commande dun systheme pv par l IA

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR
ET DE LA RECHERCHE S CIENTIFIQUE
U NIVERSITE . Y AHIA FARES DE M EDEA
F ACULTE DE T ECHNOLOGIE
Département de l’électrotechnique
Mémoire de Fin d'Études

Présenté pour l'obtention du Diplôme
de Master en électrotechnique
Option : Réseaux et commandes électriques
THEME
Commande d’un système photovoltaïque connecté à un
réseau de distribution par les techniques de l’intelligence
artificiel.
Proposé et dirigé par

ABBADI Amel
HAMIDIA Fathia
Préparé et présenté par,

MOUZAOUI Faiza
YOUS Imene
Année Universitaire 2017-2018

Remerciement
Avant tout nous tenons nos remerciements à notre dieu de nos avoir
donné la force et le courage.
A la suite Nous tenons à remercier vivement Mme. ABBADI AMEL
notre promotrice qui a fourni des efforts énormes, par ses
informations ses conseils et ses encouragements.
Nous tenons également à remercier messieurs les membres de jury
pour
l’honneur qu’ils nos ont fait en acceptant de siéger à notre soutenance,
pour nous avoir fait
l’honneur de présider le jury de cette mémoire.
Nos vifs remerciements aussi
Tous deux maîtres assistants à l’université
De Médéa, pour avoir accepté d’être examinateurs de ce travail.
Et tous les professeurs de département de Génie électrique
(Ms. MORSLI, Mme HAMIDIA et Ms KCHIDA)
A tous ce qui furent à un moment ou à toute instante partie prenante
de
ce travail.
Nos plus chaleureux remerciements pour tous ceux qui de prés et de
loin
ont contribué à la réalisation de cette mémoire
Et à toute la promotion de l’éléctrothecnique
2018.
Dédicace
Je dédie ce travail à :
Mes chers parents, que nulle dédicace ne peut
exprimer mes sincères sentiments, pour leur patience
Illimitée, leur encouragement continu, leur aide, en
Témoignage de mon profond amour et respect
Pour leurs grands sacrifices.
Mon marié : Nabil et ma belle-mére,
Pour leur grand amour
Et leur soutien qu’ils trouvent ici
L’expression de ma haute gratitude.
Mes chers amies qui sans leur encouragement ce travail
N’’aura jamais vu le jour.
Et à toutes les familles MOUZAOUI et ALLOUCHE
A l’étudiante de notre groupe de travail : Imene
et à tous ceux qui nous aimons.
Faiza
Dédicace
Je dédie ce modeste travail à :
Mes chers parents qui m’ont beaucoup encouragé et soutenu pendant
tout leur vie pour voir le jour là et pour ces précieux conseils ainsi
pour ses recommandation.
A mes très chérs frères : Hamza ,Youcef , Mustapha et Hichem
A toute ma famille YOUS, grand et petit sans exception.
A ma binome Faiza
A touts mes amis.
Merci pour les moments grandioses passés et a venir.
Imene
‫ تزكش‬.‫أظهزث انتكُىنىجيا انكهزوضىئيت إيكاَاتها انكبيزة كًصذر نهطاقت انًتجذدة‬، ‫ في عصز انتًُيت انًستذايت‬: ‫الملخص‬
.‫هذِ انًذكزة عهً تحسيٍ أداء وكفاءة انُظاو انكهزوضىئي يٍ خالل استخذاو خىارسييت يُاسبت نهتحكى في واجهت انطاقت‬
‫انهذف انزئيسي هى انعثىر عهً خىارسييت أو قاَىٌ تحكى فعال الستخزاج انطاقت انقصىي انًتاحت يٍ يىنذ كهزوضىئي‬
‫ باستخذاو خىارسييت انكالسيكيت (سيادة انتىصيم) وخىارسييت انذكاء االصطُاعي ( انًُطق‬,‫يع تقهيم انتشىيش عهً انشبكت‬
. )‫ وانشبكت انعصبيت االصطُاعيت وانشبكت انعصبيت انًزكبت بانًُطق انضبابي‬، ‫انضبابي‬
- ‫ انًُطقي انضبابي‬-‫خىارسييت سيادة انتىصيم‬- ‫انذكاء االصطُاعي‬- MPPT-‫انُظاو انكهزوضىئي‬: ‫الكلمات المفتاحية‬
.‫انشبكت انعصبيت انًزكبت بانًُطق انضبابي‬- ‫انشبكت انعصبيت االصطُاعيت‬
Résumé : À l’ère du développement durable, la technologie photovoltaïque a montré son

