Commandes Hybrides de La Machine Asynchr PDF

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE DJILLALI LIABES DE SIDI-BEL-ABBES

Faculté de génie électrique
Département d'Électrotechnique
Projet de Fin d’Etude présenté par :
Mr.BOUCHAREB MOUSSA
Mlle. KOURDACI HADJER
Pour l'obtention du diplôme de :
Master en Electrotechnique
Domaine Sciences technologies

Filière : Electrotechnique
Parcours : Commandes électriques
Intitulé du mémoire :
Commandes hybrides de la machine

asynchrone à double alimentation
destinée aux systèmes de conversion
d’énergie éolienne
Présenté devant le jury composé de :
Pr. MEROUFEL ABDELKADER Professeur (U.D.L. Sidi Bel-Abbès) Président

Dr. YOUCEF DJERIRI Maître de Conférences B (U.D.L. Sidi Bel-Abbès) Encadreur
Pr. BENTAALLAH ABDERRAHIM Professeur (U.D.L. Sidi Bel-Abbès) Examinateur
Mr. MESAI AHMED HAMZA Doctorant (U.D.L. Sidi Bel-Abbès) Co-Encadreur
Soutenu en: Juillet 2019

Remercîments
Tout d'abord nous voulions dire que grâce à dieu que nous somme arrivé à
réaliser ce projet, qui est un résultat d'un long travail.
Notre profond remerciement à notre encadreur Mr: DJERIRI Youcef, pour
son suivi et conseils durant l’évolution de ce travail.
Nous remercions les membres de jury qui ont accepté de juger notre travail.
Nous teignions également à exprimer notre gratitude envers tous les
enseignants de l’université Djillali Liabès de Sidi Bel-Abbès qui ont contribué à
notre formation.
A tous ce qui ont contribuée de près ou de loin à notre formation.

Dédicace
Je dédie ce modeste travail

A ma mère avec toute mon affection. BEN AFOU FATIMA
A mon père avec toute ma reconnaissance. CHIKH
A ma grand-mère
A mes sœurs Imene, Maroua, Cerine, Sanaa, Wissem
A mes Tantes.
A tout ma famille.
A mon binôme Kourdaci hadjer
A tous mes amis.
MOUSSA
Dédicaces
Je tiens à dédier ce modeste travail à ceux qui me sontles plus chers

au monde, mes parents CHIEKH et SLIMANI Fatima
A mes chères sœurs
A mon très chèr frère HADJ et sa femme
A mes nièces HANAA et MAISSAA
A mes neveux ADLAN et SOHAIB et MOHAMMED
Spéciale Dédicace à FADILA qui m’a toujours soutenue
Aussi je dédie ce travail à mon binôme MOUSSA Bouchereb
Et à mes amies Nihed,Wissem,Ikhlas,Ikram
HADJER
Notations & Symboles
1-EN FRANCAIS
MADA : Machine Asynchrone à Double Alimentation.

HYPER : Hypersynchronisme.
HYPO : Hyposynchronisme.
PI : Proportionnel Intégral.
Ka : Régulateur de vitesse.
OFS : Orientation du flux statorique.
MLI : Modulation de Largeur d'Impulsion.
CCM : Convertisseur Coté Machine.
CCR : Convertisseur Coté Réseau.
FTBF : Fonction de Transfert en Boucle Fermée.
FTBO : Fonction de Transfert en Boucle Ouverte.
CMG : Commande par mode glissant.
RLF : Régulateur logique floue
RNA : Réseaux de Neurones Artificiels.
2-EN ANGLAIS
MPPT : Maximum Power Point Tracking.

AC : Alternatif Current.
DC : Direct Current
SMC : Sliding mode control
THD : Total Harmonic Distortion.
FSMC : Fuzzy sliding mode control.
NSMC : neurone sliding mode control
ANFIS : Adaptive Network Based Fuzzy Inference System
 Symboles spécifiques à la turbine :
Ωméc (rad/s) Vitesse mécanique de la turbine

V, V1 (m/s) Vitesse du vent,
P (W) Puissance aérodynamique de la turbine
Ωref (rad/s) Vitesse de référence de la turbine
β (deg) Angle de calage des pales,
m (Kg) Masse de l’air,
ρ (Kg/m3) Masse volumique de l’air en température ambiante (15°C),
S (m2) Surface circulaire balayée par la turbine S = π.R2,
Pm (W) Puissance aérodynamique de la turbine,
Pmt (W) Puissance théorique maximale extractible d'un vent non perturbé,
Cp (–) Coefficient de puissance,
Cp-max (–) Coefficient de puissance relatif à l’extraction maximale de
puissance,
λ (–) Vitesse relative ou Ratio de vitesse,
λopt (–) Vitesse relative optimale,
Ω1 (rad/s) Vitesse mécanique de la turbine avant multiplicateur
R (m) Longueur d’une pale (Rayon de l’éolienne),
G (–) Gain du multiplicateur,
Pmg (W) Puissance mécanique de la turbine,
Ω2 (rad/s) Vitesse mécanique de la turbine après multiplicateur.
Pv (W) Puissance théorique maximale extractible d'un vent non perturbé,
Pt (W) Puissance aérodynamique de la turbine,
Ωt (rad/s) Vitesse mécanique de la turbine,
Ωt* (rad/s) Vitesse de référence de la turbine,
Ct (N.m) Couple mécanique disponible sur l’arbre lent de la turbine,
Cc (–) Coefficient du couple,
Cc-max (–) Coefficient du couple relatif à l’extraction maximale de puissance,

Cg (N.m) Couple mécanique sur l’arbre de la génératrice,
Ωg (rad/s) Vitesse mécanique de la génératrice,
Cmé (N.m) Couple mécanique
Cf (N.m) Couple de frottement visqeux,
J (Kg.m2) Moment d’inertie totale de l’ensemble « turbine + génératrice »,
Kp (–) Composante proportionnelle du correcteur PI,
Ki (–) Composante intégrale du correcteur PI,
pm (W) Puissance mécanique de la génératrice,
i (deg) Angle d’incidence des pales,
V2 (m/s) Vitesse du vent après passage à travers le rotor.
Cméc (N.m) Couple mécanique appliqué au rotor de la génératrice
 Paramètres de modélisation de la MADA :
Cem (N.m) Couple électromagnétique de la génératrice

fv (N.m.s/rd) Coefficient dû aux frottements visqueux de la génératrice,
Rs (Ω) Résistance statorique par phase,
Rr (Ω) Résistance rotorique par phase,
Ls (H) Inductance cyclique statorique par phase,
Lr (H) Inductance cyclique rotorique par phase,
Lm (H) Inductance cyclique mutuelle (entre stator et rotor), inductance
magnétisante,
ls (H) Inductance propre d’une phase statorique,
lr (H) Inductance propre d’une phase rotorique,
ms (H) Inductance mutuelle entre deux phases statoriques,
mr (H) Inductance mutuelle entre deux phases rotoriques,
M (H) Valeur maximale de l’inductance mutuelle entre phase statorique
et autre rotorique,
 (– ) Coefficient de dispersion de Blondel,

p (– ) Nombre de paires de pôles,
 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),
r (rad) Position angulaire du rotor par rapport à l’axe (d).
 Grandeurs électriques au stator :
Pnom (W) puissance électrique nominale

PS (W) Puissance active statorique,
VS ,A, B, C (V) Tensions instantanées statoriques triphasées,
IS A, B, C (A) Courants instantanés statoriques triphasées,
Vs 31  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 31  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
 Grandeurs électriques au rotor :
Pr (W) Puissance active rotorique,

vr a, b, c (V) Tensions instantanées rotorique triphasées,
ir a, b, c (A) Courants instantanés rotorique triphasées,
Vr 31  vra ,vrb ,vrc T (V) Vecteur des tensions instantanés des phases a, b et
c rotoriques,
Vr (V) Module du vecteur de tension rotorique,
vr d, q (V) Tensions statoriques diphasées dans le repère (d,
q),
ir d, q (A) Courants statoriques diphasées dans le repère (d,
q),
I r 31  ira ,irb ,irc T (A) Vecteur des courants instantanés des phases a, b et
c rotoriques,
Qr (VAr) Puissance réactive rotorique.
 Grandeurs magnétiques au stator :
ϕs a, b, c (Wb) Flux instantané magnétiques au stator,

ϕs α, β (Wb) Flux statoriques diphasés dans le repère (α, β),
ϕs d, q (Wb) Flux statoriques diphasés dans le repère tournant (d, q).
Ψs 31  φsa ,φsb ,φsc T (Wb) Vecteur des flux instantanés des phases a, b et c
statoriques,
s (Wb) Module du vecteur de flux statorique.
 Grandeurs magnétiques au rotor :
ϕr a, b, c (Wb) Vecteur de flux magnétiques au rotor,

ϕr α, β (Wb) Flux rotoriques diphasés dans le repère (α, β),
ϕr d, q (Wb) Flux rotoriques diphasés dans le repère tournant (d, q).
r 31  ra ,rb ,rc T (Wb) Vecteur des flux instantanés des phases a, b et c
rotoriques,
r (Wb) Module du vecteur de flux rotorique.
 Grandeurs mécaniques :
Ωs (tr/min) la vitesse du synchronisme

ωr (rad/s) Pulsation électrique correspondante à la vitesse de rotation,
ωs (rad/s) Pulsation électrique des grandeurs statoriques (champ
tournant),.
ωsr , ωsl (rad/s) Pulsation électrique des grandeurs rotoriques (Pulsation de
glissement),
g (– ) Glissement de la vitesse de rotation,
fs (Hz) Fréquence électrique des grandeurs statoriques,
fr (Hz) Fréquence électrique des grandeurs rotoriques,
 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,
 Grandeurs de commande de la MADA
Cem* (N.m) Consigne du couple électromagnétique,

Cem (N.m) couple électromagnétique
Vdc (V) Tensions continue,
E (V) Tensions continue
fp (Hz) Fréquence de porteuse,
fr (Hz) Fréquence de référence,
r (–) Taux de modulation (indice de réglage)
m (–) Indice de modulation
Sa, Sb, Sc (–) Etats de commutation des interrupteurs de l’onduleur
Ps * (W) Consigne de la puissance active statorique
Qs* (VAr) Consigne de la puissance réactive statorique
ɛ (–) Erreur statique
Kp, Ki (–) Composantes proportionnelle et intégrale du correcteur PI
ξ (–) Facteur d’amortissement,
ωn (rad/s) Facteur d’amortissement,
r (s) constant de temps

vrd*, vrq* (V) Tensions rotoriques de référence dans le repère (d, q)
ird*, irq* (A) Courants rotoriques de référence dans le repère (d, q)
µE(x) (–) degré d’appartenance de x au sous ensemble E
Ep (–) Entrée d’erreur du régulateur flou de puissance
dEp (–) Entrée dérivée d’erreur régulateur flou de puissance
dIqr (A) Signale de commond du systéme
ref (–) Indice indiquant la référence (la consigne)
wij (–) les poids synaptiques du neurone
b (–) Biais
f (–) fonction de transfert qui produit la sortie y du neurone
s (–) La sortie de l’intégrateur
δj(t ) (–) l'erreur faite par le neurone i
d1,2,3 (–) les sorties désirées
Liste des figures
Chapitre I :
Figure I.1 : Conversion de l’énergie cinétique du vent .........................................................................5

Figure I.2 : Capacité Eolienne cumulée dans le monde ........................................................................6
Figure I.3 : Carte annuelle des vents (m/s) ..................................................................................................7
Figure I.4 : Les déférentes zones de fonctionnement d’une éolienne ........................................8
Figure I.5 : éolienne directement connectée au réseau ........................................................................9
Figure I.6 : éolienne à vitesse variable .............................................................................................................9
Figure I.7: Eolienne utilisant une génératrice asynchrone à double alimentation(GADA)
.....................................................................................................................................................................................................11
Figure I.8 : les quatre modes de fonctionnement de la MADA .....................................................13
Figure I.9 : Système de conversion éolienne à base de la MADA ................................................15
Figure I.10: Simulation du profile de la vitesse du vent ....................................................................16
Figure I.11: Tube de courant autour d'une éolienne ...........................................................................16
Figure I.12: Coefficient de puissance…………………………………………………………………………...17
Figure I.13 : Coefficient de puissance Cp en fonction de λ pour différents β .....................20
Figure I.14 : Puissance aérodynamique générée par la turbine éolienne .............................21
Figure I.15 : Coefficient du couple Cc en fonction de λ pour différents β ............................22
Figure I.16 : Caractéristique du couple aérodynamique de la turbine.................................... 23
Figure I.17 : Modèle mécanique de la turbine éolienne .....................................................................23
Figure I.18: Schéma bloc du modèle de la turbine .................................................................................25
Figure I.19 : Contrôle MPPT avec asservissement de la vitesse mécanique ......................26
Figure I.20 : Résultats de simulation du MPPT avec asservissement de vitesse ..............27
Figure I.21 : Représentation de la MADA dans le système triphasé ..........................................29
Figure I.22 : Repères de référence : statorique ( αs-βs), rotorique ( αr -βr) et tournant
(dq) .......................................................................................................................................................................................... 32
Figure I.23 : Orientation du flux statorique………………………………………………………………… 34
Figure I.24 : Schéma bloc du modèle simplifié de la MADA……………………………………… 37
Figure I.25 : La structure AC-DC-AC (en anglais « back-to-back »)…………………………………….. 38
Liste des figures
Figure I.26: Représentation schématique d’un onduleur de tension alimente le rotor de la

MADA……………………………………………………………………………………………………………………………… 39
Figure I.27 : Principe de commande en MLI sinus-triangulaire………………………………………….. 41
Figure.I.28 : Comportement de la MADA intégrée au système éolien…………………………………. 44
Chapitre II :
Figure II.1 : Structure de régulation par commutation au niveau de l’organe de

commande...........................................................................................................................................................................48
Figure II.2 : Structure par commutation au niveau d’une contre réaction d’état ...........49
Figure II.3 : Structure par commutation au niveau de l’organe de commande, avec ajout
De la commande équivalente.................................................................................................................................50
Figure II.4 : Les modes de trajectoire dans le plan de phase du mode glissant ...............51
Figure II.5 : Linéarisation exacte de l’écart…………………………………………………………………53
Figure II.6 : Définition de la fonction « Sign »……………………………………………………………. 56
Figure II.7 : Le phénomène de broutement………………………………………………………………... 58
Figure II.8 : Schéma bloc de la commande par mode glissant de la MADA………………...61
Figure II.9 : Commande par mode glissant de la MADA à vitesse du vent fixe…… 62
Figure II.10 : Commande par mode glissant de la MADA à vitesse du vent variable…64
Figure II.11 : Test de robustesse pour une augmentation de 300% Rr et une
diminution de 50% de Lm ......................................................................................................................................65
Figure II.12 : Analyse harmonique des spectres des courants : (a) phase statorique, (b)
phase rotorique ...............................................................................................................................................................66
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
Figure III.8 : Exemple de fuzzification....................................................................................................... …77

Figure III.9 : Etude du comportement du système ...............................................................................78
Figure III.10 : Méthode de moyenne des maximums .........................................................................81
Figure III.11 : Méthode du centre de gravité ............................................................................................81
Figure III.12 : Defuzzification par la méthode des hauteurs pondérées ...............................82
Figure III.13 : Schéma bloc de la commande hybride mode glissant-flou ...........................85
Figure III.14 : Résultats de simulation de la commande hybride mode glissant-floue de
la MADA………………………………………………………………………………………………………………………… 86
Figure III.15 : Test de robustesse pour une augmentation de 300% Rr et une
diminution de 50% de Lm …………………………………………………………………… …………………… 87
Figure III.16 : Analyse harmonique des spectres des courants : (a) phase statorique, (b)
phase rotorique……………………………………………………………………………………………………………. 88
Chapitre IV :
Figure IV.1: Modèle d'un neurone biologique..........................................................................................94

Figure IV.2: Transmission de l'information entre les neurones biologiques……………. 95
Figure IV.3 : Modèle d'un neurone artificiel………………………………………………………………. 96
Figure IV.4 : Fonctions d’activation les plus utilisées………………………………………………… 97
Figure IV.5 : Représentation matricielle du modèle d’un neurone artificiel ……………100
Figure IV.6 : Réseau de neurone non bouclé……………………………………………………………. 101
Figure IV.7 : Réseau non bouclé monocouche…………………………………………………………..101
Figure IV.8 : Réseau non bouclé multi couches…………………………………………………………102
Figure IV.9 : Réseaux de neurones bouclés……………………………………………………………….103
Figure IV.10: Apprentissage supervisé………………………………………………………………..105
Figure IV.11: Apprentissage non supervisé………………………………………… ..............................105
Figure IV.12: Apprentissage par renforcement……………………………………………………….. 106
Figure IV.13: Résultats de simulation de la commande hybride de la MADA par mode
glissant-neuronale (NSMC)…………………………………………………………………………………………111
Figure IV.14: Le régulateur neuronal face aux variations paramétriques de la
MADA………… ..................................................................................................................................................................112
Figure IV.15: Analyse harmonique des spectres des courants : (a) phase statorique, (b)
phase rotorique ............................................................................................................................................................113
Figure IV.16 : Structure générale d'un réseau neuro-flou ...........................................................114
Liste des figures
Figure IV.17: Résultats de simulation de la commande hybride de la MADA neurone-

floue-glissant (SMC-ANFIS) .................................................................................................................................116
Figure IV.18: Test de robustesse pour une augmentation de 300% Rr et une diminution
de 60%de Lm .................................................................................................................................................................................................................................................. 118
Figure IV.19: Analyse harmonique des spectres des courants : (a) phase statorique, (b)
phase rotorique ............................................................................................................................................................118
Figure IV.20 : Analyse harmonique des spectres des courants : (a) phase statorique, (b)
phase rotorique…… .................................................................................................................................... 119
Liste des tableaux
Chapitre I
Tableau I.1 : Avantages et inconvénients des génératrices synchrone………………………… 10

Tableau I.2 : Avantages et inconvénients des machines asynchrones à cage….................... 10
Tableau I.3 : Avantages et inconvénients de la Machine asynchrone à double stator ..... 11
Tableau I.4 : Avantages et inconvénients de la génératrice asynchrone double
alimentation ................................................................................................................................................................... 14
Chapitre III
Tableau III.1 : Méthodes usuelles de l’inférence floue……………………………………………………79

Tableau III.2 : Base de règles du FSMC…………………………………………………………………………… 84
Chapitre IV
Tableau IV.1 : analogie entre le neurone biologique et le neurone formel…………………… 98

Tableau IV.2 : Comparaison entre l'apprentissage hors ligne et l'apprentissage en
ligne………..... ……………………………………………………………………………………………………………… ……..104
Tableau IV.3 : Algorithme de rétro propagation………………………………………………….............109
Annexe A
Tableau A.1: Paramètres de la turbine éolienne de 1.5MW…......................................................... I

Tableau A.2: Paramètres de la MADA de 1.5MW…. .............................................................................. I
Tableau A.3: Paramètres de régulateur MPPT……………………………………………………………….V
Tableau F.1: comparaison des performances des trois régulateurs……………………………. VII
Sommaire
INTRODUCTION GENERALE ..................................................................................................................................... 1

