Détail du document
Contribution à l'optimisation des systèmes hybrides de production d'énergies renouvelables
Résumé
Cette thèse traite de l’optimisation de la commande des systèmes hybrides à sources d’énergies renouvelables. Initialement, deux nouveaux algorithmes de poursuite du point de puissance maximale (MPPT) d’un système photovoltaïque (PV) sont développés. Ces algorithmes sont basés sur la courbe caractéristique courant-tension d’un panneau PV et exploitent le neurone linéaire adaptatif (ADALINE).
[...]
Pour prouver leur efficacité, une validation expérimentale suivant la norme prEN 50530 est mise en œuvre. Par la suite, la modélisation et la commande d’un système éolien de petite puissance sont présentées. La stratégie de contrôle est constituée d’une commande MPPT de la turbine et d’une commande vectorielle de la génératrice. Des tests en simulation sont menés où un fonctionnement correct et un rendement maximal du système éolien sont atteints. L’étude et la commande d’un système de stockage d’énergie sont également mises en œuvre. La technique de régulation en cascade est adoptée pour la commande de ce système. Le système de stockage a assuré avec succès le transfert bidirectionnel de l’énergie et la régulation de la tension du bus continu. Ensuite, une commande direct-quadrature d’un onduleur monophasé à modulation de largeur d’impulsion (MLI) isolé du réseau est proposée où une nouvelle méthode de génération de signal orthogonal est élaborée. Une commande directe de puissance prédictive à base du flux virtuel (FV) d’un onduleur triphasé à MLI connecté au réseau est aussi développée. Dans cette commande, un nouvel estimateur de FV basé sur un filtre neuronal adaptatif est proposé. Plusieurs simulations et expérimentations sont effectuées où les commandes proposées se sont révélées être plus performantes comparées aux méthodes conventionnelles. Finalement, un système hybride PV/éolien/batteries est mis en œuvre et ensuite testé par simulation. L’interaction entre les différents sous-systèmes constituant ce système hybride est d’abord analysée. A la fin, une stratégie de gestion de l’énergie dans le système hybride est proposée et validée..This thesis deals with the control optimization of hybrid renewable energy systems. Initially, two new algorithms for maximum power point tracking (MPPT) in photovoltaic (PV) systems are developed. These algorithms are based on the current-voltage characteristics curve of a PV panel and exploit the adaptive linear neuron (ADALINE) technique. In order to prove their effectiveness, experimental validation according to prEN 50530 test standard is carried out. The proposed controls have proven to be a highly efficient. Thereafter, modeling and control of a small wind-energy conversion system are presented. The control strategy is based on an MPPT control of the wind turbine and a vector control of the generator. The Wind energy conversion chain is simulated. A proper operation and a maximum efficiency are achieved. Design and control of a renewable energy storage system are also presented. A cascade control structure is adopted for this system control. The storage system has successfully ensured bidirectional energy transfer as well as the DC bus voltage regulation. Then, a direct-quadrature rotating frame control method of a single-phase pulse-width-modulation (PWM) inverter in stand-alone operation mode is proposed. To improve this method, a new orthogonal signal generation is designed. A predictive direct power control method based on the virtual flux (VF) of a three-phase grid-connected PWM inverter is also proposed. For this control, a new VF estimator based on an adaptive neural filter is developed. Several simulations and experimental tests are carried out. Compared to conventional methods, the proposed controls have proven to be more efficient. Finally, a PV/wind/battery hybrid system is implemented and tested through simulations. Interaction between its different subsystems is analyzed. Moreover, an energy management strategy for the hybrid system is proposed and validated.