potentiel significatif comme source d’énergie renouvelable. Ce mémoire est centré sur
l’amélioration des performances et du rendement d’un système photovoltaïque à travers
l’utilisation d’un algorithme approprié pour la commande de l’interface de puissance.
L’objectif principal est de trouver un algorithme ou une loi de commande efficace et optimale
permettant d’extraire le maximum de puissance disponible à partir du générateur
photovoltaïque (GPV) avec une minimisation des harmoniques sur le réseau, en utilisant un
algorithme classique (IncCond) et des algorithmes d’intelligence artificielle (la logique floue,
réseau de neurone artificiel et réseau de neuro-floue).
Mots clés: Système PV - MPPT - l’intelligence artificielle - incrément de conductance -
logique floue – réseau de neurone artificiel –réseau de neuro flou.
Abstract: In the era of sustainable development, photovoltaic technology has shown its
significant potential as a source of renewable energy. This work focuses on improving the
performance and efficiency of a photovoltaic system through the use of an appropriate
algorithm for controlling the power interface.
The main objective is to find an efficient and optimal algorithm or control law allowing to
extract the maximum available power from the photovoltaic generator (GPV) with a
minimization of harmonics on the network, using a classical algorithm (IncCond) and
artificial intelligence algorithm (fuzzy logic, artificial neural network and neuro-fuzzy
network.
Keywords :PV system, MPPT, Modeling, Simulation, artificial intelligence, disturbance &
observation and conductance increment-fuzzy logic control -artificial neural network.
Introduction générale…………………………………………………………………………..1
Chapitre I: généralité sur l’énergie solaire

I.1. Introduction .......................................................................................................................... 3
I.2.Système photovoltaïque ........................................................................................................ 3
I.2.1. Définition .......................................................................................................................... 3
I.2.2. Principe de fonctionnement............................................................................................... 3
I.3. Cellule photovoltaïque ......................................................................................................... 5
I.3.1. Les différents types de cellules solaires (cellules photovoltaïque) ................................... 6
I.3.2. Caractéristiques électriques d’une cellule photovoltaïque ................................................ 6
I.3.3. Paramètres d’une cellule photovoltaïque .......................................................................... 8
I.3.3.1.Courant de court-circuit (Icc) .......................................................................................... 8
I.3.3.2.Tension de circuit-ouvert (Vco) ...................................................................................... 8
I.3.3.3. Rendement énergétique .................................................................................................. 9
I.3.3.4. Facteur de forme ............................................................................................................ 9
I.4. Générateur photovoltaïque et ses performances .................................................................. 9
I.4.1. Caractéristique Courant-Tension .................................................................................... 10
I.4.2. Influence de l’éclairement et la température sur les courbes I=f(V) et P=f(V) .............. 11
I.4.3. Influence de l’association série des cellules PV ............................................................. 12
I.4.4.Influence de l’association parallèle des cellules PV ........................................................ 13
I .4.5. Influence de l’association mixte (Série +Parallèle) des cellules PV .............................. 14
I.5. Panneau photovoltaïque ..................................................................................................... 14