Chapitre I : Présentation et modélisation du système Éolien à base de MADA .......... 4
I.1. Introduction.................................................................................................................................................................... 5
I.2. L’énergie éolienne ...................................................................................................................................................... 5
I.2.1. Définition et principe de fonctionnement ....................................................................................... 5
I.2.2. Gisement national et mondial de l’énergie éolienne ................................................................ 6
I.2.3. Zones de fonctionnement de l’éolienne ............................................................................................ 7
I.2.4. Technologies des systèmes éoliens ..................................................................................................... 8
a). Éoliennes à vitesse fixe .................................................................................................................................. 8
b). Éoliennes à vitesse variable ....................................................................................................................... 9
I.3. Chaine de Conversion électromécanique................................................................................................... 9
I.3.1. Machine synchrone ............................................................................................................................................ 9
I.3.2. Machine asynchrone à cage …………………………………………………………………… .................... 10
I..33 .Machine asynchrone à double stator.................................................................................................... 10
I. 3.4.Machine asynchrone à double alimentation « MADA »…………………………… ................. 11
a). Structure de la MADA………………………………………………………………………………… .............. 11
b). Principe de fonctionnement……………………………………………………….. .................................... 12
c). Avantages et inconvénients………………………………………………………………………… ............. 14
I.4. Modélisation d’un système éolienne à base de MADA…………………………… ........................... 14
I..41. Modèle de vent……………………………………………………………………………………… .................... 15
a). Loi de betz………………………………………………………………………………………………… ................ 16
I..42. Modélisation de la turbine éolienne……………………………………………………… ................... 18
a). Modèle aérodynamique des pales………………………………………………………… ..................... 18
b). Modèle analytique du coefficient de puissance………………………………… .......................... 19
c). Coefficient du couple……………………………………………………………… ............................................ 21
d). Modèle de la partie mécanique………………………………………………………………… ................ 23
e). Modèle du multiplicateur…………………………………………………………… ..................................... 24
f). Modèle de l’arbre mécanique…………………………………………………………….............................. 24
I.5. Stratégie de maximisation de puissance « MPPT»………………………………………… ................. 25
Sommaire
I.5.1.Algorithmes de maximation de la puissance extraite………………………… ...................... 25

I.5.2. Contrôle MPPT avec asservissement de la vitesse mécanique…………………………. 25
I.5.3. Résultats obtenus par simulation………………………………………………………………… ........ 27
I.6. Modélisation de la MADA……………………………………………………………………………………............ 28
I.6.1. Hypothèses simplificatrices……………………………………………………………… ........................... 28
I.6.2. Modèle de MADA dans le repère triphasé……………………………………………………… ....... 29
I.6.3. Modèle de MADA dans le repère de Park…………………………………………………................. 31
I.6.4. Modèle simplifié de MADA……………………………………………………………………… ................. 34
I.7. Association de la MADA aux convertisseurs statiques…………………………………… .............. 37
I.7.1. Modélisation du convertisseur côté rotor « CCM»……………………………………… .......... 39
a). Modélisation de l’onduleur triphasé à MLI……………………………………………… ................ 39
b). Modulation de largeur d'Impulsion (MLI)…………………………………………......................... 41
I.9.Résultats obtenus par simulation…………………………………………………………………… ................. 42
I.10.Conclusion………………………………………………………………………………………………………… ............. 45
Chapitre II : Commande par mode glissant de la MADA…………………………………………… 46
II.1. Introduction……………………………………………………………………………………………………………….47
II.2. Commande par mode glissant : concepts de base……………………………………………………..47
II.2.1. Définition des systèmes à structure variable…………………………………………………… 47
II.2.2. Structures de la commande par mode glissant…………………………………………………48
a).structure par commutation au niveau de l’organe de commande……………………48
b).structure par commutation au niveau d’une contre réaction d’état ………………..49
c). structure par commutation au niveau de l’organe de commande, avec ajout De
lacommande équivalente……………………………………………………………………………… ............... 49
II.3.Principe de la commande par mode de glissement …………………………………………………...50
II.3.1.Fonction de commutation……………………………………………………………………………….… 51
II.3.2.Hyper-plan de commutation……………………………………………………………………………… 51
II.3.3.Régime glissant…………………………………………………………………………………………………… 51
II.3.4.Surface de glissement……………………………………………………………………………………….. 51
a). Le mode de convergence…………………………………………………………………………………..52
b). Le mode de glissement (MG)…………………………………………………………………………… 52
c). Le mode régime permanent (MRP)……………………………………………………………………52
II.4. Conception de la commande par mode glissant………………………………………………………..52
II.4.1. Choix de la surface de glissement………………………………………………………………………..52
Sommaire
II.4.2. Condition d’existence de convergence……………………………………………………………… 53

a). Fonction directe de commutation…………………………………………………………………..… 53
b). Fonction de LYAPUNOV…………………………………………………………………………………….. 54
II.4.3. Calcul de la loi de commande…………………………………………………………………………… 54
a). Définition des grandeurs de la commande…………………………………………………………. 55
b). Application de la commande……………………………………………………………………………... 55
II.5. Phénomène de broutement ‘’CHATTERING’’ ……………………………………………………… 57
II.6. Application de la commande par mode glissant à la MADA……………………………………. 59
II.7. Résultats de simulation…………………………………………………………………………………………….. 61
II.7.1. Résultat de simulation (pour une vitesse du vent fixe)…………………… ......................... 61
II.7.2. Interprétation des résultats……………………………………………………………………………… 63
II.7.3. Résultat de simulation (pour une vitesse du vent variable)…………………………….. 63
II.7.4. Interprétation des résultats……………………………………………………………………………….. 65
II.8. Test de robustesse…………………………………………………………………………………………………….. 65
II.8.1. Interprétation des résultats…………………………………………………………………………….…65
II.9. Analyse harmonique (THD)…………………………………………………………………………… 66
II.10. Conclusion………………………………………………………………………………………………………………. 67
Chapitre III : Commande hybride mode glissant- floue de la MADA………………………68

III.1. Introduction…………………………………………………………………………………………………………….. 69
III.2. Historique de la logique floue………………………………………………………………………………… 69
III.3. Domaines d’application de la logique floue……………………………………………………………..70
III.4. Intérêt de la logique floue……………………………………………………………………………………… 70
III.5. Concepts fondamentaux de la logique floue……………………………………………………… ........ 71
III.5.1. Principe et définition……………………………………………………………………………………….. 71
III.5.2. Ensemble flous et fonction d’appartenance…………………………………………………… 71
III.5.3. Variables linguistiques……………………………………………………………………………………. 72
III.5.4. Intervalles d'inférence………………………………………………………………………………………72
III.5.5. Différentes formes pour les fonctions d’appartenances…………………………………..73
III.5.6. Opérateurs de la logique floue……………………………………………………………………………73
a). Opérateur « OU »………………………………………………………………………………………………74
b). Opérateur « ET»………………………………………………................................................................... 74
c). Opérateur « NON»……………………………………………………………………………………………. 75
Sommaire
III.6. Principes généreux d’une commande par logique floue………………………………………… 75

III.6.1. Fuzzification…………………………………………………………………………………………………….. 76
III.6.2. Base de règles………………………………………………………………………………………………….. 77
III.6.3. Inférence…………………………………………………………………………………………………………. 78
III.6.4. Défuzzification…………………………………………………………………………………………………. 80
a). Méthode du Maximum…………………………………………………………………………………….. 80
b). Méthode de la moyenne des maximums…………………………………………………………80
c). Méthode du centre de gravité…………………………………………………………………………. 81
d). Méthode des hauteurs pondérées………………………………………………………………….. 81
III.7. Avantages et inconvénients de la commande par logique floue……………….… ................ 82
III.8.Types de régulateurs flous……………………………………………………………………………………….. 83
III.8.1. Régulateur de type Mamdani………………………………………………………………… .............. 83
III.8.2. Régulateur de type Sugeno………………………………………………………………………………83
III.9. Commande hybride mode glissant-floue de la MADA………………………………… ................. 84
III.9.1. Principe de la commande par mode glissant – floue………………………………… ......... 84
III.9.2. Définition de la commande hybride mode glissant-floue……………………………………….. 84
III.10. Résultats de simulation…………………………………………………………………………………………. 85
III.10.1. Test de poursuite de trajectoire………………………………………………………………………85
III.10.2. Test de robustesse………………………………………………………………………………………… 87
III.11. Analyse harmonique……………………………………………………………………………………………… 88
III.12. Conclusion……………………………………………………………………………………………………………… 88
Chapitre IV : La commande hybride mode glissant-neurone/neurone-floue de la

MADA ……………………………………………………………………………………………………………………..90
IV.1. Introduction……………………………………………………………………………………………………………... 91
IV.2. Généralités sur les réseaux de neurones…………………………………………… ............................... 91
IV.2.1. Historique…………………………………………………………………………………………………………. 91
IV.2.2. Domaines d'application des réseaux de neurones…………………………………………. 92
IV.2.3.Fonctionnement général d’un Réseau de Neurones………………………………………… 93
a)neurone Biologique…………………………………………………………………………………………… 93
b) Fonctionnement d’un Neurone Biologique………………………………………………………95
c) Le neurone formel…………………………………………………………………………………………….. 96
IV.2.4. Foncions d’activation……………………………………………………………………………………… 97
Sommaire
IV.2.5. Modélisation d’un réseau de neurones……………………………………………………………. 98

IV.3. Architecture des réseaux de neurones artificiels…………………………………………………… 100
IV.3.1. Les réseaux de neurones non bouclés……………………………………………………………. 100
a). les Réseaux non bouclés Monocouches ………………………………………………………….101
b). Les réseaux non bouclés Multicouches…………………………………….…………………….102
IV.3.2. Les réseaux de neurones bouclés……………………………………………………………………..103
IV.4. Apprentissages des réseaux de neurones……………………………………………………………….103
IV.4.1. Apprentissage en ligne et l’apprentissage hors ligne……………………………………... 104
IV.4.2. Types d'apprentissage………………………………………………………………………………………105
a). l'apprentissage supervisé…………………………………………………………………………………105
b). l'apprentissage non-supervisé…………………………………………………………………………105
c). l'apprentissage par renforcement…………………………………………………………………...106
IV.5. L’algorithme de rétro propagation………………………………………………………………………… 107
IV.6. Avantages et inconvénients des réseaux de neurones……………………………………………110
IV.7. La Méthodologie……………………………………………………………………………………………………… 110
IV.8. Résultat de simulation…………………………………………………………………………………………… 110
IV.9.Analyse harmonique………………………………………………………………………………………………… 113
IV.10. Systèmes Neuro-Flous…………………………………………………………………………………………… 114
IV.11. Définition et principe de fonctionnement…………………………………………………………….. 114
IV.12. Méthodes des combinaisons Neuro-Floues……………………………………………...................... 115
IV.12.1. Réseau flou neuronal…………………………………………………………………………………….. 115
IV.12.2. Système neuronal/flou simultanément…………………………………………………………..115
IV.12.3. Modèles neuro-flous coopératifs………………………………………………………………115
IV.12.4. Modèles neuro-flous hybrides………………………………………………………………………..116
IV.13. Le Contrôleur ANFIS………………………………………………………………………………………………116
IV.14. Résultat de simulation…………………………………………………………………………………………… 117
IV.15. Analyse harmonique………………………………………………………………………………………………119
IV.16. Conclusion………………………………………………………………………………………………………………119
CONCLUSION GENERALE…………………………………………………………………………………………………121
ANNEXES
REFERENCES BIBLIOGRAPHIQUES
Introduction générale
L’énergie électrique est un élément crucial pour tout développement socio-

économique. Elle est devenue dans la vie quotidienne des populations, notamment dans
les pays développés, une nécessité dont on ne peut se passer. L'intense industrialisation
des dernières décennies et la multiplication des appareils domestiques électriques ont
conduit à des besoins planétaires considérables en cette énergie.
Face à cela et avec la diminution du stock mondial en hydrocarbure et surtout la

crainte d’une pollution de plus en plus envahissante et destructif pour l’environnement,
les pays industrialisés ont massivement fait recours aux centrales nucléaires. Cette
source d'énergie présente l'avantage indéniable de ne pas engendrer de pollution
atmosphérique contrairement aux centrales thermiques traditionnelles, mais le risque
d'accident nucléaire (comme la catastrophe de Fukushima, Japon du 11 Mars 2011), le
traitement et l'enfouissement des déchets sont des problèmes bien réels qui rendent
cette énergie peu attractive pour les générations futures [ADJ11].
Les énergies renouvelables sont propres et constituent une solution alternative

pour subvenir aux besoins de la société actuelle. Longtemps négligées ces énergies
reprennent la place qui leurs est dû, grâce aux recherches et études qui se font de plus
en plus diversifiées et pluridisciplinaires.
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
monde, à un prix concurrentiel à celui de l’énergie produite par les installations

conventionnelles (par ex. : les centrales nucléaires et les centrales thermiques au
mazout ou au charbon) [DJE15].
Le sujet de ce mémoire consiste à concevoir des stratégies de commande simples à

implémenter d’un système de conversion éolien, connecté au réseau reposant sur la
machine asynchrone à double alimentation (MADA) pilotée par le Convertisseur Coté
Machine (CCM). C’est donc dans ce cadre que nous allons développer notre étude pour
un système de d’énergie éolienne permettant de fournir une puissance constante au
réseau tout en offrant des services systèmes tel que la prestation de l’énergie réactive
pour la correction du facteur de puissance. L’utilisation de ces stratégies de commande
sera discutée en montrant leurs avantages en terme de robustesse vis-à-vis des
variations paramétriques de la machine, de réduction des ondulations des puissances
tout en diminuant le contenu harmonique des courants générés par la MADA.
Notre étude s’articule autour des chapitres suivants :
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
élevées de cette technique de commande et sa robustesse vis-à-vis les variations

paramétriques de la MADA.
Le troisième chapitre, sera consacré à la commande hybride par mode glissant-floue.

Cette commande consiste à remplacer les fonctions « sign » dans la loi de commande
discontinue par un contrôleur basé sur la logique floue, afin de réduire l’effet de
Chattering qui représente un problème réel face au bon fonctionnement du système de
conversion d’énergie éolienne.
Dans le dernier chapitre, nous étudierons les différentes techniques de l'intelligence

artificielle à savoir : les bases théoriques de la logique floue, les réseaux de neurones, la
structure neuro-floue. Nous étudions la structure multicouche du réseau de neurones en
tenant compte des différentes méthodes d'apprentissage. Ensuite nous étudierons La
commande hybride glissant-neuronale-. Puis nous nous concentrerons en particulier sur
la projection des systèmes flous dans un réseau de neurone afin de former un système
neuro-flou en tirant profit de la logique floue et des réseaux de neurones.
A la fin de la synthèse de chaque type de commande, nous présenterons les résultats

de simulation mis à l’épreuve de perturbations et de variations paramétriques, choses
qui nous permettront d’évaluer les performances et la robustesse de ces commandes.
Enfin, nous terminons notre travail par une conclusion générale résumant les
différents résultats obtenus.
UDL-SBA-2019 Page 3
Chapitre I
Présentation et modélisation du système

éolien à base de MADA
D ans ce chapitre, on présente une définition de l’énergie éolienne de manière générale,
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
exploitée par l'homme.
Ce chapitre aussi est consacré à la modélisation de la chaîne de conversion d’énergie
«cinétique-mécanique » de la turbine éolienne (vent, pales, turbine, multiplicateur, …) et
on termine par la modélisation de la machine asynchrone à double alimentation (MADA).
Pour le fonctionnement de l'éolienne à vitesse variable, nous avons opté d'associer notre
MADA à un onduleur de tension commandé par la technique MLI.
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.
I.2. L’énergie éolienne

I.2.1. Définition et principe de fonctionnement
Un aérogénérateur, plus communément appelé éolienne, est un dispositif qui
transforme une partie de l’énergie cinétique du vent en énergie mécanique disponible
sur un arbre de transmission puis en énergie électrique par l’intermédiaire d’une
génératrice (Figure (I.1)).
Figure I.1 : Conversion de l’énergie cinétique du vent.
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
captage et la conversion d’énergie sont complexes, les matériaux couteux et la source

d’énergie difficile à prévoir et reste aléatoire [MAS17].
Une éolienne est constituée d’une partie tournante, le rotor, qui transforme une
énergie cinétique en énergie mécanique en utilisant des profils aérodynamique. Le flux
d’air crée autour de profil une poussée qui entraine le rotor et une trainée qui constitue
une force parasite. La puissance mécanique est ensuite transformée en puissance
hydraulique par une pompe, soit en puissance électrique par une génératrice [BEL17].
I.2.2. Gisement national et mondial de l’énergie éolienne

Le 25 février 2019 (WWEA)-la capacité totale de toutes les éoliennes installées dans le
monde à la fin de 2018 a atteint 600 gigawatts, selon les statistiques préliminaires
publiées par la WWEA aujourd’hui. 53 900 mégawatts ont été ajoutés en 2018, soit un
peu plus qu’en 2017 où 52 552 mégawatts ont été installés. 2018 a été la deuxième
année consécutive avec le nombre croissant de nouvelles installations, mais à un taux
inférieur de 9.8 %, après une croissance de 10.8% en 2017. Toutes les éoliennes
installées d’ici la fin de 2018 peuvent couvrir près de 6 % de la demande mondiale
d’électricité.
Figure I.2 : Capacité Eolienne cumulée dans le monde [WWEA].
UDL-SBA-2019 Page 6
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.
Figure I.3 : Carte annuelle des vents en Algérie (m/s) [CDE].
I.2.3. Zones de fonctionnement de l’éolienne

Il existe quatre zones principales de fonctionnement peuvent être distinguées (Figure
(I.4)) :
UDL-SBA-2019 Page 7
 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].
Figure I.4: Les déférentes zones de fonctionnement d’une éolienne.
I.2.4. Technologies des systèmes éoliens

a). Éoliennes à vitesse fixe
Les éoliennes à vitesse fixe sont les premières à avoir été développées. Dans cette
technologie, la génératrice asynchrone est directement couplée au réseau. Sa vitesse
Ωméc est alors imposée par la fréquence du réseau et par le nombre de paires de pôles de
la génératrice (Figure (I.5)).
UDL-SBA-2019 Page 8
Réseau
Vent P, Q statorique Transformateur
Multiplicateur
Condensateurs
MADA
MAS
Figure I.5 : Eolienne directement connectée au réseau.
b). Éoliennes à vitesse variable

Vu les problèmes causés par un fonctionnement à vitesse fixe, on a cherché
l’exploitation optimale de la puissance extraite de l’énergie cinétique du vent. Pour cela,
il faut ajuster en permanence la vitesse de la génératrice à la vitesse du vent. Cette
optimisation de la production voulue peut s’effectuer par des commandes sur la turbine,
sur la partie électrotechnique (générateur électrique lui-même et/ou paramètres de
commande du convertisseur d'électronique de puissance) [MES17].
Réseau
Vent P, Q statorique Transformateur
Multiplicateur
MADA
CCM CCR
P, Q
DC Rotorique
AC
DC AC
Figure I.6 : Eolienne à vitesse variable.
I.3. Chaîne de Conversion électromécanique

I.3.1. Machine synchrone
L’utilisation des génératrices synchrones dans les applications éoliennes à grande
puissance est récente. Deux types de génératrices sont utilisés, à bobinage inducteur ou
à aimants permanents [BOU15].
UDL-SBA-2019 Page 9
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.
Tableau I.1 : Avantages et inconvénients des génératrices synchrone.
I.3.2. Machine asynchrone à cage

Les machines électriques asynchrones sont les plus simples à fabriquer et les moins
coûteuses. Elles ont l’avantage d’être standardisées, fabriquées en grande quantité et
dans une très grande échelle des puissances. Elles sont aussi les moins exigeantes en
termes d’entretien [MES17].
-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.
Tableau I.2 : Avantages et inconvénients des machines asynchrones à cage.
I.3.3. Machine asynchrone à double stator

