter le rapport entre
les entrées et les sorties dans l'ensemble de la formation (base de connaissances).
L'exactitude d'un Réseau Neuro-flou est vérifiée après que le cycle de d’apprentissage
soit complet en utilisant un ensemble séparé d'entrées et sorties appeler l'ensemble de
la validation. [MEL14]
-1
0 Qs
Qs*
-1.5
-0.5
-2
0 0.2 0.4 0.6 0.8 1 -1
Temps (s) 0 0.2 0.4 0.6 0.8 1
Temps (s)
4000 3000
Courants statorique Is (A)
2000
2000
1000
0 0
-1000
-2000
-2000
-4000 -3000
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
Courant statorique Isd et Isq (A)
3000
Courants rotoriqur Ird et Irq (A)
1000
0 2000
Ird
Irq
Isd
-1000 1000
Isq
-2000 0
-3000 -1000
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
Coéfficient de puissance
0.8
-5000
0.6
0.4
-10000
0.2
-15000 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
5 5
x 10 x 10
0 6
-2
4
Puissance Réactive Qs (VAr)
Puissance Active Ps (W)
-4
Ps Qs
2
-6 Ps* Qs*
-8 0
-10
-2
-12
-4
-14
-16 -6
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
FFT window: 3 of 50 cycles of selected signal FFT window: 3 of 15.15 cycles of selected signal
1000 1000
0 0
-1000 -1000
0.1 0.11 0.12 0.13 0.14 0.15 0.1 0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.28
Time (s) Time (s)
Fundamental (50Hz) = 1778 , THD= 1.31% Fundamental (15.15Hz) = 1901 , THD= 3.94%
3
0.35
0.3 2.5
Mag (% of Fundamental)
Mag (% of Fundamental)
0.25 2
0.2
1.5
0.15
1
0.1
0.5
0.05
0 0
0 1000 2000 3000 4000 5000 0 1000 2000 3000 4000 5000
Frequency (Hz) Frequency (Hz)
(a) (b)
Figure IV.20 : Analyse harmonique des spectres des courants : (a) phase statorique, (b)
phase rotorique
D’après les résultats de simulation obtenus de la figure (IV.18) on peut dire que le
découplage entre la puissance active et réactive est toujours réalisé avec des grandes
performances (suivi des consignes, temps de réponse très rapide, erreur statique
minimale).
A partit de la figure (IV.19) on constate que le régulateur neuronale-flou garde la
robustesse de la commande par mode glissant, particulièrement face à la variation de
l’inductance mutuelle et la résistance rotorique.
IV.16. Conclusion
Les réseaux de neurones sont des techniques puissantes de traitement non linéaire de
données, qui ont fait leurs preuves dans de nombreux domaines. Ces outils permettent
de calculer des fonctions complexes, adaptables à un ensemble d’exemples par le biais
d’algorithmes d’optimisation utilisant différentes techniques d’apprentissage.
Les travaux présentés dans ce mémoire concernent, d’une façon générale, l’étude, la
modélisation, la simulation et la commande d’un système de conversion d’énergie
éolienne connecté au réseau, basé sur une machine asynchrone à double alimentation
(MADA), contrôlée par son convertisseur statique coté rotor.
Deux objectifs principaux ont été ciblés au début de ce travail : le premier porte sur la
commande robuste en puissance active et réactive statoriques de la MADA, en
appliquant la commande par mode glissant classique. Le second objectif concernait
l’amélioration de la forme d’onde des signaux de sorties de la MADA par la minimisation
de l’effet de Chattering (provoqué par la partie discontinue de la loi de commande du
mode glissant), en utilisant les techniques de l’intelligence artificielle.
Pour ce faire, dans le premier chapitre, on a présenté l’état de l’art sur les systèmes
éoliens. Nous avons modélisé le vent qui est la source principale d’énergie. Nous avons
ensuite modélisé la turbine éolienne sur laquelle se base notre étude. Une commande
MPPT de la turbine, de sorte à ce que le coefficient de puissance soit toujours optimal
quelques soient les variations du vent, a été effectuée dans le cas de fonctionnement à
vitesse du vent variable. Nous avons vu que dans le cas de l’utilisation de la MADA dans
les applications de génération de l’énergie électrique à vitesse variable, la plus grande
partie de la puissance est directement distribuée au réseau par le stator et moins de
30% de la puissance totale passe par les convertisseurs de puissance à travers le rotor.