I.6. Avantages et inconvénients d’une installation PV ............................................................. 15
I.6.1. Avantages ........................................................................................................................ 15
I.6.2. Inconvénients .................................................................................................................. 15
I.7. Conclusion……………………………………………………………………………..16
Chapitre II : les convertisseurs DC-DC et DC-AC
II.1. Introduction ....................................................................................................................... 18
II.2 .Les convertisseurs DC-DC (hacheurs).............................................................................. 18
II.2.1. Modélisation du convertisseur survolteur ...................................................................... 18
II.2.1.1. Modèle mathématique équivalent .............................................................................. 19
II.2.1.2. Modèle approximé du convertisseur Boost ................................................................ 20
II.2.1.3.Étude en régime continu .............................................................................................. 23
II.2.2. Modélisation du convertisseur dévolteur (Buck) .......................................................... 24
II.2.3. Modélisation du convertisseur Buck-Boost ................................................................... 27
II.3.Les convertisseurs DC-AC (onduleurs) ............................................................................. 28
II.3.1.Introduction ..................................................................................................................... 28
II.3.2.Modèle de l’onduleur a trois niveaux ............................................................................. 29
II.3.3.La commande de l’onduleur ........................................................................................... 30
II.3.3.1.Principe de génération de la PWM .............................................................................. 30
II.3.3.2.Etude d’un onduleur à trois niveaux commandé par MLI ........................................... 30
II.4 Conclusion ......................................................................................................................... 32
Chapitre III: technique de commande de poursuite d’un système PV
III.1.Introduction : .................................................................................................................... 33
III.2.Les techniques MPPT: ...................................................................................................... 34
III.2.1.Algorithme d’incrémentation de l’inductance : ............................................................. 34
III.2.2.La logique floue :........................................................................................................... 36
III.2.2.1. Définition :................................................................................................................. 36
III.2.2.2. Les fonctions d’appartenance : .................................................................................. 36
III.2.2.3. Structure générale d’un régulateur par logique floue : .............................................. 38
III.2.2.4.Les avantages et les inconvénients : ........................................................................... 39
III.3. Réseau de neurone : ......................................................................................................... 39
III.3.1.Historique : .................................................................................................................... 39
III.3.2. Le neurone biologie : .................................................................................................... 40
III.3.2.1. Le corps cellulaire : ................................................................................................... 40
III.3.2.2. Les dendrites :............................................................................................................ 40
III.3.2.3. L’axone : .................................................................................................................... 40
III.3.3. Le neurone artificiel : ................................................................................................... 41
III.3.4. Les composants d’un réseau de neurone : .................................................................... 42
III.3.5. Les différentes structures des réseaux de neurones : .................................................... 42
III.3.5.1. Réseau de neurones multicouches : ........................................................................... 42
III.3.5.2. Réseau à connexions locales : ................................................................................... 43
III.3.5.3. Réseau à connexions récurrentes : ............................................................................. 44
III.3.5.4. Réseau à connexions complètes : .............................................................................. 44
III.3.6. Les fonctions d’activations : ......................................................................................... 44
III.3.7. Les techniques d’apprentissage : .................................................................................. 45
III.3.7.1. Apprentissage supervisé : .......................................................................................... 45
III.3.7.2. Apprentissage non supervisé : ................................................................................... 45
III.3.8. Les avantages et les inconvénients : ............................................................................. 46
III.3.8.1. Les Avantage : ........................................................................................................... 46
III.3.8.2. Inconvénients :........................................................................................................... 46

III.4.Les systèmes Neuro-flous: ............................................................................................... 46
III.4.1.Méthodes des combinaisons Neuro-floues : .................................................................. 47
III.4.2. Modèles Neuro-flous hybrides : ................................................................................... 48
III.4.2.1. Le système Neuro-flou hybride de type Mamdani : .................................................. 48
III.4.2.2. Le système Neuro-flou hybride de type Takagi-Sugeno : ......................................... 48
III.4.3. Les avantages des systèmes Neuro-flous : ................................................................... 50
III.4.3.1. La rapidité de calcul : ................................................................................................ 50
III.4.3.2. La flexibilité : ............................................................................................................ 50
III.4.3.3. Généralisation des connaissances : ............................................................................ 50
III.4.4. Les types d’implémentation des réseaux Neuro-flous : ............................................... 51
III.4.5. NEFCLASS (Neuro-fuzzy classification) : ................................................................. 51
III.4.6. NEFCON (Neuro-Fuzzy Controller) : .......................................................................... 51
III.4.7. NEFPROX (Neuro Fuzzy function approximator) : .................................................... 52
III.4.8.ANFIS (adaptative-network-based fuzzy inference system):........................................ 53
III.5.Conclusion :…………………………………………………………………………. .54
Chapitre IV : Description de système et simulation
IV.1. Introduction : ................................................................................................................... 55
IV.2. Description de système : ................................................................................................. 55
IV.2.1.Les régulateurs du VSC : .............................................................................................. 56
IV.2.2.Régulateur MPPT : ........................................................................................................ 60
IV.3. Simulation : ..................................................................................................................... 62
IV.3.1. Simulation de système avec IncCond : ........................................................................ 63
IV.3.2.Simulation de système avec la logique floue : .............................................................. 67
IV.3.3.Simulation de système avec le réseau de neurone : ...................................................... 70
IV.3.4.Simulation du système avec le réseau de neuro-floue : ................................................ 74