Pour améliorer le rendement du dispositif précédent, certains constructeurs utilisent
un système à base de machine asynchrone à double stator [POI03].
UDL-SBA-2019 Page 10
- 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.
Tableau I.3 : Avantages et inconvénients de la Machine asynchrone à double stator.
I.3.4. Machine asynchrone à double alimentation « MADA »

a). Structure de la MADA
Dans cette configuration le stator de la machine asynchrone est connecté directement
au réseau et le convertisseur de puissance se trouve sur le circuit rotorique (Figure
(I.7)). La commande du redresseur permet de contrôler le fonctionnement de la
génératrice en imposant la tension des enroulements rotoriques. La commande de
l’onduleur permet de maintenir constante la tension du bus continu [BOU15].
Energie
Réseau
Multiplicateur
MADA
CCM CCR
AC DC
DC AC
Commande
Figure I.7 : Eolienne utilisant une machine asynchrone à double alimentation (MADA).
b). Principe et mode de fonctionnement de la MADA

La machine asynchrone à double alimentation que nous allons étudier est une
machine asynchrone triphasée à rotor bobiné muni de bagues. Dans le cas où les
nombres de pôles du stator et du rotor sont identiques, le rotor tourne à la vitesse de
glissement (ωsr) par rapport au stator:
ωsr  ωs _ ωr (I.1)
Avec: ωs , ωr et ωsr sont respectivement, les pulsations des fréquences: statorique,
rotorique et de glissement. Dans ce cas, le glissement est défini par la relation suivante:
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.
Régime synchrone : ( ωs = ωr ⇒ g=0), lorsque la vitesse mécanique du rotor atteinte la

vitesse du synchronisme, la fréquence fr du rotor s’annule. Dans ce cas, le rotor tourne
avec la même vitesse que celle du flux statorique ; donc le rotor ne "voit" aucun
mouvement relatif par rapport à ce dernier ( ωsr =0), par conséquent il n’y a aucune
tension induite dans les enroulements du rotor.
Régime hyper-synchrone : ( ωs < ωr ⇒g<0), par davantage d'accélération, le flux

rotorique rattrape le flux statorique et le glissement devient négatif, ce que signifie que
l'ordre de succession de phase du rotor s’inverse. L'augmentation de la vitesse relative
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.
Figure I.8 : Les quatre modes de fonctionnement de la MADA.
c). Avantage et inconvénient
-Elle présente une puissance massique -Oscillations mécaniques.

légèrement plus élevée que les autres -Commande complexe.
machines de grandes puissances. -Elle est plus volumineuse qu'une MAS
- Fonctionnement possible à couple à cage de puissance équivalente grâce à
constant au-delà de la vitesse nominale. la présence du système bagues-balais.
-Garantissant ainsi un
dimensionnement réduit des
convertisseurs statiques (30% de la
puissance totale).
-L’accessibilité au stator et au rotor
offre l’opportunité d’avoir une grande
flexibilité et précision au contrôle du
flux et du couple électromagnétique, et
par conséquent pour bien contrôler le
transfert des puissances active et
réactive.
-La MADA réunit les avantages de la
machine synchrone et de la machine
asynchrone (fonctionnement à vitesse
de rotation variable).
-Régulation découplée des puissances
active et réactive).
.
Tableau I.4 : Avantages et inconvénients de la génératrice asynchrone double
alimentation
I.4. Modélisation d’un système éolien à base de MADA
Le schéma de l’éolienne basée sur une MADA connectée au réseau, incluant les
différentes grandeurs mécaniques et électriques servant à la modélisation de la chaîne
de conversion électromécanique, est illustré à la figure(I.9).
Figure I.9 : Système de conversion d’énergie éolienne à base de la MADA.
I..41. Modèle du vent

Le vent est le vecteur énergétique d’entrée d’une chaîne éolienne, déterminant pour
le calcul de la production de l’électricité, donc pour la rentabilité. Les propriétés
dynamiques du vent sont capitales pour l’étude de l’ensemble du système de conversion
d’énergie car la puissance éolienne, dans les conditions optimales, est au cube de la
vitesse du vent [DJE15], [LAT12].
Dans cette étude, nous avons représenté l’évolution de la vitesse du vent, comme
suit :
i
v(t)  a0  ∑ sin( bn . w n .t ) (I.3)
n1
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
15
Vitesse du vent (m/s)

10
5
0 0.5 1 1.5 2 2.5 3 3.5 4
Temps (s)
Figure I.10 : Simulation du profile de la vitesse du vent.
a). Loi de Betz

Considérons le système éolien à axe horizontal représenté par la figure(I.11) sur
lequel on a représenté la vitesse du vent V 1 en amont de l'aérogénérateur et la vitesse
V 2 en aval.
Figure I.11 : Tube de courant autour d'une éolienne.

En supposant que la vitesse du vent traversant le rotor est égale à la moyenne entre la
vitesse du vent non perturbé à l'avant de l'éolienne V 1 et la vitesse du vent après
V1  V 2
passage à travers le rotor V 2 soit la masse d'air en mouvement de densité ρ
2
traversant la surface S des pales en une seconde est :
ρS ( V1 + V2 )
m= (I.5)
2
La puissance Pm alors extraite s'exprime par la moitié du produit de la masse et de la

diminution de la vitesse du vent (seconde loi de Newton) :
m( V12 - V22 )
Pm = (I.6)
2
Soit en remplaçant m par son expression dans (I.6) :

ρS ( V1 + V 2 )( V12 - V 22 )
Pm = (I.7)
4
Un vent théoriquement non perturbé traverserait cette même surface S sans

diminution de vitesse, soit à la vitesse V 1 , la puissance Pmt correspondante serait alors:
ρSV13
Pmt = (I.8)
2
Le ratio entre la puissance extraite du vent et la puissance totale théoriquement

disponible est alors :
  V1    V1 
2
 
1     1 -  
 V 
Pm   2    V2  

 (I.9)
Pmt 2
La figure(I.12) présente l’évolution du ratio Pm / Pmt en fonction de v2/v1. On

s’aperçoit que ce ratio appelé aussi coefficient de puissance Cp présente un maximale
16/27 soit 0.59. C’est cette limite théorique appelé limite de Betz qui fixe la puissance
maximale extractible pour une vitesse de vent donnée. Cette valeur n’est en réalité
jamais atteinte et chaque éolienne est définie par son propre coefficient de puissance
exprimé en fonction de la vitesse relative λ représentant le rapport entre la vitesse de
l'extrémité des pales de l'éolienne et la vitesse du vent [DJE09].
Figure I.12: Coefficient de puissance.
I..42. Modélisation de la turbine éolienne

Afin de modéliser la turbine, nous appuierons sur un certain nombre d’hypothèses
simplificatrices, qui sont le plus couramment considérées. Ainsi nous supposerons que
[DJE15] :
 Les trois pales sont considérées de conception identique et possèdent donc la
même inertie, la même élasticité et le même coefficient de frottement par rapport
à l’air.
 Les trois pales sont orientables et présentent toutes un même coefficient de
frottement par rapport au support.
 La répartition de la vitesse du vent est uniforme sur toutes les pales, et
donc une égalité de toutes les forces de poussée.
 Le coefficient de frottement des pales par rapport à l’air est négligeable.
 La vitesse de la turbine étant très faible, donc les pertes par frottement de
la turbine sont négligeable par rapport aux pertes par frottement du côté de la
génératrice.
a). Modèle aérodynamique des pales
A partir de l’énergie cinétique des particules de la masse d’air en mouvement passant

par la section de la surface active S de la voilure, la puissance de la masse d’air qui
traverse la surface équivalente à la surface active S de l’éolienne est donnée par :
ρ .S .Vv3
Pv  (I.10)
2
Où : ρ est la densité de l’air (approx. 1,22 kg /m 3 à la pression atmosphérique à 15°C).
S est la surface circulaire balayée par la turbine.
𝑉𝑣 Est la vitesse du vent.
Selon la loi de Betz, cette puissance ne pourra jamais être extraire dans sa totalité. La
puissance maximale pouvant être recueillie par une éolienne est égale à la limite de Betz
:
16
Pt = . p = 0.59. pv (I.11)
27 v
Sous cette forme, la formule de Betz montre que l’énergie maximale susceptible
d’être recueillie par un aérogénérateur ne peut dépasser en aucun cas 59% de l’énergie
cinétique de la masse d’air qui le traverse par seconde. De cette façon, le coefficient de
puissance maximal théorique est défini comme suit :
pt 2. pt
C opt
p = = (I.12)
pv S .ρ.V v3
En réalité, jusqu’à présent, seulement 60 à 70% de cette puissance maximale

théorique peut être exploitée par les engins les plus perfectionnés. Ce rendement, appelé
coefficient de puissance Cp de l’éolienne, est propre à chaque voilure. Ce coefficient lie la
puissance éolienne à la vitesse du vent [BOU15] :
2. peoi
Cp = (I.13)
S .ρ .V v3
Pour décrire la vitesse de fonctionnement d’une éolienne, une grandeur spécifique

est utilisée dite vitesse relative λ, qui est un rapport de la vitesse linéaire en bout de
pales
de la turbine et de la vitesse du vent :
R . Ωt
λ= (I.14)
Vv
Où : Ωt est la vitesse de la turbine.

Connaissant la vitesse de la turbine, le couple aérodynamique est donc directement
déterminé par [MES17] :
Pt 1
Ct = = ρπR 3V 2C c ( λ , β ) (I.15)
Ωt 2
Où : Cc représente le coefficient du couple :

Cp
Cc = (I.16)
λ
b). Modèle analytique du coefficient de puissance
D’après Betz, le coefficient de puissance Cp ne peut être supérieur à 16/27. Le
coefficient Cp diffère pour chaque éolienne, il dépend de l’angle d’inclinaison des pales β
et du rapport de vitesse λ. Des approximations numériques ont été développées dans
la littérature pour modéliser le coefficient Cp et différentes expressions ont été
proposées.
Dans le cadre de ce mémoire, nous utiliserons une expression approchée du
coefficient de puissance en fonction de la vitesse relative λ et de l’angle de calage des
pales β dont l’expression a pour origine des travaux de Siegfried Heier. Ce dernier
présente une formule analytique pour le calcul de Cp = f (λ, β) pour des éoliennes à
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
Figure I.13 : Coefficient de puissance Cp en fonction de λ pour différents β.
D’après la Figure (I.13) on observe que la valeur maximale de la courbe ne dépassera

jamais la limite théorique de Betz (0,59). Il est alors possible d’élaborer des lois de
commande qui permettent de capter la puissance maximale quel que soit la vitesse
du vent jusqu’à la puissance nominale de la génératrice où la puissance extraite est
limitée à cette valeur. Ceci peut être réaliser à l’aide de l’algorithme MPPT «
Maximum Power Point Tracking» permettant d’imposer un couple de référence.
Néanmoins, l’angle d’orientation des pales β est maintenu constant.
L'équation (I.14) montre que pour maintenir λ à sa valeur optimale, et donc
maximiser la puissance de la turbine éolienne, il faut varier la vitesse de rotation Ω t De
manière linéaire avec la vitesse du vent V. Dans ce cas, la vitesse de rotation optimale
opt
Ωt pour la transmission mécanique maximale de la turbine éolienne est donné par :
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)
Figure I.14 : Puissance aérodynamique générée par la turbine éolienne.
La Figure (I.14) montre ainsi tout l'intérêt du fonctionnement à vitesse variable

d'un aérogénérateur. Il permet en effet par un réglage adapté de maximiser la puissance
de la turbine pour chaque valeur de la vitesse du vent sur le site et donc la
production annuelle d'énergie .
Pour une vitesse de vent donnée, il existe deux grandeurs contrôlables pour la
puissance d'une turbine éolienne : la vitesse de rotation et l'angle de calage des pales β
par rapport à la direction du vent.
c). Coefficient du couple
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
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
Figure I.15 : Coefficient du couple Cc en fonction de λ pour différentes valeurs de β.
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
La Figure (I.16) montre la caractéristique du couple aérodynamique optimal de la

turbine étudiée en fonction de la vitesse de rotation de la génératrice pour les
différentes vitesses du vent.
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)
Figure I.16: Caractéristique du couple aérodynamique de la turbine.
d). Modèle de la partie mécanique

La partie mécanique de la turbine comprend trois pales orientables et de longueur R.
Elles sont fixées sur un arbre d’entrainement tournant à une vitesse de rotation Ωt, relié
à un multiplicateur de gain G. Ce multiplicateur entraîne la génératrice électrique à une
vitesse Ωg. Sur la base des hypothèses simplificatrices mentionnées dans la section I..42,
on obtient alors un modèle mécanique constitué de deux masses comme l’illustre la
Figure (I.17) .
Figure I.17: Modèle mécanique de la turbine éolienne.
e). Modèle du multiplicateur

Le multiplicateur de vitesse est la liaison entre la turbine et le générateur. Il a pour
but d’adapter la vitesse de la turbine Ωt, assez lente à celle que nécessite la génératrice
Ωg.
Ct
Cg = (I.22)
G
Ωg
Ωt = (I.23)
G
f). Modèle de l’arbre mécanique

La masse de la turbine éolienne est reportée sur l’arbre de la turbine sous la forme
d’une inertie Jt et comprend la masse des pales et la masse du rotor de la turbine. Le
modèle mécanique proposé considère l’inertie totale J constituée de l’inertie de la
turbine reportée sur le rotor de la génératrice et de l’inertie de la génératrice Jg.
Jt
J= 2
+ Jg (I.24)
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
Où : Cem est le couple électromagnétique de la MADA ; Cf est le couple de frottement

visqueux qui est donné par la relation suivante :
C f = f v . Ωg (I.26)
Le schéma bloc correspondant à la modélisation de la turbine éolienne se déduit

aisément à l’aide des équations ci-dessus et il est représenté par la Figure(I.18).
Turbine Multiplicateur Arbre mécanique
λ
β
⍴π
Figure I.18 : Schéma bloc du modèle de la turbine.
I.5. Stratégie de maximisation de puissance « MPPT»

I.5.1. Algorithmes de maximisation de la puissance extraite
Les éoliennes utilisées pour la production d’électricité doivent permettre de produire
un maximum de puissance en exploitant au mieux l’énergie disponible dans le vent, dont
l’objectif de la commande à vitesse variable de la MADA. On distingue deux familles de
structures de commande pour la maximisation de la puissance extraite [MES17] :
 Le contrôle avec asservissement de la vitesse mécanique.
 Le contrôle sans asservissement de la vitesse mécanique.
Dans notre travail, on s’intéressant à la première technique c'est-à-dire :
I.5.2. Contrôle MPPT avec asservissement de la vitesse mécanique

La nature fluctuante du vent engendre des perturbations dans le système de
conversion éolien, et crée des variations continues de puissance. De cet effet, il est
supposé que le couple électromagnétique développé par la machine est égal à sa valeur
de référence quel que soit la puissance générée :
C g  C *g (I.27)
Selon L’équation fondamentale de la dynamique permettant de déterminer

l’évolution de la vitesse mécanique à partir du couple mécanique total appliqué au rotor,
on peut régler cette vitesse à une référence. Ceci est obtenu en utilisant un
asservissement adéquat de vitesse pour avoir un couple électromagnétique de
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) :
Turbine Multiplicateur Arbre mécanique
λ
β
⍴π
PI Contrôle MPPT
Figure I.19 : Contrôle MPPT avec asservissement de la vitesse mécanique.
I.5.3. Résultats obtenus par simulation
350
15 Réelle
300 Référence
Vitesse mecanique (rad/s)

250
Vitesse du vent (m/s)
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 )
Figure I.20 : Résultats de simulation du MPPT avec asservissement de vitesse.
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.
I.6. Modélisation de la MADA

I.6.1. Hypothèses simplificatrices
La machine asynchrone à double alimentation (MADA), avec la répartition de ses
enroulements et sa géométrie propre est très complexe pour se prêter à une analyse
tenant compte de sa configuration exacte. De ce fait, la mise en équations nous impose
certaines hypothèses simplificatrices, dans le but d’établir un modèle simple, qui sont
[KAB13] :
 La machine est de constitution symétrique.
 On suppose que le circuit magnétique est parfaitement feuilleté au stator et au
rotor
et que la densité du courant peut être considérée comme uniforme dans la
section des conducteurs élémentaires (absence d’effet pelliculaire).
 Les résistances des enroulements ne varient pas avec la température.
 On suppose que le circuit magnétique n’est pas saturé, condition nécessaire pour
considérer le flux comme fonction linéaire du courant.
 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.
I.6.2. Modèle de la MADA dans le repère triphasé
La représentation schématique d’une machine triphasée asynchrone à double

alimentation dans le repère triphasé est donnée par la Figure (I.21).
Figure I.21 : Représentation de la MADA dans le système triphasé.
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]:
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 33  ms ls ms  Lr 33  mr
 lr mr 
ms ms ls  mr mr lr 
 cos  cos   2 / 3 cos   2 / 3

Lm 33  m  T
 msr 33 
 M cos   2 / 3 cos  cos   2 / 3
rs 33
cos   2 / 3 cos   2 / 3 cos  
Avec :
s 31  sa ,sb ,sc T : Vecteur des flux instantanés des phases a, b et c statoriques .
r 31  ra ,rb ,rc T : Vecteur des flux instantanés des phases a, b et c rotoriques .
I s 31  isa , isb , isc T : Vecteur des courants instantanés des phases a, b et c statoriques .
I r 31  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
Vs 31  Rs 33  I s 31  d

 s 31 (I.34)
dt
 Au rotor
Vr 31  Rr 33  I r 31  d  r 31 (I.35)

dt
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 
Avec : Rs et Rr: Les résistances des enroulements statoriques et rotoriques de la MADA,

respectivement.
I.6.3. Modèle de MADA dans le repère de Park

La machine asynchrone est une machine fortement couplée, sa représentation dans le
système triphasé est par conséquent particulièrement complexe. Pour mieux
représenter le comportement d’une machine asynchrone, il est nécessaire de faire appel
à un modèle précis et suffisamment simple. Nous allons maintenant décrire la
modélisation dans un repère tournant diphasé d,q en utilisant la transformation de Park
permettant la conservation des puissances [MES17], [ADJ11].
Pour réaliser cette transformation on utilise les matrices de Park directe et
inverse [DJE15] :
 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 
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.
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)
Les vitesses angulaires de rotation sont obtenues telles que :
 d θs
 dt  ωs

 d θr
  ωr (I.41)
 dt
 d θsr
 dt  ωsr

Avec : ωs, ωr et ωsr représentent respectivement : les vitesses de pulsation statorique,

rotorique et de glissement de la MADA.
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)
 Le flux magnétique statorique peut s’écrire sous la forme suivante :
 sd  Ls isd  Lm ird
 (I.44)
 sq  Ls isq  Lm irq
 Le flux magnétique rotorique peut s’écrire sous la forme suivante :
rd  Lr ird  Lm isd

 (I.45)
rq  Lr irq  Lm isq
 Les puissances actives et réactives statoriques et rotoriques s’expriment par :
 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
Le couple électromagnétique peut être obtenu à l’aide du bilan de puissance. Il existe

plusieurs expressions du couple électromagnétique toutes égales :
3 Lm
Cem  p ( sq ird   sd irq ) (I.48)
2 Ls
Avec : p est le nombre de paires de pôles de la MADA.
I.6.4. Modèle simplifié de la MADA

Afin de plus simplifier le modèle de la MADA, on oriente le flux statorique sur l’axe
« d » du repère de Park, ce qu’on appelle la technique d’orientation du flux statorique
(OFS). Celle-ci est montrée par la Figure(I.23).
Figure I.23 : Orientation du flux statorique.
Souvent dans le cas d’une MADA de moyenne et de grande puissance, la résistance

statorique Rs est négligée lors de la synthèse de son modèle sous l’hypothèse
d’orientation du flux statorique [DJE15]. En adoptant donc l’hypothèse d’une résistance
statorique Rs négligeable et que le flux statorique est constant (cette condition est
assurée dans le cas d’un réseau stable connecté au stator de la MADA), et orienté selon
l’axe « d », on déduit :
sq  0
 (I.49)
sd  s
v sd  0
 (I.50)
v sq  Vs   s s
s  Ls isd  Lmird