Quelques résultats de simulation ont été ensuite donnés, afin de valider la technique de
commande proposée. La modélisation de la MADA a fait l’objet de la deuxième partie de
ce chapitre. En effet, la mise en équation des différentes grandeurs caractérisant la
machine étudiée, nous a permis d’établir un modèle mathématique équivalent dont la
complexité a été réduite en basent sur certaines hypothèses simplificatrices. Les
résultats de simulation de ce modèle sur MATLAB/SIMULINK nous confirment la non
linéarité du modèle de la MADA et le forte couplage qui existe entre les puissances active
et réactive statoriques de cette dernière.
neuronal. En dernier lieu, il est donc apparu naturel de construire des systèmes hybrides
qui combinent les concepts des systèmes d’inférence flous et des réseaux de neurones,
cela pour avoir une approche neuro-floue capable d’améliorer les performances de la
commande notamment le taux de distorsion harmonique (THD) par rapport au mode
glissant classique (CMG).
Les comparaisons des résultats présentées au cours de ce travail, nous ont amenée à
conclure que le régulateur neuro-flou conduit à de meilleures performances (poursuite
et robustesse) que les autres régulateurs traités à cause de sa robustesse, sa rapidité et
la précision de ses sorties qui lui permettent de donner des décisions correctes.
Annexe « A »
Paramètres du système éolien
A.1 - Paramètres de la turbine éolienne [DJE15]
UDL-SBA-2019 Page I
Annexes
Annexe « B »
A.4. système de régulation
A.4.1. Les éoliennes à décrochage aérodynamique "stall "
La plupart des éoliennes connectées au réseau électrique nécessitent une vitesse de
rotation fixe pour des raisons de cohérence de fréquence avec le réseau. Le système de
limitation de vitesse le plus simple et le moins coûteux est un système de limitation
naturelle (intrinsèque à la forme de la pale) dit "stall". Il utilise le phénomène de
décrochage aérodynamique. Lorsque l’angle d’incidence i devient important, c’est à
dire lorsque la vitesse du vent dépasse sa valeur nominale Vn, l’aspiration créée par
le profil de la pale n’est plus optimale ce qui entraîne des turbulences à la surface
de la pale (Figure (B.1)) et par conséquent une baisse du coefficient de puissance.
Ceci empêche alors une augmentation de la vitesse de rotation.
UDL-SBA-2019 Page II
Annexes
Ωg* Cg* +
+ Ωg
+ -
-
Saturation
*
Ωg F ( s ) Ωg G( s ) C g (B.1)Où
kpΩ .s kiΩ
FTBO (B.2)
( fv J.s ).s
kpΩ .s kiΩ
F( s ) 2
(B.3)
J .s ( fv kpΩ ).s kiΩ
kpΩ .s kiΩ
FTBO (B.4)
( fv J.s ).s
s
G( s ) 2
(B.5)
J .s ( fv k pΩ ).s kiΩ
Pour baisser l’effet de la perturbation (Cg), nous avons intérêt à choisir une valeur
élevée pour le gain KpΩ. L’autre gain est choisi de manière à avoir une fonction de
transfert du 2ème ordre, ayant une pulsation naturelle et un coefficient
d’amortissement, déterminés comme suit :
ki
w n
J
ξ fv k p
J . 2wn
k p J . 2ξw n f v
k i w n2 . J
UDL-SBA-2019 Page IV
Annexes
kp ki
Régulateur de la MPPT 200000 199999.9976
Annexe « C »
C.1-Fuzzy Toolbox
UDL-SBA-2019 Page V
Annexes
UDL-SBA-2019 Page VI
Annexes
Annexe « D »
D.1- Apprendre le comportement de régulateur flou (Apprentissage)
UDL-SBA-2019 Page IX
Annexes
UDL-SBA-2019 Page X
Annexes
Annexe « E »
E.1- Conception d’un régulateur neuro-flou sur MATLAB/Simulink
UDL-SBA-2019 Page XI
Annexes
Annexe « F »
Les régulateurs
Performances CSMC FSMC NSMC SMC-ANFIS
Temps de réponse tr[ms] 0.76 0.8 1.05 1
Dépassement d% 0 0 0 0
Erreur ԑ𝑠 3% 1% 1.6% 1.4%
Robustesse Tres robuste Acceptable Forte Robuste
Conception Facile Difficile Moyenne Facile
THD % (Ir) 11.88 3.95 4.37 3.94
15 ps
vdc To Workspace
Ps
cem
Vrq
t
Wt Wmec Wt To Workspace6
Wmec wt
Clock
From3 Goto7
0 beta Ct Ct
beta1 Goto3 Scope13
Ct Ct Cg Cg
v ent
From4 Goto1 u
turbine Multiplicateur
Sqrt
Divide
Manual Switch -1
vent
Divide2 Gain2 t1
Scope8
Goto6 To Workspace7
Divide1
Scope11
6 Cgref
Cg
vent1 From2
omega mec
v ent
Cg Cem
Subsystem2 From1 Scope12
arbre
UDL-SBA-2019
cgref
Scope10
regulation
Cgref
Goto5
Page XV
Annexes
1 du/dt -K-
Ps*1
Derivative Gain
g*x
1
Constant
UDL-SBA-2019
Iqr2 Gain6
qs -90000
Qs1 Sign1 Gain7
netsum4
Page XVI
Annexes
Figure F.2: Schéma global de simulation (MADA, Turbine, Onduleur, MLI, Commande).