 (I.51)
 0  Ls isq  Lmirq
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).
En remplaçant l’expression des flux rotoriques de l’équation précédente (I.53)

par leurs expressions dans l’équation (I.43), on obtient
 d
v rd  Rr ird  Lr ird  g sLr irq
 dt
(I.54)
 d L V
v rq  Rr irq  Lr irq  g sLr ird  g m s

 dt Ls
En régime permanent, les termes faisant intervenir les dérivées des courants
rotoriques diphasés disparaissent, nous pouvons donc écrire :
vrd  Rr ird  g sLr irq


 LmVs (I.55)
vrq  Rr irq  g sLr ird  g L
 s
Où g correspond au glissement de la machin asynchrone, et le terme (gLmVs/Ls)

représente une force électromotrice dépendante de la vitesse de rotation. Son influence
n'est pas négligeable car elle entraîne une erreur de traînage. Le contrôle du système
devra donc prendre en compte cette erreur.
L'adaptation des équations des puissances (I.46) au système d'axes choisi et aux
hypothèses simplificatrices effectuées dans notre cas (vsd=0) donne :
 3
 Ps  2 Vs isq
 (I.56)
Q  3 V i
 s 2 s sd
En remplaçant les courants statoriques par leurs valeurs de l'équation (I.52)

dans l'équation (I.54) nous obtenons les expressions suivantes pour les puissances
active et réactive:
 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 Lss 
Compte tenu du repère choisi et des approximations faites et si l'on considère

l'inductance magnétisante Lm comme constante (entrefer constant), le système
obtenu lie de façon proportionnelle la puissance active au courant rotorique d'axe q et
la puissance réactive au courant rotorique d'axe d à la constante 3Vs2 / 2 Ls s près
imposée par le réseau.
En remplacent (I.48) dans (I.46), le couple de la MADA aura pour expression :
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.
Figure I.24 : Schéma bloc du modèle simplifié de la MADA.
I.7. Association de la MADA aux convertisseurs statiques

L’avantage principal de l’utilisation de la MADA dans les éoliennes est la
possibilité de travailler à vitesse variable, cela grâce à la chaîne du rotor
constituée d’un redresseur et d’un onduleur liés directement au rotor de la
génératrice.
Cette configuration permet un contrôle des grandeurs de sortie comme la puissance
active liée à la vitesse de rotation de l’éolienne et la puissance réactive. Le convertisseur
n’étant pas sur le chemin principal du flux de puissance, il est dimensionné au voisinage
de 25% de la puissance nominale.
Le sujet de cette mémoire consiste à concevoir des stratégies de commande

d’un système de conversion éolien, connecté au réseau reposant sur une MADA
pilotée par le rotor via deux convertisseurs à MLI, réversibles (un côté rotor CCM et
l’autre côté réseau CCR) en mode back-to-back, réalisant l’interface électrique entre le
rotor de la machine et le réseau (Figure (I.25)).
Figure I.25 : La structure AC-DC-AC (en anglais « back-to-back »).
Comme l’indique la Figure(I.25), le stator de la génératrice est directement connecté

au réseau alors que son rotor est alimenté par le réseau via deux convertisseurs
statiques permettant le redressement et l’ondulation de la tension.
Pour assurer à l’onduleur une tension continue stable, on crée un bus intermédiaire
de tension continue. Celui-ci est géré par un redresseur alimenté à travers un
transformateur par le système triphasé du réseau électrique supposé symétrique
avec des tensions à amplitude et fréquence imposées et constantes. Après le
redressement un étage de filtrage est nécessaire afin de stabiliser la tension.
La commande du convertisseur statique branché au réseau « CCR » consiste à réguler
le bus continu intermédiaire quelle que soit la puissance générée par le système de
conversion sous fréquence variable, tout en assurant un facteur de puissance unitaire du
coté alternatif. Tandis que, le convertisseur statique branché au rotor de la MADA « CCM
» est utilisé pour la gestion des puissances actives et réactives de la machine.
I.7.1. Modélisation du convertisseur côté rotor « CCM»

Les convertisseurs statiques permettent par un contrôle adéquat des signaux de
commande des interrupteurs, d’imposer à la machine des ondes de tensions cotées
rotoriques à amplitudes et fréquences variables. La structure du convertisseur statique
qui alimente le rotor de la machine est constituée essentiellement, d'un pont redresseur
(AC/DC), après redressement, la tension de l’étage continu est filtrée par des
composants passifs (LC), pour être finalement appliquée à l’onduleur.
a).Modélisation de l’onduleur triphasé à MLI

L’onduleur est un convertisseur d’électronique de puissance qui permet la conversion
continue alternative. Il fonctionne en commutation forcée et conçu généralement à base
de transistors. Sa commande peut être réalisée par la technique classique ou par la
technique de Modulation de Largeurs d’Impulsions (MLI). L’onduleur c’est le cœur du
système d’alimentation. Il est formé de trois bras indépendants portant chacun deux
interrupteurs. Un interrupteur est composé d'un transistor et d'une diode en
antiparallèle. Il permet d’imposer à la machine des tensions ou des courants à amplitude
et fréquence variables [ELB09].
Figure I.26 : Représentation schématique d’un onduleur de tension alimente le rotor de

la 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.
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 ».
Vab  Vao  Vob  Vao  Vbo


Vbc  Vbo  Voc  Vbo  Vco (I.60)
V  V  V  V  V
 ca co oa co ao
Soit « n » le point neutre du côté alternatif (MADA), alors on a :
Vao  Van  Vno


Vbo  Vbn  Vno (I.61)
V  V  V
 co cn no
La charge est considérée équilibrer, il l’en résulte :
Van  Vbn  Vcn  0 (I.62)
La substitution de (I.63) dans (I.64) nous donne :

1
Vno  (Vao  Vbo  Vco ) (I.63)
3
En remplaçant (I.61) dans (I.59) on obtient :
 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 :
Van   2  1  1 S a 
  U   
Vbn   3  1 2  1 S b  (I.65)
Vcn   1  1 2  S c 
Avec : V ao , V bo , V co comme les tensions d’entrée de l’onduleur (valeurs continues), et si
V an , V bn , V cn sont les tensions de sortie de cet onduleur, par conséquent l’onduleur est
modélisé par la matrice du transfert T donnée par :
 2  1  1
T   1 2  1
1
(I.66)
3
 1  1 2 
b). Modulation de largeur d'Impulsion (MLI)

Elle consiste à convertir une modulante (tension de référence au niveau de
commande), généralement sinusoïdale, en une tension sous forme de créneaux
successifs, générée à la sortie de l’onduleur (niveau puissance). Au niveau électronique,
son principe repose sur la comparaison de la modulante avec la porteuse (tension à
haute fréquence de commutation). La valeur du rapport de fréquences entre la porteuse
triangulaire (ou en dents de scie) et la modulante procède d’un compromis entre une
bonne neutralisation des harmoniques et un bon rendement de l’onduleur.
Les techniques de modulation sont nombreuses, les plus utilisées sont : la naturelle,
l’optimisée (élimination des harmoniques non désirés), la vectorielle et la modulation à
bande d’hystérésis. Dans notre travail, parmi les techniques de modulation précitées la
technique MLI sinus-triangulaire sera utilisée en se basant sur la comparaison entre
deux signaux (voir la Figure (I.27)) :
Figure I.27 : Principe de commande en MLI sinus-triangulaire.
 Le premier c’est le signal de référence qui représente l’image de la sinusoïde

qu’on désire à la sortie de l’onduleur, ce signal est modulable en amplitude et en
fréquence.
 Le second qui est appelé signal de la porteuse définit la cadence de la
commutation des interrupteurs statiques de l’onduleur. C’est un signal de haute
fréquence par rapport au signal de référence. [MES17].
On peut régler la tension de sortie de l’onduleur en agissant sur l’indice d’amplitude

V mod :
Vm
Vmod  (I.67)
Vp
V p : Valeur de crête de la porteuse.
Vm : Valeur maximale de la tension de référence.
Ainsi on peut agir sur l’indice de modulation m :

fp
m= (I.68)
fm
f p : Fréquence de la porteuse.
f m : Fréquence de la modulante.
V DC : La tension continue à l’entrée de l’onduleur.
I.9. Résultats obtenus par simulation

Afin d’observer le comportement de la MADA de 1.5 MW de puissance (Annexe
A), cette dernière a été simulée sous MATLAB/SIMULINK. Son modèle est basé sur
les équations obtenues avec la transformation de Park dans le référentiel liée au champ
tournant. La MADA est couplée mécaniquement avec la turbine éolienne à travers le
multiplicateur de vitesse.
Electriquement, elle est reliée directement au niveau du stator avec un réseau
triphasé de fréquence de 50Hz et une valeur tension efficace de398V; tandis que son
rotor est alimenté par un onduleur de tension commandé par MLI-ST dont l’amplitude
est de 20V et la fréquence égale à la fréquence rotorique 14Hz (m=25 et r=0.9). La
Figure (I.28) montre les résultats de simulation obtenus.
La Figure (I.28-a) : on remarque qu’après un régime transitoire qui dure moins de

0.1s, la puissance active de la MADA tende vers une valeur de -1.1MW (le signe négatif
signifié que la MADA génère la puissance active). Concernant la puissance réactive Qs
(Figure (I.28–b)), elle tende vers la valeur 0.68 MVAr, cela veut dire que la MADA
absorbe la puissance réactive nécessaire à la magnétisation de la machine (création su
champ tournant).
Dans les Figures I.28 -(c, d), On voit que Les courant rotorique et statorique générés
par la MADA sont des courant sinusoïdaux, on observe dans le courant rotorique à
l’instant t= 0.42 s un passage du mode hypo-synchrone au mode hyper-synchrone, c’est
à ce moment-là que le glissement g sera nul, ce qui implique que la puissance active au
niveau du rotor sera nulle aussi par la relation Pr = -g.Ps.
Le couple électromagnétique appliqué au niveau de l’arbre de la MADA est illustré par
la Figure (I.28–e), il est de -7000 N.m environ (le signe négatif signifié que c’est un
couple reçu par la turbine éolienne après le multiplicateur de vitesse).
La Figure (I.28-f) montre la vitesse de rotation mécanique du rotor de la génératrice,
elle prouve le passage du mode hypo-synchrone au mode hyper-synchronie de la vitesse
de rotation de la MADA (à travers le point de g=0).
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)
3000
3000
Pr=0,g=0
2000
2000
Courant statorique Is (A)
Courants rotoriques Ir (A)

1000 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 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)
Figure.I.28 : Comportement de la MADA intégrée au système éolien.
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
fonctionnement optimale, permettant à l’éolienne d’extraire le maximum de puissance

disponible dans le vent. Une méthode de contrôle MPPT a été examinée et détaillée en
utilisant un régulateur PI.
Ensuite, nous avons développés le modèle de la MADA dans le repère de Park lié au
champ tournant statorique. Ce modèle a été développé dans le cadre de certaines
hypothèses simplificatrices. Lors de cette modélisation, nous nous sommes attachés
à développer un modèle simplifié en vue de la commande de la MADA.
Enfin, nous avons donnés un aperçu sur le convertisseur coté machine « CCM » utilisé
pour l’alimentation du rotor de la MADA. Ce convertisseur a été commandé par la
technique de modulation de largeur d’impulsion sinus-triangle. Les résultats de
simulation attestent favorablement la modélisation proposée.
Le prochain chapitre sera consacré au contrôle séparé et indépendant des puissances
active et réactive statoriques de la MADA en utilisant la commande par mode glissant
conventionnelle.
Chapitre II
Commande par mode glissant de la MADA
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
mode glissement connue par sa simplicité et sa robustesse.
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.
II.2. Commande par mode glissant : concepts de base

II.2.1. Définition des systèmes à structure variable
Le terme « systèmes à structure variable » apparaît à cause de la structure
particulière du système ou régulateur utilisé, où cette structure change d’une façon
discontinue entre deux ou plusieurs structures.
 Définition : Un système est dit à structure variable s’il admet une représentation
par des équations différentielles de type :
F1 ( X ,t ) Si la condition (1) est vérifiée


.
.
X  (II.1)
.
Fn ( X ,t ) Si la condition (n) est vérifiée
Où X est le vecteur d’état et les fonctions Fi appartiennent à un ensemble de sous-
systèmes de classe C1 au moins, et appelées structures. En effet, il y a commutation entre

ces différentes structures suivant la condition vérifiée.
Les circuits de conversion de puissance constituent un exemple pratique d’un
système à structure variable. En effet, pour chaque position de l’interrupteur, le système
est gouverné par un système d’équations différentielles. [BOU15].
II.2.2. Structures de la commande par mode glissant

Dans les systèmes à structure variable utilisant la commande par mode glissant, on
peut trouver trois configurations de base pour la synthèse des différentes commandes.
Lapremière correspond à la structure la plus simple où la commutation a lieu au niveau
de l'organe de commande lui-même. On l'appellera, structure par commutation au
niveau de l'organe de commande. La deuxième structure fait intervenir la commutation
au niveau d’une contre-réaction d'état. Enfin, la dernière forme est une structure par
commutation au niveau de l'organe de commande avec ajout de la "commande
équivalente". Cette dernière est retenue pour la suite de notre étude. [BOU15].
a). Structure par commutation au niveau de l’organe de commande

Cette structure de commande figure (II.1).est la plus classique et la plus utilisée. Elle
correspond au fonctionnement tout ou rien des interrupteurs de puissance associés
dans unegrande majorité d’application aux variateurs de vitesse. [TAR15].
Figure II.1 : Structure de régulation par commutation au niveau de l’organe de

commande.
b). Structure par commutation au niveau d’une contre réaction d’état

Nous pourrons consulter le schéma d’une telle structure sur la Figure(II.2).
Figure II.2 : Structure par commutation au niveau d’une contre réaction d’état.
D’après des études menées précédemment, c’est la structure la moins exigeante au

niveau de la sollicitation de la commande. Elle a été mise en œuvre dans la commande
des moteurs à courant continu et à aimants permanents, ainsi que dans la commande
des machines à induction. Cette structure s’appuie sur la commande par contre réaction
d’état classique où le réglage de la dynamique du système est réalisé par les gains de
réglage. La non-linéarité provient de la commutation entre les gains. Donc, on crée une
commutation au niveau de la dynamique du système. [BOU15]
c). Structure par commutation au niveau de l’organe de commande, avec

ajout de la commande équivalente
Une telle structure dont le principe est montré par la Figure(II.3), présente un
réel avantage. Elle permet de pré-positionner l’état futur du système grâce à la
commande équivalente qui n’est rien d’autre que la valeur désirée du système en régime
permanent. L’organe de commande est beaucoup moins sollicité, mais on est plus
dépendant des variations paramétriques du fait de l’expression de cette commande
équivalente [VID04].
Figure II.3 : Structure par commutation au niveau de l’organe de commande,

avec ajout De la commande équivalente.
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.
II.3. Principe de la commande par mode de glissement

La théorie des systèmes à structure variable est une technique de commande non
linéaire, elle est caractérisée par la discontinuité de la commande aux passages par une
surface de commutation appelée surface de glissement. La technique des modes
glissants consiste à amener la trajectoire d’état d’un système vers la surface de
glissement et de la faire commuter à l’aide d’une commutation appropriée autour de
celle-ci jusqu’au point d’équilibre.
La forme d’une commande à structure variable peut être donnée par :
U i

Si S i ( x )  0
Ui    (II.2)
U i Si S i ( x )  0
II.3.1. Fonction de commutation

La structure de commande est caractérisée par le signe d’une fonction vectorielle S(x)
appelée fonction de commutation. Dans le cas des modèles linéaires, la fonction de
commutation est choisie comme une fonction linéaire de l’état:
S(x)=[S1(x),S2(x),…,Sm(x)]=Cx Ou: C=[C1,C2,…,Cm].
Chaque fonction scalaire de commutation Sj(x) décrit une surface linéaire Sj(x) = 0.
II.3.2. Hyper-plan de commutation

La surface de commutation associée au système de commande à structure variable
défini précédemment Sj={xϵRn :Sj(x)=0}, j = 1,..., m est appelée hyper-surface de
glissement.
II.3.3. Régime glissant

Si pour tout vecteur d’état initial x(t0) ϵ S, la trajectoire d’état reste dans l’hyper-
surface Sj(x)= 0, x(t)ϵS ,∀t >t 0, alors x(t) est un mode glissant pour le système.
II.3.4. Surface de glissement

Si tout point de S est tel qu’il existe des trajectoires d’état hors de S, le contenant alors
de la surface de commutation S est appelée surface de glissement. La trajectoire dans le
plan de phase se compose de trois parties distinctes [MER16] :
La trajectoire d’état est amenée vers une surface (hyper-surface) puis, à l’aide de la loi
de commutation, elle est obligée de rester au voisinage de cette surface. Cette dernière
est dite surface de glissement. Le mouvement, produit le long de cette surface, est appelé
mouvement de glissement. (Voir la Figure (II.4)) [BOU15] :
Figure II.4 : Les modes de trajectoire dans le plan de phase du mode glissant.
a). Le mode de convergence (MC)

Durant lequel la variable à régler se déplace à partir de n'importe quel point du plan
de phase et tende vers la surface de commutation S(x)=0.
b). Le mode de glissement (MG)

Durant lequel la variable d'état atteint la surface de glissement et tende vers l'origine
du plan de phase.
c). Le mode régime permanent (MRP)

Il est ajouté pour l'étude de la réponse du système autour de son point d’équilibre.
II.4. Conception de la commande par mode glissant

La conception de cette commande peut être divisée en trois étapes principales très
dépendantes, ces étapes sont: [MES18]
 Le choix de la surface de glissement.
 L'établissement de condition d'existence.
 La détermination de la loi de commande.
II.4.1. Choix de la surface de glissement

J.J. SLOTINE a proposé une forme générale qui consiste à définir une fonction scalaire
des surfaces de glissement dans le plan de phase dans le but d'assurer la convergence
d'une variable d'état x vers sa valeur de consigne S* cette fonction est donnée par
l'équation [MER16] :
d
S( x )  (  λ x )r 1 e(x) (II.3)
dt
Avec :
e(x) : L'écart sur la variable à régler : e(x)  x*  x .
λ x : Un coefficient positif qui interprète la bonde passante du contrôle désiré.

*
X : Valeur désirée de référence.
r : est le degré relatif du système qui représente le nombre de fois qu'il faut dériver la
surface pour faire apparaître la commande.
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
La difficulté revient à un problème de poursuite de trajectoire dont l'objectif est de

garder S(x) à zéro. Ceci est équivalent à une linéarisation exacte de l'écart en respectant
la condition de convergence. La linéarisation exacte de l'écart a pour but de forcer la
dynamique de l'écart (référence sortie) à être une dynamique d'un système linéaire
autonome d'ordre « r » (Figure (II.5)) [MER16].
Figure II.5 : Linéarisation exacte de l’écart.
II.4.2. Condition d’existence de convergence

On réalise la condition de glissement afin de contraindre les points représentatifs de
la trajectoire à rester sur la surface de glissement. Nous retenons dans la littérature deux
conditions, celle-ci correspondent au mode de convergence de l'état du système
[TAR15]
a). Fonction directe de commutation :

C'est la première condition de convergence, elle a été proposée par EMTLIANOV et
UTKTN. Elle est donnée par :
 . (x)  0 lorsque S(x)  0

S (II.5)
.
S (x)  0 lorsque S(x)  0
A partir de ces deux inégalités en peut formuler la condition suivante :

.
S ( x )S ( x )  0 (II.6)
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)
b). Fonction de LYAPUNOV

Il s'agit de formuler une fonction scalaire positive V(x)>0 pour les variables d'état du
système, et de choisir la loi de commutation qui fera décroître cette fonction (i.e.
.
V ( x )  0 ). Elle est utilisée pour estimer les performances de la commande et l'étude de la
robustesse, et garantir la stabilité des systèmes non linéaires [BOU15].
En définissant la fonction de LYAPUNOV par :
1 2
V(x)  S (x) (II.8)
2
Et sa dérivée par :
. .
V ( x )  S ( x )S ( x ) (II.9)
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].
II.4.3. Calcul de la loi de commande

Une fois la surface de glissement est choisie, ainsi que le critère de convergence, il
reste à déterminer la commande nécessaire pour attirer la variable à régler vers la
surface, ensuite vers son point d'équilibre en maintenant la condition d'existence du
mode glissant. La commande doit commuter entre Umax et Umin, en fonction du signe de la
surface de glissement. Dans ce cas, des oscillations de très haute fréquence appelées «
Chattering » apparaissent dans le mode de glissement [MER16].
a). Définition des grandeurs de la commande
Nous posons donc :
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 .
La valeur continue Uéq prise par la commutation entre Umax et Umin.
La commande 𝑈𝑛 est déterminée pour garantir l'attractivité de la variable à contrôler

vers la surface de glissement et satisfaire la condition de convergence
.
S ( x ).S ( x )  0 (II.12)
b). Application de la commande
Nous nous intéressons au calcul de la commande équivalent et par la suite au calcul

de la commande attractive du système défini dans l'espace d'état par l'équation :
.
X ( t )  H ( X , t )  B( X , t )U ( t ) (II.13)
Le vecteur U est composé de deux grandeurs Ueq et Un soit :
U  U éq  U n (II.14)
Nous avons :
. ds S dX S .
S(x)   X  GH( X , t )  B( X , t )U( t ) (II.15)
dt X dt X
S ( x )  GH( X , t )  B( X , t )U eq ( t ) GB( X , t )U N

.
 (II.16)
Avec :
G : le gradient ( grad S)
En mode glissant et en régime permanant, la dérivée de la surface est nulle (car la

surface est égale à zéro). Ainsi, nous obtenons :
U eq ( t )  ( GB( X , t ) ) .GH ( X , t )
1
;UN  0 (II.17)
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 )  GB( X , t ) U N  (II.18)
Le problème revient à trouver Un tel que :
.
S(X) S ( x )  S(X) GB( X , t ) U N  0 (II.19)
La solution la plus simple est de choisir UN sous la forme de relais.
Figure II.6 : Définition de la fonction « Sign ».
L’utilisation de la fonction « sign » signifie que la commande Un commute entre deux

valeurs ±K avec une fréquence théoriquement infinie et se manifeste par des oscillations
autour de la surface de glissement S, ces derniers auront une amplitude d'autant plus
grande et une fréquence d'autant plus basse que les imperfections sont importantes.
Une fréquence d'oscillation infinie suppose des éléments idéaux de commutation (relais
sans seuil, ni hystérésis, ni retard de commutation), ce qui n'est pas le cas en pratique ;
ce phénomène est appelé phénomène de broutement (Chattering en anglais). Pour
remédier à ce problème qui peut aller jusqu'à détruire les équipements des systèmes, la
fonction discontinue « sign », est remplacée par des fonctions continues, en créant une
bande autour de la surface de glissement S [TAR15].
Dans ce cas, la commande s'écrit comme suit :
U N  K .sign(S( X )) (II.20)
On obtient donc :
.
S(X) S ( X )  S(X) GB( X , t )K .sign(S( X ) )  0 (II.21)
Le facteur GB( X ,t )est toujours négatif.
Le gain K est choisi positif pour satisfaire cette condition.
 Si K est très petit donc le temps de réponse sera très long.

 Si K est très grand donc il existe des fortes oscillations au niveau de l'organe de
la commande. Ces oscillations peuvent exciter les dynamiques négligées
(phénomène de Chattering).
II.5. Phénomène de broutement ‘’CHATTERING’’

Un régime glissant idéal nécessite une commande de fréquence de commutation
infinie. Évidemment, pour une utilisation pratique, seule une commutation à une
fréquence finie est possible, ce qui cause un retard entre la mesure de la sortie et le
calcul de la commande, qui peut être amplifié si le système présente naturellement des
retards ou des dynamiques négligées. Cela conduit le système à quitter la surface de
glissement sans que la commande ne puisse réagir, puis, une fois le signe de la
commande inversé, à revenir sur cette surface et passer de l’autre côté, et ainsi de suite.
Ainsi, durant le régime glissant, les discontinuités appliquées à la commande peuvent
entraîner des oscillations de haute fréquence de la trajectoire du système autour de la
surface de glissement. Ce phénomène est appelé broutement ou "Chattering" en anglais.
Les principales causes de ce phénomène sont :
- les retards purs en série avec le système en boucle ouverte (retards inhérents au
système, échantillonnage, ...).
- les dynamiques non modélisées des capteurs et des observateurs, qui retardent le
moment où le régulateur prend conscience qu’il faut inverser la commande.
- les dynamiques non modélisées des actionneurs et autres dynamiques rapides du
système, qui retardent le moment où la commande est suffisamment forte pour
rapprocher le système de la surface de glissement.
Tous ces phénomènes ont globalement l’effet de retarder l’application effective de la
commande permettant de ramener le système sur la surface de glissement à partir du
moment où il l’a quitté.
On parle aussi de chattering pour désigner l’oscillation de haute fréquence de la

commande (et non plus de la variable de glissement). Une autre cause de chattering,
notamment sur la commande, est le bruit de mesure. En effet, une erreur de mesure
quand l’état est très proche de la surface de glissement peut entraîner une erreur de
signe de la commande, car il se peut que cette dernière croit alors que le système se
trouve de l’autre côté de la surface. Ce phénomène est amplifié par la nécessité d’avoir
des observateurs ou dérivateurs rapides, donc filtrant peu la mesure.
Les phénomènes de chattering peuvent être si pénalisants que l’utilisation d’une loi
de commande par mode glissant peut, dans certaines applications être à proscrire, vu
que son utilisation peut dégrader les performances, voire conduire à l’instabilité à cause
du chattering sur la sortie. Le chattering de la commande, peut entraîner une usure
prématurée des actionneurs ou de certaines parties du système à cause de fortes
sollicitations. En excitant les modes propres des dynamiques non modélisées ou des
fréquences de résonance du système correspondant aux retards de commutation, cette
commande peut provoquer sur les systèmes mécaniques un bruit haut fréquence et des
oscillations préjudiciables à leur structure. Sur des systèmes autres que mécaniques, les
oscillations engendrées peuvent poser d’autres problèmes (réduction de précision,
créations d’ondes électromagnétiques néfastes ou autres ondes amplifiées par le
système,...). [BOU15].
Figure II.7 : Le phénomène de broutement
II.6. Application de la commande par mode glissant à la MADA

Pour contrôler les puissances, dans l'équation (II.3) on choisit r =1, l’expression de la
surface de contrôle des puissances active et réactive a pour forme :
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.
La dérivée de la surface est :
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) :
 * 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

Durant le mode de glissement et en régime permanent, on a :
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))
Pour vérifier la condition de stabilité du système, les paramètres K1 et K2 doivent être

positifs Afin d’atténuer tout dépassement possible des tensions des références Vrd et Vrq,
Il est souvent utile de rajouter un limiteur de tension qui s’exprime par [MES18] :
V rq
lim
 V max
rq sat(P)
 lim max (II.31)
V rd  V rd sat( Q )
La Figure (II.8) présente le schéma bloc de la commande des puissances statoriques

active et réactive de la MADA par mode glissant.
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)
Figure II.8 : Schéma bloc de la commande par mode glissant de la MADA.
II.7. Résultats de simulation

La commande par mode glissant des puissances active et réactive statorique de la
MADA a été validée par simulation numérique en utilisant le logiciel Matlab/Simulink.
Nous avons utilisé le même cahier de charges déjà présenté dans le chapitre précédent.
Une comparaison de la commande robuste par mode glissant de la MADA avec la
méthode indirecte (par PI classique) étudié dans travaux précédents : [MES17],
[TAR15] est établie ici. Les résultats de simulation obtenus sont présentés dans les
sections suivantes.
II.7.1. Résultat de simulation (pour une vitesse du vent fixe)
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)
(a) (b)
2000 3000
3000 1000
0 2000
Courants rotorique Ir (A)

2000 -1000
-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
Courants statorique Isd et Isq (A)

2500 Irq 500
Courants rotorique Idr et Iqr (A)
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.
II.7.2. Interprétation des résultats

D’après ces résultats, on remarque que les consignes de puissance sont bien suivies
par la MADA aussi bien pour la puissance active que pour la puissance réactive.
Le fonctionnement du contrôle de la puissance réactive nous a permis d’avoir une
puissance réactive négative (comportement capacitif) ou positive (comportement
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)).
II.7.3. Résultat de simulation (pour une vitesse du vent variable)

6
x 10
5 x 10
5 2
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)
3000 3000
2000 2000
Courant rotorique Ir (A)

1000 1000
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
courant rotorique ird et irq (A)

irq
-500 Isd 2000
Isq
-1000 1500
-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.
II.7.4. Interprétation des résultats

Dans ce test, on observe que la puissance active débitée par le stator (Figure(II.10.a))
possède la même allure que la puissance mécanique de la turbine (sa référence) qui
varie suivant la variation de la vitesse du vent grâce à la stratégie de commande MPPT
pour permettre à l’éolienne de fonctionner dans les conditions optimales. La puissance
réactive (Figure(II.10.b)) est nulle puisque nous désirons un fonctionnement à facteur
de puissance unitaire (cos(φ) = 1) (Figure(II.10.h))
Le couple électromagnétique de la génératrice (Figure(II.10.g)) varie selon le couple

produit par la turbine éolienne qui est en fonction de la vitesse du vent. Le courant du
stator (Figure(II.10.e)) est le résultat de la puissance active, puisque nous avons
considéré que le stator de la MADA relié à une source de tension parfaite (398V, 50Hz).
II.8. Test de robustess

Ce test a pour but de tester la robustesse de la commande par mode glissant vis-à-vis
les variations paramétriques de la MADA. Dans ce cas, nous allons effectuer une
diminution de l’inductance mutuelle de 60% de sa valeur nominale et une augmentation
de la résistance rotorique de 300% de sa valeur nominale (3 x Rr).
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)
Figure II.11 : Test de robustesse pour une augmentation de 300% Rr et une

diminution de 60% de Lm.
A Travers les résultats de simulation obtenus on remarque une grande robustesse

montrée par la commande par mode glissant vis-à-vis les variations paramétriques de la
MADA, contrairement à la commande vectorielle classique à base des régulateurs PI,
étudiée dans les travaux précédents : [MES17], [TAR15]. Car ce régulateur (PI) perd sa
robustesse particulièrement face à la diminution de 50% de l’inductance mutuelle, ceci
est dû à la forte intervention de l’inductance mutuelle (Lm) dans le calcul des gains de ce
correcteur [DJE15]. Le seul inconvénient de cette technique de commande est la
présence de l’effet de Chattering. Le test suivant présente une analyse harmonique des
courants délivrée par la MADA vers le réseau électrique.
II.9. Analyse harmonique (THD)

Afin de mieux illustrer l’effet de la commande par mode de glissant sur la qualité du
signale fourni par la MADA, une analyse spectrale des courants statorique et rotorique a
été réalisée.
Notons que cette mesure a été effectuée dans le cas du fonctionnement de l’éolienne à
vitesse du vent fixe. Pour 3 cycles de fonctionnement commençant par 0.1s .Les figures
(II.12–a) et (II.12–b) montrent respectivement le courant de la phase statorique et
rotorique envoyés par la MADA au réseau de distribution, ainsi leurs spectres
harmoniques. Ces résultats montrent que le taux de distorsion harmonique (THD) élevé
à cause de l’effet de Chattering.
FFT window: 3 of 50 cycles of selected signal

2000 FFT window: 3 of 15.15 cycles of selected signal
2000
1000
1000
0
0
-1000
-1000
-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)
Fundamental (50Hz) = 1776 , THD= 11.75%

1.8 Fundamental (15.15Hz) = 1900 , THD= 11.88%
1.6 3
1.4
2.5
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
poursuite en puissance est sans dépassement, le découplage, la stabilité et la

convergence vers l’équilibre sont assurés. De plus, ce réglage présente un algorithme de
commande robuste très simple et qui a l’avantage d’être facilement implanté.
Cependant, l’analyse de la forme d’onde des courants délivrés par la MADA en utilisant
la transformation rapide de Fourier (FFT), montre un taux de distorsion harmonique
(THD) élevé à cause de l’effet de Chattering.
Dans le but de réduire l’effet de Chattering causé par l’utilisation de la fonction
« sign » dans la composante discontinue de la loi de commande par mode glissant, le
chapitre suivant propose une hybridation de la commande par mode glissant et la
logique floue (FSMC).
Chapitre III
Commande hybride mode glissant- floue de

la MADA
D e ce qui procède la stratégie de commande SMC classique présente un inconvénient tel
que le Phénomène de Chattering à cause de la fonction sign. Pour cela, nous avons proposé
d’étudier dans ce chapitre la commande hybride mode glissant-floue qui consiste à
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
méthode proposée (FSMC).
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].
III.2. Historique de la logique floue

La théorie des ensembles flous a été établie en 1965 par le professeur Lotfi A. Zadeh
de l’université de Californie (Berkely) dans son article intitulé « Fuzzy Set ». A cette
époque, la théorie des ensembles flous n’a pas été prise au sérieux. En effet, les
ordinateurs, avec leur fonctionnement exact par tout ou rien (1 ou 0), ont commencé à
ce répondre sur une grande échelle. Par contre, la logique floue permettait se traiter des
variables non –exactes dont la valeur peut varier entre (0 et 1).
En 1975, Ebrahim Mamdani expérimentait la théorie des ensembles flous énoncée
par Zadeh sur un système de commande dans le but de commander une machine à
vapeur et des chaudières, ce qui introduisait la commande floue dans la régulation des
processus industriels. Le fonctionnement du système de commande se fonde sur l'article
de Lotfi Zadeh. Il s'en suit une émergence des applications en Europe, telle que la
régulation des fours de cimenterie réalisée par la société Smidt-Fuller en 1978. Grâce au
chercheur japonais Michio Sugneo, la logique floue fut implantée au Japon en 1985. Dès
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].
III.3. Domaines d’application de la logique floue

Les systèmes à base des contrôleurs flous ont été employés dans une grande variété
d'applications industrielles, économiques et médicales, on cite quelques exemples de ces
applications [BEK18] :
 Les appareils électroménagers.
 Les systèmes autonomes mobiles et les systèmes de transport.
 Les systèmes de décision, diagnostic et reconnaissance.
 La robotique.
III.4. Intérêt de la logique floue

 La connaissance de la situation quelconque de l'être humain :
 Incertaine (peut être invalide).
 Imprécise (mal exprimée).
 La résolution des problèmes complexes par l'être humain : la précision des données
n'est pas toujours utile ; par exemple pour choisir un appartement, il pourra prendre
en compte la surface, la proximité de commerces, la distance du lieu de travail, sans
pour autant avoir besoin d'une valeur très précise de chacune de ces données.
 La précision du système dépend de sa complexité, plus il est complexe plus il est
difficile de faire des affirmations précises sur son comportement, donc :
 Il est intéressant de modéliser le comportement d'un opérateur humain face au
système pour modéliser le système.
 A base des valeurs numériques précises, le fonctionnement doit être décrit par
des qualificatifs globaux devinant l'état approché des variables [DEL15]
III.5. Concepts fondamentaux de la logique floue

III.5.1. Principe et définition
La logique floue est une technique pour le traitement de connaissances imprécises et
incertaines. Elle ne nécessite pas la connaissance des modèles mathématiques du
système. Par contre elle a besoin d’un ensemble de règles basées essentiellement sur la
connaissance d’un opérateur qualifié manipulant le système. Elle permet de prendre en
considération des variables linguistiques dont les valeurs sont des mots ou expressions
du langage naturel, telle que grand, petit, lent, rapide [MES17] [DJE17]
III.5.2. Ensemble flous et fonction d’appartenance

Dans la théorie des ensembles conventionnels, un élément appartient ou n’appartient
pas à un ensemble, donc le « degré d’appartenance » d’un élément a un ensemble ne
peut être que nul (0) ou égal à l’unité (1). Par contre dans la théorie des ensembles flous,
un élément peut plus ou moins appartenir à un ensemble, le degré d’appartenance d’un
élément à un ensemble flou peut prendre n’importe quelle valeur comprise dans
l’intervalle [0,1] [MES17]. Ce qui différentie les deux théories provient des limites des
ensembles définis. Dans la théorie classique les contours des ensembles sont « nets »,
tandis que pour les ensembles flous les contours sont «graduels», ou encore flous
comme l’illustre la Figure(III.1).
Ensemble Classique ≪A≫ Ensemble Flou ≪B≫
x : n’appartient pas à A x’ : appartient totalement à B

y : appartient totalement à A y’ : appartient partiellement à B
Figure III.1 : Comparaison d’un ensemble classique et d’un ensemble flou.
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
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)
III.5.3. Variables linguistique

La description d'une certaine situation imprécise ou incertaine peut contenir des
expressions floues comme par exemple : très grand, grand, moyen, petit. Ces expressions
forment les valeurs d'une variable x, appelée "linguistique", soumise à des fonctions
appelées fonctions d'appartenance [TAH16].
III.5.4. Intervalles d'inférence

La Figure(III.2) montre deux exemples de fonctions d'appartenance pour cinq et sept
sous-ensembles fous, avec les notations suivants :
TP : très petit P : petit MP : Moyen petit

M : moyen MG : Moyen Grand G : Grand TG : Très Grand
µ(x) µ(x)
TP P MP M MG G TG
x x
Figure III.2 : Fonctions d'appartenance pour cinq et sept sous-ensembles floue.
Le choix du nombre des sous-ensembles flous, de la forme des fonctions

d'appartenances, du recouvrement de ces fonctions et de leur répartition sur l'univers
de discours n'est jamais évident. Il y a pourtant des facteurs qui sont plus important que
d'autres.
Ainsi, la forme des fonctions d'appartenance n'a guère d'influence, d'où le choix
courant des formes triangulaires et trapézoïdales, celles-ci étant relativement simples à
mettre en œuvre.
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]
III.5.5. Différentes formes pour les fonctions d’appartenances

On utilise en général des fonctions d’appartenance de forme triangulaire, trapézoïdale
et/ou gaussienne bien qu’il en existe d’autres. Quel que soit la forme choisie, il faut
prendre certaines précautions dans la construction et la disposition des fonctions
d’appartenance.
Triangulaire Trapézoïdale Gaussienne
Figure III.3 : Différentes formes pour les fonctions d’appartenances.
 Pour la variable linguistique « environ zéro » on veillera à éviter un plat au

sommet (entraînement d’une indétermination du réglage).
 On évite les recouvrements trop importants ou trop faibles de deux fonctions
d’appartenance contiguës.
 On préfère les triangles et les trapèzes pour définir les fonctions d’appartenances
pour gagner de l’espace mémoire et minimiser le temps de calculs [TAR15].
III.5.6. Opérateurs de la logique floue