ps qs ps
Scope3 psg
Ps Goto11 Goto13 To Workspace
To Workspace8
Scope1 cem
Ps*1 Vqr abc
q Ce
pt -1 To Workspace1
Manual Switch2 Scope6
From7 Gain3 Qs qs
d ConvertisseursVabc
To Workspace2
Qs* Vdr wmec Scope14
Scope2 wm
tetasr teta_sl
Scope5
Manual Switch1 Ir
ct To Workspace3
0 CMD gsg
From5 tetasr
Is To Workspace9
Ws1 1
314 tetasr Scope7
s ir
Integrator Goto2 MADA
Ws Gain11 To Workspace4
is
Ws p
Scope9 To Workspace5 Scope16
Goto8
Scope4 Gain1
1 tetas Wmec
s -K-
Integrator1 Goto9 Goto4
Wt
From6
Wt Wmec Wt
Wmec wt
From3 Goto7
0 beta Ct Ct
Scope13
beta1 Goto3 Ct Cg
Ct Cg
v ent
u
11 From4 Goto1
turbine Multiplicateur Sqrt
vent1
Divide
Manual Switch -1 t1
vent
Divide2 Gain4 To Workspace7
Scope8
Goto6
v ent
Divide1
Subsystem2
Scope11
t
Clock To Workspace6
Cgref
Cg
From2
omega mec
cgref
Cem
Scope12
Cg
Scope10
From1 regulation
arbre Cgref
UDL-SBA-2019
Goto5
Références bibliographiques
≪A≫
[AZE10] : AZEDDINE Chaiba, ≪commande de la machine asynchrone à double
alimentation par des techniques de l’intelligence artificielle ≫ ; Thèse de Doctorat en
Electrotechnique, Université de Batna, 2010 .
[AIC17] : AICHAOUI Farouq, DEHIRI Redha, ≪ Commande par mode glissant et flou
d’une génératrice asynchrone à double alimentation (GADA) « application à l’énergie
éolienne »≫, Mémoire Master Académique en Automatique, Université Mohamed
Boudiaf - M’SILA, 2017.
≪B≫
[BEL17] : BELMENOUER Mohammed, BENOUDA Benhamida: ≪étude de la MADA
dans la chaine d’énergie éolienne et contrôle MPPT≫ ; Mémoire Master en
Electrotechnique, Université Djillali Liabès de Sidi Bel-Abbès, 2017.
≪C≫
[CDE] : www.cder.dz/
≪D≫
[DJE15]: DJERIRI Youcef, ≪Commande directe du couple et des puissances d’une
MADA associée à un système éolien par les techniques de l’intelligence artificielle≫ ;
Thèse de Doctorat en Electrotechnique, Université Djillali Liabès de Sidi Bel-Abbès,
2015.
≪E≫
[ELB09] : ELBIA Youcef, ≪Commande Floue Optimisée d’une Machine Asynchrone à
Double Alimentation et à Flux Orienté ≫ ; mémoire de magister en Electrotechnique,
Université El-Hadj Lakhdar, Batna, 2009.
Références bibliographiques
≪F≫
[FER11] : FERAHTIA Amel, ≪ Commande Hybride de la Machine Asynchrone≫ ;
Mémoire de Magister en Automatique, Ecole Nationale Polytechnique, Alger, 2011.
≪I≫
[IDI12] : IDIR Karim, ≪Commande d’une machine asynchrone alimentée par énergie
éolienne à l’aide des réseaux de neurones≫ ; Mémoire de Master en Automatique,
Université Abderahmane Mira Bejaia, 2012.
≪K≫
[KAB13] : EL KABIRA El Mjabber, ≪Modalisation et commande de la MADA pour
l’utilisation éolienne ≫ ; Mémoire de master en électrotechnique, université SIDI
Mohammed ben Abdellah,Maroc, 2013.