Après la définition des ensembles flous, des opérations mathématiques à propos de ce
type d'ensembles ont été développées. Les mathématiques élaborées ressemblent
beaucoup à celles reliées à la théorie des ensembles classiques. Les opérateurs

d’intersection, d’union, de complémentation et d’implication sont traduites par les
opérateurs «ET, OU, NON et ALORS» respectivement. Soit A et B deux ensembles flous,
dont les fonctions d’appartenance sont μ A ( x ) et μB ( x ) respectivement [TIR14], et
appartenant à un univers de discours X. Les opérateurs susmentionnés sont définis alors

comme suit.
a). Opérateur « OU »
Il correspond à l’union (C) des deux ensembles flous (A, B) exprimé
mathématiquement
par [REZ15] :
C  AB (III.2)
En logique floue l’union est généralement réalisée par la formulation du maximum

des fonctions d’appartenance comme suit :
μC ( x )  maxμA ( 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 :
μC ( x )  minμA( x ),μB ( x )  (III.4)
Figure III.5 : Intersection des sous-ensembles flous « petite » et « moyenne » pour la

variable linguistique (vitesse).
c). Opérateur « NON »
Figure III.6 : Complémentation du sous-ensemble flou « petite ».
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)
III.6. Principes généreux d’une commande par logique floue

La figure (III.7) présente la configuration de base d'un régulateur flou, qui contient
quatre blocs principaux : fuzzification, base de règle, inférence et défuzzification
[TIR14].
Un contrôleur flou ne diffère pas tellement d'un contrôleur traditionnel. On retrouve
à chaque fois un bloc de traitement, un bloc d'entrée (quantification, calculs
préalables...) et un bloc de sortie. [AIC17].
Régulateur Flou
Base de règle
E
Signal de
Plage de valeur
commande
Défuzzificatin
Fuzzification
sortie
Inférence
Consigne procédé
+
-
dE
Retour
Base de connaissance
Non-floue Floue Non-floue

déterministe déterministe
Figure III.7 : Configuration de base d'un régulateur flou.
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
ensembles flous PP et PM avec les degrés d’appartenance

μPP ( ek )  0.75 et μPM ( ek )  0.25 .
NG NM NP ZE PP PM PG
0,75
0,25
-1 -0,5 0 0,45 1
Figure III.8 : Exemple de fuzzification.
III.6.2. Base de règles

Le système de contrôle flou comprend un nombre de règles d’inférence reliant les
variables floues d’entrée d’un système aux variables floues de sortie de ce système. Ces
règles se présentent sous la forme usuelle suivante :
Si condition 1 Et/Ou condition 2 (Et/Ou), etc … Alors action sur les sorties.
L’établissement de ces règles est généralement basé sur la connaissance du problème

et sur l’expérience de l’opérateur qui peut fixer le nombre de sous-ensembles, leurs
fonctions d’appartenance ainsi que les variables linguistiques. Ils existent plusieurs
présentations de la base de règles telles que la description linguistique, symbolique ou
par une matrice d’inférence.
En résumé, la base de règle est constituée d’une base de données qui contient les
définitions des sous-ensembles flous, leurs fonctions d’appartenance et leurs univers de
discours pour chacune des variables intervenant dans le régulateur.
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.
Si par exemple, pour un système représenté par e p  ( P ref  P s ) et sa variation

Δe p  Δ( P ref  P s ) on peut constater que l'erreur e p et sa variation Δ e p sont les grandeurs
les plus significatives pour analyser le comportement du système.
Figure III.9 : Etude du comportement du système.
1) Si e=GP et Δe=Z alors Δu=GP (point de départ, la commande est importante) ;

2) Si e=GP et Δe=PN alors Δu=MP (augmentation de la commande pour gagner
l’équilibre) ;
3) Si e=MP et Δe=PN alors Δu=PP (faible augmentation de commande pour n’avoir
pas de dépassement) ;
4) Si e=PP et Δe=PN alors Δu=Z (convergence vers l’équilibre correct) ;
5) Si e=Z et Δe=PN alors Δu=PN (freinage du processus) ;
6) Si e=PN et Δe=PN alors Δu=MN (freinage et inversion de la variation de
commande) ;
7) Si e=MN et Δe=Z alors Δu=MN (rappel du processus vers l’équilibre correct) ;
8) Si e=PN et Δe=PP alors Δu=Z (convergence vers l’équilibre correcte) ;
9) Si e=Z et Δe=Z alors Δu=Z (équilibre).
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
calcul le sous-ensemble relatif à la commande du système. Nous distinguons deux types

de règles d’inférence.
 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 :
 Méthode d‘inférence Max-Min (Méthode de Mamdani).

 Méthode d‘inférence Max-Produit (Méthode de Larsen).
 Méthode d‘inférence Somme-Produit.
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
Max-Min Minimum Maximum Minimum
Max-Produit Minimum Maximum Produit
Somme-Produit Produit Moyenne Produit
Tableau III.1 : Méthodes usuelles de l’inférence floue.
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
l’opération d’inférence. Les méthodes couramment utilisées sont [TAR15] :
 La méthode du centre de gravité.

 La méthode du maximum.
 La méthode des surfaces.
 La méthode des hauteurs.
a). Méthode du Maximum

La commande en sortie est égale à la commande ayant la fonction d’appartenance
maximale. La méthode du maximum simple, rapide et facile, mais elle introduit des
ambiguïtés et une discontinuité de la sortie (parfois on trouve deux valeurs maximales)
[SAD17].
b). Méthode de la moyenne des maximums

Elle considère, comme valeur de sortie, la moyenne de toutes les valeurs pour
lesquelles la fonction d'appartenance issue de l'inférence est maximale. C’est la moyenne
des valeurs de sorties les plus vraisemblables [DEL15].
 y .dy
Sortie  (III.6)
 dy
Où :
S  ( y0 U / μ( y0 )  SUP μ( y )) ( y U ) (III.7)
Figure III.10 : Méthode de moyenne des maximums.
c). Méthode du centre de gravité

Elle consiste à calculer le centre de gravité de la surface formée par la fonction
d’appartenance issue de l’agrégation des règles [REZ15].
 x μR ( x )dx
u (III.8)
 μR ( x )dx
Figure III.11 : Méthode du centre de gravité.
Nous nous somme intéressé par cette dernière méthode à cause de sa simplicité de
calcul et, sa sortie unique. [DEL15].
d). Méthode des hauteurs pondérées
Elle corresponde à la méthode de centre de gravité quand les fonctions

d'appartenance ne se recouvrent pas.
 x μRi ( x )
dU n  (III.9)
 μRi ( x )
Cette méthode est surtout utilisée quand les fonctions d'appartenance de la variable
de sortie sont des singletons [BAG99].
Figure III.12 : Defuzzification par la méthode des hauteurs pondérées.
III.7. Avantages et inconvénients de la commande par logique floue

Evidemment, le réglage par logique floue réunit un certain nombre d’avantages et de
désavantages. Les avantages essentiels sont :
 La non nécessité d'une modélisation mathématique rigoureuse du processus.

 La maîtrise du système à régler avec un comportement complexe (fortement non
linéaire et difficile à modéliser).
 L’obtention fréquente de meilleures prestations dynamiques (régulateur non
linéaire).
 La disponibilité du système de développement efficace, soit pour
microprocesseur ou PC (solution logicielle), soit pour circuit intégrés
(processeurs dédicacés, fuzzy processors).
 La simplicité de définition et de conception.
 La réduction du temps de développement et de maintenance.
 La possibilité d'implanter des connaissances (linguistiques) de l'opérateur de
processus.
Par contre les désavantages sont [DEL15] [LAH11] :
 Le manque de directives précises pour la conception d’un réglage (choix des

grandeurs à mesurer, détermination de la fuzzification, des inférences et de la
défuzzification).
 L’approche artisanale et non systématique (implémentation des connaissances

de l’opérateur, est souvent difficile).
 L’impossibilité de la démonstration de la stabilité du circuit de réglage en toute
généralité (en l’absence d’un modèle valable).
 La précision de réglage souvent peut élever.
 La cohérence des inférences non garantie à priori (apparition de règles
d’inférence contradictoires possible).
III.8. Types de régulateurs flous

Il existe plusieurs types de régulateurs flous, qui différent selon le mécanisme
d’inférence utilisé. On cite : régulateur de Mamdani, de Sugeno ,etc….
III.8.1. Régulateur de type Mamdani

Mamdani fut le premier à utiliser la logique floue pour la synthèse de commande. Il
utilise le minimum comme opérateur de jonction et l’implication pour représenter le
graphe
flou associé à chaque règle et l’opérateur maximum pour l’agrégation.
Dans la règle i : Si x1 est A1 et xn est An Alors y est Bi.
Où Bi sont des sous-ensembles flous. Les Bi forment en général une partition de l’univers
de sortie.
III.8.2. Régulateur de type Sugeno

Dans les régulateurs de ce type, les conclusions des règles ne sont pas symboliques
(représentées par des sous-ensembles flous) mais une fonction des entrées, par exemple
: bi=f( x1, … ,xn) où f(.) est généralement une fonction polynomiale.
Et la sortie du régulateur est donnée par :
n
i 1 α i ( x ) * bi
y n (III.10)
 j 1 α j ( x )
Où les αi sont les valeurs de vérité de chaque règle pour i=1 à n.

Notons que la sortie donnée par le régulateur est en effet la variation du signal de
commande [BEN11].
III.9. Commande hybride mode glissant-floue de la MADA

III.9.1. Principe de la commande par mode glissant – floue
Dans notre proposition qui permette la combinaison entre la logique floue et le

contrôle par mode glissant, nous appelons le contrôleur résultant de cette combinaison :
contrôleur par mode glissant- flou, celui-ci présente la même structure de commande
par mode glissant étudiée dans le chapitre précédent, mis à part les fonctions « sign »
existantes dans les termes de commandes qui seront remplacées par des fonctions
floues (voir annexe C). Ces fonctions possèdent une entrée et une sortie, et la base de
règle sert à établir une connexion entre les surfaces de glissement Si (S1 ou S2) et les
commandes Ui (vi=1 ou 2). Ceci est interprété par des règles de la forme : Si-Alors.
III.9.2. Définition de la commande hybride mode glissant-flou

FSMC (Fuzzy sliding mode control) est un développement hybride du contrôle par
mode glissant et du contrôle par la logique floue, où le contrôleur de commutation
terme, sign (S (X)), a été remplacé par un système d'inférence flou.
u  ueq  u fuzz (III.11)
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
Tableau III.2 : Base de règles du FSMC.
Figure III.13 : Schéma bloc de la commande hybride mode glissant-flou.
III.10. Résultats de simulation

Dans ce chapitre, nous avons limité les tests de simulation au cas de la vitesse du vent
fixe avec des consignes en échelons de la puissance active et réactive, tout en entrainant
la MADA du mode hypo-synchrone au mode hyper-synchrone.
III.10.1. Test de poursuite de trajectoire

C’est le même test réalisé dans le cas de la commande par mode glissant classique de
le MADA dans le chapitre précédent. Les résultats de simulation corresponds à ce test
sont donnés par la Figure (III.14).
6
x 10
6 x 10
0 1

Ps
-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
Courant Rotorique (A)

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)
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)
Figure III.14 : Résultats de simulation de la commande hybride mode glissant-floue de

la MADA.
Les résultats de simulation de la Figure (III.14) montrent des meilleures

performances afin d’obtenir un suivi de la trajectoire souhaitée. La commande par mode
glissant-floue présente un rejet de perturbation rapidement très rapide et sans aucun
dépassement, avec une erreur statique presque nulle.
Les résultats de simulation montrent aussi que la commande hybride mode glissant-
floue amène une amélioration de la forme d’onde (réduction de l’effet de Chattering).
III.10.2. Test de robustesse

Ce test a pour but de tester la robustesse de la commande hybride mode glissant-
floue vis-à-vis les variations paramétriques de la MADA. Dans ce cas, nous allons
effectuer une diminution de l’inductance mutuelle de 60% de sa valeur nominale et une
augmentation de la résistance rotorique de 300% de sa valeur nominale (3 x Rr).
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)
Figure III.15 : Test de robustesse pour une augmentation de 300% Rr et une

diminution de 60% de Lm.
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.
III.11. Analyse harmonique

On remarque d’après les Figures (III.16-a), (III.16-b), qui illustrent les spectres
d’harmoniques d’une phase du courant statorique et rotorique de la MADA
respectivement, en utilisant la transformée de fourrier rapide (FFT), que le taux
d’harmonique (THD) au niveau du courant rotorique est réduit dans le cas de la
commande hybride mode glissant-floue (THD = 3.95%), comparativement à la
commande par mode glissant conventionnel où le THD es de 11.88%. Ces résultats nous
permettent de conclure que la technique de commande adoptée (FSMC) est plus efficace
vis-à-vis la réduction du phénomène de Chattering engendré par la commande mode
glissant classique (SMC).
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
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
(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.
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).
Chapitre IV
La commande hybride mode glissant-

neurone/neurone-floue de la MADA
c e chapitre sera consacré à l’application des techniques intelligentes nouvellement
introduites dans la commande de la machine à double alimentation à savoir : la logique
floue et les réseaux de neurones artificiels. Nous commencerons par la présentation de
réseaux de neurones, ensuite la commande hybride mode glissant- neurone et mode
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.
IV.2. Généralités sur les réseaux de neurones

IV.2.1. Historique
L’histoire des réseaux de neurones est donc tissée à travers des découvertes
conceptuelles et des développements technologiques survenus à diverses époques.
Brièvement, les premières recherches remontent à la fin du 19 ème et au début du
20ème siècle. Elles consistent des travaux multidisciplinaires en physique, en psychologie
et en neurophysiologie par des scientifiques tels Hermann Von Helmholtz, Ernst Mach et
Ivan Pavlov. A cette époque, il s’agissait des théories plutôt générales sans modèle
mathématique précis d’un neurone.
On s’entend pour dire que la naissance du domaine des réseaux de neurones
artificiels remonte aux années 1940, comme suit, en [ZEM17], [DEL15] :
1943 :W. Mc Culloch et W. Pitts : Premier modèle formel du neurone a vu le jour.
En 1949, Donald Hebb présente dans son ouvrage ≪ The Organization of Behavior ≫
la première règle d'apprentissage, son intuition était que si deux neurones étaient actifs
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.
IV.2.2. Domaines d'application des réseaux de neurones

Les réseaux de neurones servent aujourd’hui à toutes sortes d’applications dans
divers domaines, nous citerons [TAH16] :
 Traitement d'images : reconnaissance de caractères et de signatures,
compression d'images, reconnaissance de forme, cryptage, classification, etc...
 Traitement du signal : filtrage, classification, identification de source, traitement
de la parole.
 Contrôle : commande de processus, diagnostic, contrôle qualité, asservissement,
des robots, systèmes de guidage automatique des automobiles et des avions.
 Défense : guidage des missiles, suivi de cible, reconnaissance du visage, radar,
sonar, lidar, compression de données, suppression du bruit.
 Optimisation : planification, allocation de ressource, gestion et finances, etc…
 Simulation : simulation du vol, simulation de boîte noire, prévision
météorologique, recopie de modèle.
IV.2.3. Fonctionnement général d’un réseau de neurones

On considère généralement qu’un réseau de neurones est constitué d’un grand
ensemble d’unités (ou neurones), ayant chacune une petite mémoire locale. Ces unités
sont reliées par des canaux de communication, qui transportent des données
numériques qui peuvent uniquement agir sur leurs données locales et sur les entrées
qu’elles reçoivent par leurs connexions. L’inspiration pour les réseaux de neurones
provient cependant de la volonté de créer des systèmes artificiels sophistiqués, voir
“intelligents“, capable d’effectuer des opérations semblable à celle que le cerveau
humain effectue de manière routinière, et d’essayer d’améliorer la compréhension du
cerveau [ZEM17].
a). Neurone Biologique

Le cerveau humain possède deux hémisphères latérales reliées par le corps calleux
et d'autres ponts axons aux ; il pèse moins de deux kilogrammes et contient mille
milliards de cellules, dont 100 milliards sont des neurones constitués en réseaux Les
neurones possèdent de nombreux points commun dans leur organisation générale et
leur système biochimique avec les autres cellules. Ils présentent cependant les
caractéristiques qui leur sont propres et se retrouvent au niveau des cinq fonctions
spécialisées qu’ils assurent [DEL15] [ZEM17] :
 Recevoir des signaux en provenance de neurones voisins,
 Intégrer ces signaux,
 Engendrer un influx nerveux,
 Le conduire,
 Le transmettre à un autre neurone capable de le recevoir.
Avant de rentrer plus en avant dans les détails, examinons un neurone.
Figure IV.1 : Modèle d'un neurone biologique.
 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.
 Les synapses
Où la cellule communique avec d'autres cellules, ce sont des points de connexion où
passent les signaux de la cellule.
b). Fonctionnement d’un neurone biologique

Dans le cerveau, les neurones sont reliés entre eux par l'intermédiaire des axones et
des dendrites. En première approche. On peut considérer que ces sortes de filaments
sont conductrices d'électricité et peuvent ainsi véhiculer des messages depuis un
neurone vers un autre. Les dendrites représentent les entrées du neurone et son axone
sa sortie.
Un neurone émet un signal en fonction des signaux qui lui proviennent des autres
neurones. On observe en fait au niveau d'un neurone, une intégration des signaux reçus
au cours du temps, c'est à dire une sorte de sommations des signaux. En général, quand
la somme dépasse un certain seuil, le neurone émet à son tour un signal électrique.
La notion de synapse explique la transmission des signaux entre un axone et une
dendrite. Au niveau de la jonction (c'est à dire de la synapse), il existe un espace vide à
travers lequel le signal électrique ne peut pas se propager. La transmission se fait alors
par l'intermédiaire de substances chimiques, les neuromédiateurs. Quand un signal
arrive au niveau de la synapse, il provoque l'émission de neuromédiateurs qui vont se
fixer sur des récepteurs de l'autre côté de l'espace inter synaptique [DJE15].
Figure IV.2 : Transmission de l'information entre les neurones biologiques.
c). Le neurone formel

Un "neurone formel" (ou simplement "neurone") est une fonction algébrique non
linéaire et bornée, dont la valeur dépend des paramètres appelés coefficients ou poids.
Les variables de cette fonction sont habituellement appelées "entrées" du neurone, et la
valeur de la fonction est appelée sa "sortie" [MES17].
Un neurone est donc avant tout un opérateur mathématique, dont on peut calculer la
valeur numérique par quelques lignes de logiciel. On a pris l'habitude de représenter
graphiquement un neurone comme indiqué sur la figure (IV.3).
Figure IV.3 : Modèle d'un neurone artificiel.
Des observations de neurone biologique, découle le modèle du neurone formel

proposé
par W. M. Culloch et W. Pitts en 1943 :
 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.
 Biais : entrée prend souvent les valeurs -1 ou +1 qui permet d’ajouter de la

flexibilité au réseau en permettant de varier le seuil de déclenchement du neurone par
l’ajustement des poids et du biais lors de l’apprentissage.
 Noyau : intègre toutes les entrées et le biais et calcul la sortie du neurone selon
une fonction d’activation qui est souvent non linéaire pour donner une plus grande
flexibilité d’apprentissage.
IV.2.4. Foncions d’activation

Les fonctions d’activation les plus utilisées sont les suivantes, voire la figure IV.4
[LAH11] :
a) tout ou rien ; e) saturation ;

b) fonction signe ; f) sigmoïde ;
c) plus ou moins à seuil ; g) fonction arc tangente ;
d) fonction affine ; h) fonction gaussienne.
(a) (b) (c) (d)
(e ) (f) (g) (h)
Figure IV.4 : Fonctions d’activation les plus utilisées.
IV.2.5. Modélisation d’un réseau de neurones
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).
Neurone biologique Neurone formel
Synapses Poids synaptiques

Variables d'entrées
Dendrites
Axone Variable de sortie

Corps cellulaire (soma) Fonction d'activation
Potentiel d'action Potentiel d'activation
Tableau IV.1 : Analogie entre le neurone biologique et le neurone formel.
Ces derniers supposèrent que l'impulsion nerveuse était l'expression ou le résultat

d'un calcul simple effectué par chaque neurone et que c'est grâce à l'effet collectif d'un
réseau de neurones interconnectés que naît la pensée [DEL15].
Le modèle mathématique d’un neurone artificiel est illustré à la figure (IV.5). Un
neurone est essentiellement constitué d’un intégrateur qui effectue la somme pondérée
de ses entrées. Le résultat s de cette somme est ensuite transformé par une fonction de
transfert f qui produit la sortie y du neurone. En suivant les notations présentées à la
section précédente, les n entrées du neurone correspondent au vecteur
𝑡
𝑥 = [𝑥1, 𝑥2, 𝑥3… 𝑥𝑛 ] , alors que 𝑤 = [𝑤11, 𝑤21, 𝑤31… 𝑤𝑛1 ] représente le vecteur des poids du
neurone. La sortie s de l’intégrateur est donnée par l’équation suivante :
n
s   wi1 xi  b (IV.1)
i 1
 w11 x 1  w 21 x 2  w 31 x 3  ...  wn1 x n  b
Que l’on peut aussi écrire sous forme matricielle :
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
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].
Figure IV.5 : Représentation matricielle du modèle d’un neurone artificiel.
IV.3. Architecture des réseaux de neurones artificiels

Les connexions entre les neurones qui composent le réseau, décrivent la topologie du
modèle. Elle peut être quelconque, mais le plus souvent il est possible de distinguer une
certaine régularité (réseau à connexion complète) [LAH11].
IV.3.1. Les réseaux de neurones non bouclés

Un réseau de neurone non bouclé ou réseau unidirectionnel (feed forward networks)
est représenté par un ensemble de neurones connectés entre eux telle que l'information
circulant des couches entrées vers les couches sorties au travers d'éventuelles couches
intermédiaires sans retour en arrière [DEL15].
La Figure (IV.6) illustre un RNA-couche non bouclé.

Figure IV.6 : Réseau de neurone non bouclé.
Ce type de réseau comprend deux groupes d'architectures : les réseaux monocouches

et les réseaux Multicouches.
a). Les Réseaux non bouclés Monocouches

Ce type de réseau possède une couche d'entrée recevant les stimuli à traiter par
l'intermédiaire des nœuds sources. Cette couche se projette en une couche de sortie
composée de neurones (nœuds de calcul) transmettant les résultats du traitement au
milieu extérieur. La figure (IV.7) présente un réseau proactif Monocouche à 4 nœuds
d'entrée et 3 nœuds de sortie. La désignation monocouche est attribuée à la couche de
sortie [LEH11].
Figure IV.7 : Réseau non bouclé monocouche.

b). Les réseaux non bouclés Multicouches

Les neurones sont arrangés par couche. Il n'y a pas de connexion entre les neurones
d'une même couche, et les connexions ne se font qu'avec les neurones de couches avales.
Habituellement, chaque neurone d'une couche est connecté à tous les neurones de la
couche suivante et celle-ci seulement. Ceci nous permet d'introduire la notion de sens de
parcours de l'information (de l'activation) au sein d'un réseau et donc définir les
concepts de neurone d'entrée, neurone de sortie. Par extension, on appelle couche
d'entrée l'ensemble des neurones d'entrée, couche de sortie l'ensemble des neurones de
sortie. Les couches intermédiaires n'ayant aucun contact avec l'extérieur sont appelées
couches cachées. Leurs rôle est d'effectuer un prétraitement des signaux d'entrée, reçus
par la couche d'entrée en provenance du milieu extérieur, et de transmettre les résultats
correspondants à la couche de sortie ou seront déterminées les réponses finales du
réseau.
Ce rôle de prétraitement fait que, en ajoutant une ou plusieurs couches cachées, le
réseau est capable d'extraire plus de propriétés statistiques que celles extraites d'un
réseau similaire ayant moins de couches cachées. Ceci est utile pour réaliser des
fonctions plus complexes que de simples séparations linéaires.
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).
Figure IV.8 : Réseau non bouclé multi couches.
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].
IV.3.2. Les réseaux de neurones bouclés

Les réseaux récurrents (recurrent networks) possèdent une structure similaire à celle
des réseaux unidirectionnels mais complétée par des connexions entre les éléments de
la même couche ou vers des couches amont. Ces réseaux sont assez puissants, car leur
fonctionnement est séquentiel et adopte un comportement dynamique [DEL15].
Figure IV.9 : Réseaux de neurones bouclés.
IV.4. Apprentissages des réseaux de neurones
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,

et que ceux-ci provoquent dans le futur une réponse nouvelle vis-à-vis de

l’environnement. Ainsi, le réseau peut s'améliorer avec le temps.
IV.4.1. Apprentissage en ligne et l’apprentissage hors ligne

Deux types différents d'apprentissage sont utilisés, à savoir l'apprentissage hors ligne
ou en paquet et l'apprentissage en ligne.
 La procédure d'apprentissage en paquet utilise tous les exemples d'entraînement
de façon répétée de sorte que sa performance est comparable à celle d'une procédure
d'estimation statistique.
 L'apprentissage en ligne est plus dynamique, en mettant à jour l'estimation
courante par l'observation des nouvelles données une par une. C’est une procédure
itérative.
 L'apprentissage en ligne est en général lent mais est recommandé dans des
environnements changeants.
Il est possible de combiner les deux, dans l’ordre :
1) On récupère une série d’observation à partir du processus à modéliser (en quantité et
pertinence suffisante).
2) On effectue un "préapprentissage" : les données récoltées servent à faire converger
les poids vers des valeurs proches de la solution finale.
3) On utilise le réseau de neurones tout en utilisant un apprentissage en ligne pour
affiner la valeur des poids et pourvoir tenir compte de toutes variations éventuelles
(dérives, perturbations, changements de mode de fonctionnement, etc.) [ZEM17].
Apprentissage hors ligne Apprentissage en ligne
requiert souvent de charger en mémoire prend en compte les observations

l'ensemble des poids et des données itérativement, au fur et à mesure
d’apprentissage (entrées et éventuellement et demande, de ce fait moins de
sorties désirées correspondantes) mémoire, moins de calculs
ne peut satisfaire une contrainte de temps réel est compatible au temps réel
autorise de réinitialiser sans risque subit l'ordre dans lequel les

l'apprentissage observations sont accessibles
Tableau IV.2 : Comparaison entre l'apprentissage hors ligne et l'apprentissage en ligne.

IV.4.2. Types d'apprentissage

Il existe trois types d'apprentissages principaux :
 l'apprentissage supervisé
 l'apprentissage non-supervisé
 l'apprentissage par renforcement
a). L'apprentissage supervisé

L’apprentissage supervisé consiste à présenter au réseau une série d’exemples sur
ses entrées, ainsi le réseau calcul sur ses sorties un vecteur d’état qui est comparé au
vecteur des états désirés. Une erreur est calculée entre le vecteur des sorties désirées et
le vecteur des sorties calculées par le réseau [LAH11]. L’algorithme d’apprentissage
adapte les poids du réseau de façon à corriger son comportement comme le montre la
figure (IV.10) :
Figure IV.10: Apprentissage supervisé.
b). l'apprentissage non-supervisé :
Figure IV.11 : Apprentissage non supervisé.

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].
c). L'apprentissage par renforcement :

La commande à base de l’apprentissage par renforcement est basée sur le fait que la
tendance de reproduire une action qui conduit à un état satisfaisant ou une amélioration
de performances doit être renforcée. Cette idée joue le rôle principal dans la théorie
d’apprentissage des animaux. Cette approche utilise deux réseaux de neurones : un
réseau d’action (i.e., contrôleur) et un réseau d’évaluation ou critique qui joue le rôle de
superviseur et qui génère un signal d’avertissement à chaque fois que les actions prises
sont mauvaises. Ce signal peut être considère comme une mesure d’erreur à la sortie du
réseau d’action et peut être retro propagée par l’algorithme de la retro propagation à
travers le réseau pour l’adaptation des poids. Les poids du réseau d’évaluation sont
altères dans le sens de renforcer les bonne actions et de sanctionner les mauvaises. Et
comme l’apprentissage par renforcement ne fait référence qu’à des informations du type
« vrai » ou « faux » pour guider le processus d’entrainement, les performances exigées
ne sont pas du même niveau que celles résultantes d’un apprentissage supervisé
[IDI12].
Figure IV.12 : Apprentissage par renforcement.

IV.5. L’algorithme de rétro propagation

L’algorithme de rétro propagation (backpropagation) a été développé en particulier
par Rumelhart et Parken et le Cun en 1985. Dès cette découverte, nous avons la
possibilité de réaliser une fonction non linéaire d’entrée/sortie sur un réseau en
décomposant cette fonction en une suite d’étapes linéairement séparables. Cet
algorithme repose sur la minimisation de l’erreur quadratique entre les sorties calculées
(réelle) et celles souhaitées (désirée). Le terme rétro propagation du gradient provient
du fait que l’erreur calculée en sortie est transmise en sens inverse vers l’entrée
[MEL14].
Le signal d’erreur `a la sortie du neurone k à l’instant d’itération n est :
ek ( n )  dk ( n )  yk ( n ) (IV.6)
Où yk ( n ) est la sortie à l’instant n du neurone k et d k ( n ) la réponse désirée.
On définit alors l’énergie instantanée de l’erreur à l’instant n par :
1 2
ς( n )   ek ( n ) (IV.7)
2 kC
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 n1
Pour minimiser ς moy on calcule son gradient par rapport à chaque poids w , puis on
modifie les poids dans le sens inverse du gradient.

Celle-ci peut être interprétée comme une fonction de coût qui traduit la performance
de l’apprentissage. En effet l’objectif de l’apprentissage est d’ajuster les paramètres
libres du réseau, à savoir poids synaptiques et biais, afin de minimiser ηmoy ,
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

poids synaptiques w kj de la couche i est proportionnelle à la dérivée partielle de
l’énergie instantanée par rapport au poids synaptique :
ς( n )
Δw ikj  η (IV.9)
 w ikj
η Est le taux d’apprentissage de l’algorithme de rétro-propagation.

L’associativité des dérivées partielles permet d’obtenir la loi suivante :
Δwikj  ηδik ( n ) yik ( n ) (IV.10)
Où δ ik est le gradient local de la couche i et est défini par :
 (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
L’application de l’algorithme de rétro propagation pour l’entrainement d’un réseau de

neurones est résumée dans le tableau (IV.3). La fonction d’activation choisie pour les
couches cachées est généralement la fonction sigmoïde ou tangente hyperbolique Les
fonctions d’activation de la couche de sortie sont choisies linéaires pour une tache de
régression.

-Choisir aléatoirement les poids synaptiques et les biais

1. Initialisation du dans une distribution uniforme de moyenne
réseau nulle et de variance telle que les champs induits des
neurones se trouvent dans la partie non saturée
des fonctions d’activation sigmoïdales.

2. Présenter les x n au réseau, calculer les sorties correspondantes et

entrées e n le vecteur d’erreur de la couche de sortie.
3. La propagation calculer le champ induit local de chaque neurone k de

mk i 1
chaque couche i : v k ( n )   w kj ( n ) y j ( n )
i i
j 0
calculer les gradients locaux de chaque neurone δ ik n :
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
Puis mise à jour des poids synaptiques :
wkj n  1  wkj n  ηδ k n y j ( n )

i i i i 1
Où η est le taux d’apprentissage.
des étapes 2 à 4 jusqu’à avoir rencontré un critère

5. Itération d’arrêt
(par exemple fonction coût ς inférieure à).
Tableau IV.3 : Algorithme de rétro propagation.

IV.6. Avantages et inconvénients des réseaux de neurones

 Avantages
 Capacité de représenter n'importe quelle dépendance fonctionnelle, le réseau
découvre apprend, modélise).
 Pas besoin de postuler un modèle, de l'amender, etc.
 Résistance au bruit ou au manque de fiabilité des données.
 Simple à manier, beaucoup moins de travail personnel à fournir que dans
l'analyse statistique. Aucune compétence en maths, informatique ou statistique
requises.
 Comportement moins mauvais en cas de faible quantité de données.
 Pour l'utilisateur novice, l'idée d'apprentissage est plus simple à comprendre que
les complexités des statistiques multivariables.
 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)
IV.8. Résultat de simulation

On garde les mêmes conditions des simulations que l’essai du chapitre précédent. La
figure IV.13 présente les Résultats de simulation de la commande par NSMC du MADA.

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

Courants statorique Is (A)
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)
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)
Figure IV.13: Résultats de simulation de la commande hybride de la MADA par mode

glissant-neuronale (NSMC).

Les résultats de simulation présentés dans la Figure (IV.13) montrent que la

commande (NSMC) offre une meilleure poursuite de la référence des puissances avec
une réduction importante des ondulations au niveau des puissances.
Le second test a pour but de tester la robustesse de la commande NSMC vis-à-vis les
variations des paramètres de la MADA, donc nous allons effectuer une variation
simultanée de 300% de la résistance rotorique (3×Rr) et de 60% de l’inductance
mutuelle (0.4×Lm).
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)
Figure IV.14 : La commande NSMC vis-à-vis les variations paramétriques de la MADA.
La figure (IV.14) représente le comportement du système lors de ce test. D’après les

résultats obtenus, on peut conclure que la NSMC présente une solide robustesse en
présence des variations paramétriques de la MADA. Généralement, on remarque que les
réponses en puissances pour la commande proposée restent insensibles aux variations
des paramètres de la machine, il y a une erreur statique très faible avec un temps de
réponse rapide. Le découplage entre la puissance active et réactive est toujours
maintenu.
Le but principal souhaité par l’utilisation de la stratégie NSMC dans le contrôle de la
MADA est de réduire les oscillations au niveau des puissances, autrement dit la
diminution du taux d’harmoniques des courants, causés par la composante discontinue
(fonction Sign) de la commande par mode glissant classique.

IV.9. Analyse harmonique
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)
3
0.45
0.4
2.5
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
(a) (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.

IV.10. Systèmes Neuro-Flous

Les réseaux de neurones (RN) multicouches constituent des approximateurs
universels grâce à leur capacité d'apprentissage, mais leurs structures et leurs
paramètres n'ont pas toujours d’interprétation physique. De plus, la connaissance
humaine ne peut pas être exploitée pour les construire.
En revanche les systèmes d'inférence flous possèdent deux points forts par rapport
aux réseaux de neurones. D'une part, ils sont généralement construits à partir de la
connaissance humaine, d'autre part, ils ont une capacité descriptive élevée due à
l'utilisation de variables linguistiques. L'approche traditionnelle pour la conception des
systèmes d'inférence flous est basée sur les connaissances acquises par des opérateurs
experts. Cette approche a prouvé son efficacité dans plusieurs applications. Il se peut
cependant que les opérateurs ne puissent pas traduire leurs connaissances et
expérience sous forme de contrôleur à logique floue. Il arrive parfois que le domaine
d'expertise ne soit pas disponible. Il est donc naturel de construire des
systèmes hybrides qui combinent les concepts des systèmes d'inférence flous et des
réseaux de neurones, ce sont des réseaux neuro - flous, dont l'apprentissage permet
d'ajuster les paramètres et de s'adapter aux changements de conditions. Les inférences
sont ensuite extraites après convergence. [LAH11].
IV.11. Définition et principe de fonctionnement

Un système neuro-flou hybride est un réseau de neurone avec un signal flou, des
poids flous, une fonction de transfert floue et un module d’adaptation de la structure de
RNF par un apprentissage d’un ensemble de données.
Figure IV.16 : Principe du système neuro- flous.

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]
IV.12. Méthodes des combinaisons Neuro-Floues

Il existe quatre grandes catégories de combinaisons des réseaux de neurones avec la
logique floue [LAH11]
IV.12.1. Réseau flou neuronal

Dans ces réseaux, les techniques floues sont employées pour augmenter les
possibilités du processus d'apprentissage et d'exécution des réseaux de neurones.
IV.12.2. Système neuronal/flou simultanément

Le réseau de neurone et le système flou fonctionnent ensemble sur la même tâche,
mais sans s'influencer, c’est-à-dire ni l'un ni l'autre n'est employé pour déterminer les
paramètres de l'autre. Habituellement le réseau neuronal traite les entrées, ou post-
traite les sorties du système flou.
IV.12.3. Modèles neuro-flous coopératifs

Le réseau de neurone est employé pour déterminer les paramètres (les règles et les
ensembles flous) d'un système flou. Après la phase d’apprentissage, le système flou
fonctionne sans le réseau de neurone. C’est une forme simple des systèmes neuro-flous.

IV.12.4. Modèles neuro-flous hybrides

Les approches neuro-floues modernes sont de cette forme. Un réseau neuronal et un
système flou sont combinés dans une architecture homogène. Le système peut être
interprété comme un réseau neuronal spécial avec des paramètres flous ou comme un
système flou mis en application sous une forme distribuée parallèle.
Figure IV.17 : Principe de fonctionnement d'un réseau neuro-flou.
IV.13. Le Contrôleur ANFIS

Avant de procéder au calcul des paramètres des fonctions d’appartenances par
apprentissage, il faut générer les données nécessaires. On va considérer l’ensemble
MADA- Commande par mode glissant comme un seul système, Les données nécessaires
seront enregistrées sous forme d’un vecteur à 3 colonnes qui représente les entrées
(l’erreur de la puissance et sa variation temporelle) sur les deux premières colonnes et
la sortie sur la troisième colonne. Il a fallu plusieurs reprise pour atteindre un écart
minimal entre la sortie présentée en premier lieu et celle obtenue après apprentissage
du contrôleur neuro-flou.

IV.14. Résultat de simulation

Afin de valider la stratégie de contrôle proposée (SMC-ANFIS), deux tests de
simulation ont effectué dans les mêmes conditions d’exploitation des techniques FSMC
et NSMC.
1) Test de suivi de consigne
2) Test de robustesse
La figure6 (IV.18) présente les résultats de simulation correspondants au premier test.
x 10 6
0 x 10

-0.5 Ps
Ps* 0.5
-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)


0 1
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)
Figure IV.18: Résultats de simulation de la commande hybride SMC-ANFIS de la MADA

(ANFIS).
Le second test a pour but de tester la robustesse de la commande (SMC-ANFIS) vis-à-

vis les variations des paramètres de la MADA, donc nous allons effectuer une variation
simultanée de 300% de la résistance rotorique (3×Rr) et de 60% de l’inductance
mutuelle (0.4×Lm).
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)
Figure IV.19 : La commande SMC-ANFIS vis-à-vis les variations paramétriques de la

MADA.
Afin de mieux illustrer l’effet de la commande hybride neuro-floue sur la qualité du

signale fourni par la MADA, une analyse spectrale des courants statorique et rotorique a
été réalisée.

IV.15. Analyse harmonique
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)
3
0.35
0.3 2.5
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
(a) (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.

Dans la première partie de ce chapitre nous avons présenté quelques éléments

essentiels qui permettent de comprendre pourquoi, et dans quels cas, il est avantageux
de mettre en œuvre des réseaux de neurones artificiels (RNA).
Dans la deuxième partie du chapitre, les réseaux de neurones artificiels ont combinés
avec la mode glissant classiques et logique floue, afin d’obtenir deux nouvelles stratégies
de contrôle (NSMC) et (SMC-ANFIS).
Enfin, nous avons présenté les résultats de simulations obtenus par application la
commande NSMC et la commande SMC-ANFIS respectivement. Nous avons vu que celles-
ci montrent de très bonnes performances et une très grande robustesse face aux
variations paramétriques de la MADA, elles mènent une minimisation considérable de
l’effet de Chattering, engendré par le mode glissant classique.