≪L≫
[LAT12] : LATRECHE Mohammed Tahar, ≪ Commande Floue de la Machine
Synchrone à Aimant Permanant (MSAP) utilisée dans un système éolien ≫ ; Mémoire
Magister en Electrotechnique, Université Ferhat Abbas de Setif, 2012.
≪M≫
[MAS17] : MASSOUM Sarra, ≪Contrôle avec les techniques de l’intelligence artificielle
d’une source d’énergie éolienne à base d’une machine asynchrone à double alimentation
≫ ; Thèse de Doctorat en Electrotechnique, Université Djillali Liabès de Sidi Bel-Abbès,
2017.
≪P≫
[POI03] : POITIERS Frédéric, ≪étude et commande de génératrices asynchrones pour
l'utilisation de l'énergie éolienne≫ ; Thèse de Doctorat en électronique et Génie
Electrique, Université de Nantes, Fance, 2003.
≪R≫
[REZ15] : REZGUI Salah Eddine, ≪techniques de commande avancée de la machine
asynchrone : étude comparative et applications≫ ; Thèse de Doctorat en
Electrotechnique, Université des Frères Mentouri Constantine, 2015.
≪S≫
[SAD17]: SADAOUI Rabah, ≪analyse et commande de la machine asynchrone à double
alimentation≫ ; Mémoire présenté à L'université du QUÉBEC à Trois-Rivières comme
exigence partielle de la maîtrise en Génie Electrique, 2017.
≪T≫
[TIR14] : TIR Zoheir, ≪Contribution à l'Étude d’une Machine Asynchrone à Double
Alimentation sans Balais en vue de son Application dans le Domaine de l’Energie
Eolienne≫ ; Thèse de Doctorat en Electrotechnique, l’Université Hadj Lakhdar Batna,
2014.
≪V≫
[VID04] : VIDAL paul-etienne, ≪ Commande non-linéaire d’une machine asynchrone
à double alimentation ≫ ; Thèse présentée pour obtenir le titre de docteur de l’institut
national polytechnique de Toulouse, 2004.
≪W≫
[WWE] : wwindea.org
≪Z≫
[ZEM17] : ZEMMIT Abderrahim, ≪Contribution à la commande de la machine
asynchrone à double alimentation (MADA) par les techniques intelligentes≫ ; Thèse
doctorat en Electrotechnique, Université Mohamed Boudiaf –Msila, 2017.
Résumé ملخص
نموم بدراسة النمذجة والمحاكاة والتحكم فً نظام تحوٌل طالة الرٌاح إستنادًا إلى آلة غٌر تزامنٌة، فً هذا العمل:ملخص
بعد نمذجة. متصلة مباشرة ً بالشبكة وٌتم التحكم بها عن طرٌك محولها الساكن جهة عضوها الدوار،مزدوجة التغذٌة
التحكم فً وضع االنزالق،)MPPT( سلسلة تحوٌل طالة الرٌاح الكاملة مع عملٌة التحكم فً نمطة اإلستطاعة العظمى
تسلط النتائج التً تم. كان موضوع الدراسة للتحكم المستمل فً الطالة النشطة والتفاعلٌة جهة العضو الثابت من المولدة
الحصول علٌها الضوء على األداء العالً إلستراتٌجٌة التحكم الممترحة باإلضافة إلى متانتها فً مواجهة التغٌرات
، فإن تمنٌة التحكم هذه تطرح مشكلة التذبذبات على مستوى المخرجات المختلفة للمولدة،اإلعدادٌة للمولدة ومع ذلن
مثل،ً لجأنا إلى تمنٌات الذكاء اإلصطناع، لحل هذه المشكلة."Chattering" والسبب الرئٌسً لهذه المشكلة هو ظاهرة
ٌؤدي التهجٌن بٌن هذه التمنٌات ووضع اإلنزالق إلى تمنٌات.عصبٌة-المنطك الغامض والشبكات العصبٌة وأنظمة غامضة
أثبتت إختبارات."Chattering" كبٌرا لتأثٌر
ً ً
تملًٌل والتً توفر،SMC-ANFIS وNSMC ، FSMC:تحكم متٌنة مثل
. نجاعة هذه التمنٌات الممترحةMatlab / Simulink الصًلبة وكذلن تحلًٌلت التوافمات للتٌار بإستعمال برنامج
الشبكات، منطك الغموض،ً الذكاء اإلصطناع، مولدة غٌر متزامنة مزدوجة التغذٌة، طالة الرٌاح:كلمات مفتاحية
. التوافمٌات، الصًلبة،العصبونٌة
Mots clés : Energie éolienne, MADA, mode glissant, intelligence artificielle, logique floue,
réseaux de neurones, neuro-floue, robustesse, Chattering, harmoniques.