Conclusion générale
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.

Le deuxième chapitre de ce mémoire est consacré à la commande par mode glissant

classique (CMG) qui est par nature une commande non-linéaire et que sa loi de
commande se modifié d’une manière discontinue. Au début de ce chapitre, nous avons
présenté le concept général des systèmes à structures variables avec mode de
glissement. Puis, nous avons abordé la commande de la MADA par cette technique, pour
concevoir des régulateurs de puissances statoriques active et réactive robustes. Les
résultats de simulation montrent que les avantages de la commande par mode de
glissement se situent à la robustesse qu’elle offre vis-à-vis les grandes variations
paramétriques de la MADA. Bien que la commande par mode glissant montre une
grande robustesse, son handicap majeur réside dans le signal de commande obtenu, qui
présente des variations brusques dues au phénomène de broutement (effet de
Chattering), causé par l’utilisation de la fonction « sign » par la composante discontinue
de la loi de commande SMC. A cet effet, dans les prochains chapitres nous présenterons
des solutions dans le but de remédier et/ou diminuer l’effet de ce phénomène.
Donc le troisième chapitre propose une hybridation entre le mode de glissement et la
logique floue. Cette hybridation a donné naissance d’un nouveau régulateur : c’est un
système à une inférence floue qui génère les paramètres de la composante équivalente
de la loi de commande par mode glissant, on l’appelle commande par mode glissant-
floue (FSMC). Les résultats obtenus ont montré des performances très satisfaisantes et
significatives d’une bonne régulation. Aussi cette hybridation assure une minimisation
considérable du phénomène de broutement qu’elle engendre, limite le stress mécanique
sur l’arbre de transmission MADA-multiplicateur et amène une amélioration du taux
d’harmoniques (THD) des courants générés par la MADA. Cependant, le problème
majeur de la commande par mode glissant-floue réside dans la difficulté de conception
d’un régulateur flou.
Le quatrième chapitre présente une alternative hybridation avec les réseaux de
neurones artificiels (NSMC) et les systèmes neuro-flous (SMC-ANFIS) qui possèdent des
caractéristiques essentielles pour l’amélioration des performances de la commande
proposée (CMG). Concernant les réseaux de neurones, des améliorations importantes
ont été apportées avec les régulateurs neuronaux par rapport au mode glissant classique
en termes de rejet de perturbations, taux d’harmoniques des courants (statorique et
rotorique). Les RNA apportent des améliorations importantes aussi par rapport au mode
glissant-flou en termes de robustesse et la facilité de construction d’un régulateur

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.

Annexes
Annexe « A »
 Paramètres du système éolien
 A.1 - Paramètres de la turbine éolienne [DJE15]
Tableau A.1: Paramètres de la turbine éolienne de 1.5MW.

Nom et symbole des paramètres Valeur numérique
Nombre des pales 3
Rayon du rotor R 35.25m
Gain du multiplicateur de vitesse G 90
Moment d’inertie total J 1000 Kg.m2
Coefficient de frottement visqueux f v 0.0024N.m.s-1
Vitesse du vent de démarrage vd 4m/s
Vitesse du vent d’arrête vm 25m/s
 A.2 - Paramètres de la machine asynchrone à double alimentation [DJE15] :
Tableau A.2: Paramètres de la MADA de 1.5MW.

Nom et symbole des paramètres Valeur numérique
Puissance nominale Pn 1.5MW
Courant nominal I n 1900A
Tension nominale statorique Vs 398/690V
Fréquence nominale statorique f 50Hz

Tension nominale rotorique Vr 225/389V
Résistance statorique Rs 0.012Ω
Résistance rotorique Rr 0.021Ω

Inductance statorique Ls 0.0137 H
Inductance rotorique Lr 0.0136H

Inductance mutuelle Lm 0.0135H
UDL-SBA-2019 Page I
Annexes
Tension du bus continu U DC 1200V
Inertie totale J 1000kg.m2

Nombre de paires de pôles p 2
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.
A.4.2. Système d'orientation des pales "pitch control"
Il utilise la variation de l’angle de calage des pales. En variant l’angle d’incidence

de la pale, on modifie le rapport entre les composantes de portance et de
traînage. L’angle d’incidence optimal conduit à la puissance maximale disponible. En
général, la modification de l’angle de calage de la pale de l’éolienne permet quatre
actions distinctes :
 le démarrage à une vitesse du vent Vd plus faible.

 l’optimisation du régime de conversion de l’énergie, quand la vitesse du vent
évolue entre les limites [Vd, Vn] en complément de la vitesse variable dans
une plage relativement réduite.
 la régulation par limitation de la puissance pour V >Vn.
UDL-SBA-2019 Page II
Annexes
Figure B.1: système de régulation de la vitesse de rotation de l’éolienne.
 Synthèse du régulateur PI pour le contrôle MPPT :
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. Cependant
le couple peut présenter un dépassement important qui peut nuire au fonctionnement
du système, pour palier à ce problème on utilise une limitation de la référence du
couple à la sortie du correcteur, la vitesse à régler se définit à partir de l’équation
mécanique, la structure du régulateur de vitesse est montrée sur la figure (B.2).
Modèle du régulateur PI Modèle réduit de la turbin

Cg
Ωg* Cg* +
+ Ωg
+ -
-
Saturation
Figure B.2: Schéma bloc de régulation de la vitesse de rotation.
UDL-SBA-2019 Page III

Annexes
Nous pouvons écrire la fonction de transfert en boucle fermée sous la forme

mathématique suivante :
*
Ωg  F ( s )  Ωg  G( s )  C g (B.1)Où
la fonction de transfert en boucle ouverte (FTBO) de la référence sur la vitesse Ω g* :
kpΩ .s  kiΩ
FTBO  (B.2)
( fv  J.s ).s
Et F(s) est la fonction de transfert en boucle fermée (FTBF) de la référence sur la

vitesse Ω g* :
kpΩ .s  kiΩ
F( s )  2
(B.3)
J .s  ( fv  kpΩ ).s  kiΩ
La fonction de transfert en boucle ouverte (FTBO) de la perturbation :
kpΩ .s  kiΩ
FTBO  (B.4)
( fv  J.s ).s
Et G(s) est la fonction en boucle fermée (FTBF) de la perturbation :
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

Donc, pour imposer un temps de réponse et un facteur d’amortissement nous trouvons :
k p  J . 2ξw n  f v
k i  w n2 . J
Nous avons choisi : ξ =1 et w n =100
UDL-SBA-2019 Page IV
Annexes
kp ki
Régulateur de la MPPT 200000 199999.9976
Tableau A.3: Paramètres de régulateur MPPT.
Annexe « C »
 C.1-Fuzzy Toolbox
Erreur e (entrée) Dérivé d’erreur (entrée)
Dérivé de courant (sortie)
Figure C.1: Fonctions d’appartenance
UDL-SBA-2019 Page V
Annexes
 C.2-Base des règles :
Figure C.2 : Base des règles
Figure C.2 : Surface caractéristique d’un régulateur flou
UDL-SBA-2019 Page VI
Annexes
Annexe « D »
 D.1- Apprendre le comportement de régulateur flou (Apprentissage)
UDL-SBA-2019 Page VII

Annexes
UDL-SBA-2019 Page VIII

Annexes
D.2- Architecture du réseau de neurones sous SIMULINK
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
E.2- Structure d’un régulateur neuro-flou (ANFIS)
Figure E.1 : Surface caractéristique d’un régulateur neuro-flou
UDL-SBA-2019 Page XII

Annexes
Annexe « F »
 F.1-Comparaison de caractéristique dans l’état normale
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
Tableau F.1: comparaison des performances des trois régulateurs.
Figure F.1: comparaison entre les différents types de commande
UDL-SBA-2019 Page XIII

Page XIV
Annexes
15 ps
vdc To Workspace
Ps
cem
Vrq
Figure F.1: Schéma de simulation de L’ensemble MADA + Turbine.

Scope1 To Workspace1
Var Ce
ua
Vrd
Vbr
Scope6 qs
Qs
ub
MLI
onduleur Vrd
Vcr To Workspace2
wmec
Scope2
Vrq
uc
teta sr wm
Ir
Scope5
source Subsystem3 PARK2 To Workspace3
tetasr ct
Onduleur2 Is
1 tetasr
314 Scope7 ir
s MADA
Ws Integrator Goto2 To Workspace4
Gain11
is
Ws p
Scope9 To Workspace5
Goto8
1
Wt tetas Wmec Scope4
s Gain1
From6 Integrator1 Goto9 Goto4
-K-
Annexe « G »
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
Figure F.1: Schéma bloc de la commande par mode glissant.

Vqr
netsum2
iqr Rr
Iqr Gain1
netsum
idr -K-
Idr Gain2
ps -K-
Ps Sign2 Gain8
netsum1
2 du/dt -K-
Qs*
Derivative1
Gain4
2
Vdr
netsum5
idr Rr
Idr1 Gain5
netsum3
iqr -K-
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 .
[ADJ11] : ADJOUDJ Mohamed, ≪Commande d’une machine asynchrone à double

alimentation ≫ ; Thèse de Doctorat en Electrotechnique, Université Djillali Liabès de Sidi
Bel-Abbès, 2011.
[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.
[BOU15]: BOUDJEMA Zinelaabidine, ≪Etude et commande d’un système de

production d’électricité renouvelable locale (énergie éolienne et photovoltaïque) ≫ ;
Thèse de Doctorat en Electrotechnique, Université Djillali Liabès de Sidi Bel-Abbès,
2015.
[BEL15]: BELLOUL Abdallah, Ben NADJI Hocine, ≪ Commande de la puissance active

et réactive du GADA par la méthode de mode glissant ≫ ; Mémoire Master Académique
en Réseaux Électriques, Université Echahid Hamma LakhdarEl-Oued, 2015.
[BAG99] : BAGHLI Lotfi, ≪ Contribution à la commande de la machine asynchrone,

utilisation de la logique floue, des réseaux de neurones et des algorithmes génétiques≫,
Thèse Présentée pour l’obtention du titre de Docteur de l’Université Henri Poincaré,
Nancy-I en Génie Electrique, 1999.
[BEK18] : BEKHADA Hamane, ≪ thèse commande robuste d'un aérogénérateur à base

de machine asynchrone à double alimentation pilotée par un convertisseur matriciel≫,
Thèse présentée à L'université du QUÉBEC à Trois-Rivières comme exigence partielle du

doctorat en Génie Electrique, 2018.
[BEN11]: BENCHAABANE Achour, ≪commandes hybrides neuro - glissantes et neuro

floues - glissantes appliquées au simulateur d’hélicoptère TRMS≫, Mémoire de Magister
en Automatique, Ecole Nationale Polytechnique, Alger, 2011.
≪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.
[DJE09]: DJERIRI Youcef, ≪Commande vectorielle d’une MADA intégrée à un système

éolien ≫ ; Mémoire de magister en Électrotechnique, université Djilali liabes, sidi bel-
abbès, 2009.
[DEN10]: DENDOUGA Abdelakim, ≪Contrôle des puissances active et Réactive de la

machine à double alimentation (DFIM) ≫ ; Thèse de doctorat en Electrotechnique,
Université de Batna, 2010.
[DJE17] : DJERIRI Youcef, Boudjema Zinelaabidine, ≪Article Commande robuste par

la logique floue et les réseaux de neurones artificiels de la GADA : étude comparative≫,
Université Djillali Liabès de Sidi Bel-Abbès, Université Hassiba Benbouali, Chlef, 2017.
[DEL15] : DELHEM Ibtissem et Dermel Somia ≪ Application des techniques de

commandes intelligentes pour le contrôle d'une machine asynchrone à double
alimentation≫ ; Mémoire Master Académique en Electrotechnique, Université Abou
Bekr Belkaïd de Tlemcen, 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.
≪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.
[LAH11] : LAHOUAZI Ferhat, ≪Mise en œuvre d’une stratégie de commande neuro

floue : Application à un pendule inversé≫ ; Mémoire de Magister en Automatique,
Université Mouloud Mammeri, Tizi-Ouzou, 2011.
≪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.
[MES17] : MESAI Ahmed Hamza, KAIS Nadir, ≪Commande de la machine asynchrone

à double alimentation – apport des techniques de l’intelligence artificielle≫ ; Mémoire
Master en Electrotechnique, Université Djillali Liabès de Sidi Bel-Abbès, 2017.
[MER16] : MERZOUGUI Benyamina, HAMIAN Fadila, ≪Contrôle latérale d’un

véhicule Avec la technique hybride mode Glissant/backstepping≫ ; Mémoire de Master,
Université Dr tahar Moulay de Saida, 2016.
[MES18] : MESLEM Mehadjia, ≪ Commandes non linéaires de la machine asynchrone à

double alimentation utilisée dans une chaîne de conversion d’énergie éolienne à vitesse
variable ≫ ; Mémoire Master en Electrotechnique, Université Djillali Liabès de Sidi Bel-

Abbès, 2018.
[MEL14] : MELIANI Bouziane ≪Application des techniques intelligentes à la

commande d’une machine asynchrone double étoile associée à un convertisseur
matriciel ≫ ; thèse doctorat en en Electrotechnique, Université Djillali Liabès de Sidi Bel-
Abbès, 2014.
≪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.
[TAR15] : TARFAOUI Boumediene, ≪ Commande par mode Flou Glissant de la

Machine Asynchrone Double Alimentée utilisée en Aérogénérateur≫ ; Mémoire
Magister en Automatique, Université des Sciences et de la Technologie Mohamed
Boudiaf Oran, 2015.
[TAH16]: TAHRAOUI Abdessamed, TALBI Zakaria ≪Commande d’une génératrice

asynchrone à double alimentation par des techniques intelligentes≫ ; Mémoire Master
en Electrotechnique, Université Aboubakr Belkaïd– Tlemcen, 2016.
≪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
Résumé : Dans ce travail, nous étudions la modélisation, la simulation et la commande

d'un système de conversion d'énergie éolienne à base d'une machine asynchrone à
double alimentation (MADA), connectée directement au réseau et pilotée par son
convertisseur côté rotor. Après la modélisation de la chaîne de conversion d’énergie
éolienne complète avec exploitation de la commande MPPT, le contrôle par mode
glissant a fait l’objet de l’étude pour le contrôle indépendant de la puissance active et
réactive statorique de la MADA. Les résultats obtenus mettent en évidence la haute
performance de la stratégie de commande proposée ainsi que sa robustesse vis-à-vis les
variations paramétriques de la MADA. Cependant, cette technique de commande pose le
problème des fluctuations sur les différentes grandeurs de sortie de la MADA, la cause
principale de ce problème est l’effet de « Chattering ». Pour remédier à ce problème nous
avons recours aux techniques de l’intelligence artificielle, telles que, la logique floue, les
réseaux de neurones et les systèmes neuro-flous. L’hybridation entre ces techniques et
le mode glissant aboutit à des commandes aussi robustes à savoir : FSMC, NSMC et SMC-
ANFIS, qui apportent une minimisation considérable de l’effet de « Chattering ». Des
tests de robustesse ainsi que des analyses harmoniques des courants sous
Matlab/Simulink ont prouvé l’efficacité de ces techniques proposées.
Mots clés : Energie éolienne, MADA, mode glissant, intelligence artificielle, logique floue,
réseaux de neurones, neuro-floue, robustesse, Chattering, harmoniques.

Commandes Hybrides de La Machine Asynchr PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Commandes Hybrides de La Machine Asynchr PDF

Hochgeladen von

Copyright:

Verfügbare Formate

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE DJILLALI LIABES DE SIDI-BEL-ABBES

Projet de Fin d’Etude présenté par :

Pour l'obtention du diplôme de :

Domaine Sciences technologies

Commandes hybrides de la machine

Pr. MEROUFEL ABDELKADER Professeur (U.D.L. Sidi Bel-Abbès) Président

Soutenu en: Juillet 2019

réaliser ce projet, qui est un résultat d'un long travail.

Notre profond remerciement à notre encadreur Mr: DJERIRI Youcef, pour

son suivi et conseils durant l’évolution de ce travail.

Nous teignions également à exprimer notre gratitude envers tous les

enseignants de l’université Djillali Liabès de Sidi Bel-Abbès qui ont contribué à

A tous ce qui ont contribuée de près ou de loin à notre formation.

Je dédie ce modeste travail

Je tiens à dédier ce modeste travail à ceux qui me sontles plus chers

MADA : Machine Asynchrone à Double Alimentation.

MPPT : Maximum Power Point Tracking.

 Symboles spécifiques à la turbine :

Ωméc (rad/s) Vitesse mécanique de la turbine

Cc-max (–) Coefficient du couple relatif à l’extraction maximale de puissance,

 Paramètres de modélisation de la MADA :

Cem (N.m) Couple électromagnétique de la génératrice

 (– ) Coefficient de dispersion de Blondel,

r (rad) Position angulaire du rotor par rapport à l’axe (d).

 Grandeurs électriques au stator :

Pnom (W) puissance électrique nominale

 Grandeurs électriques au rotor :

Pr (W) Puissance active rotorique,

 Grandeurs magnétiques au stator :

ϕs a, b, c (Wb) Flux instantané magnétiques au stator,

 Grandeurs magnétiques au rotor :

ϕr a, b, c (Wb) Vecteur de flux magnétiques au rotor,

Ωs (tr/min) la vitesse du synchronisme

 Grandeurs de commande de la MADA

Cem* (N.m) Consigne du couple électromagnétique,

r (s) constant de temps

Figure I.1 : Conversion de l’énergie cinétique du vent .........................................................................5

Figure I.26: Représentation schématique d’un onduleur de tension alimente le rotor de la

Figure II.1 : Structure de régulation par commutation au niveau de l’organe de

Figure III.8 : Exemple de fuzzification....................................................................................................... …77

Figure IV.1: Modèle d'un neurone biologique..........................................................................................94

Figure IV.17: Résultats de simulation de la commande hybride de la MADA neurone-

Tableau I.1 : Avantages et inconvénients des génératrices synchrone………………………… 10

Tableau III.1 : Méthodes usuelles de l’inférence floue……………………………………………………79

Tableau IV.1 : analogie entre le neurone biologique et le neurone formel…………………… 98

Tableau A.1: Paramètres de la turbine éolienne de 1.5MW…......................................................... I

INTRODUCTION GENERALE ..................................................................................................................................... 1

I.5.1.Algorithmes de maximation de la puissance extraite………………………… ...................... 25

II.4.2. Condition d’existence de convergence……………………………………………………………… 53

Chapitre III : Commande hybride mode glissant- floue de la MADA………………………68

III.6. Principes généreux d’une commande par logique floue………………………………………… 75

Chapitre IV : La commande hybride mode glissant-neurone/neurone-floue de la

IV.2.5. Modélisation d’un réseau de neurones……………………………………………………………. 98

L’énergie électrique est un élément crucial pour tout développement socio-

Face à cela et avec la diminution du stock mondial en hydrocarbure et surtout la

Les énergies renouvelables sont propres et constituent une solution alternative

monde, à un prix concurrentiel à celui de l’énergie produite par les installations

Le sujet de ce mémoire consiste à concevoir des stratégies de commande simples à

Notre étude s’articule autour des chapitres suivants :

élevées de cette technique de commande et sa robustesse vis-à-vis les variations

Le troisième chapitre, sera consacré à la commande hybride par mode glissant-floue.