IV.4. Etude comparative de la puissance entre les quatre contrôleurs : ................................... 78
IV.5.Conclusion :………………………………………………………………………….83
Conclusion générale…………………………………………………………………………84
Chapitre I : système photovoltaïque
Figure(I.1) :Schéma électrique de principe de fonctionnement photovoltaïque. ....................... 4

Figure (I.2) : Le principe de fonctionnement d’une cellule solaire. ........................................... 4
Figure(I.3): Structure basique d’une cellule solaire. .................................................................. 5
Figure (I.4) : Schéma équivalent électrique de la cellule photovoltaïque. ................................. 7
Figure (I.5) : Caractéristique I =f (V) d’un module photovoltaïque......................................... 10
Figure (I.6) : L’influence de l’éclairement sur la caractéristique I=f(V). ................................. 11
Figure (I.7) : L’influence de l’éclairement sur la caractéristique P=f(V)................................. 11
Figure (I.8) : L’influence de la température sur la caractéristique I=f(V). ............................... 12
Figure (I.9) : L’influence de la température sur la caractéristique P=f(V). .............................. 12
Figure (1.10) : Association de N modules solaires en série. .................................................... 13
Figure (I.11) : Association de Np modules solaires en parallèle. ............................................. 13
Figure (I.12) : Association mixte Ns x Np modules solaires. .................................................... 14
Figure (I.13) : Panneau photovoltaïque. ................................................................................... 15
Chapitre II: les convertisseurs DC-DC et DC-AC
Figure(II.1) : Schéma électrique du convertisseur boost. ......................................................... 19

Figure( II.2) : Schémas équivalents du hacheur survolteur, (a) : K fermé, (b) : ouvert. .......... 19
Figure(II.2.1) : Schémas équivalents du hacheur survolteur, pour K est fermé. ...................... 19
Figure(II.2.2) : Schémas équivalents du hacheur survolteur, pour K est ouvert. ..................... 20
Figure (II.3) : Allure des variables dynamiques. ..................................................................... 21
Figure(II.4): Caractéristique de la tension et du courant du hacheur survolteur. ..................... 24
Figure(II.5): Circuit électrique de base du hacheur dévolteur. ................................................. 25
Figure (II.6) : Caractéristique de la tension et des courants. .................................................... 26
Figure(II.7) : Variation de la tension de charge avec le courant de charge pour un
Convertisseur Buck . ................................................................................................................ 27
Figure(II.8) : Circuit électrique de base du hacheur survolteur/dévolteur. .............................. 27
Figure(II.9): Caractéristique de la tension et du courant du buck-boost. ................................. 28
Figure(II.10) : la structure d’un onduleur de tension triphasé à trois niveaux à....................... 29
Figure(II.11):Diagramme vectoriel de l’onduleur. ................................................................... 29
Figure(II.12) : Etapes de la MLI vectoriel. ............................................................................... 31
Chapitre III: MPPT avec IncCond et les intelligences artificielles
Figure (III.1) : Schéma synoptique d’un système photovoltaïque avec MPPT. ....................... 33
Figure (III.2) : Organigramme de la méthode d’incrémentation de l’inductance . .................. 35
Figure (III.3) : Formes usuelles des fonctions d’appartenance . .............................................. 37
Figure( III.4) : Structure générale d’un régulateur par logique floue. ...................................... 38
Figure (III.5) : Le modèle d’un neurone biologique. ................................................................ 41
Figure (III.6) : Neurone Artificiel. ........................................................................................... 41
Figure(III.7) : Réseau de neurones multicouches. .................................................................... 43
Figure (III.8):Réseau à connexions locales. ............................................................................. 43
Figure(III.9) : Réseau à connexions récurrentes. ...................................................................... 44
Figure(III.10):Réseau à connexions complètes. ....................................................................... 44
Figure (III.11):Quelque fonction d’activations. ....................................................................... 45
Figure (III.12) : principe de Neuro flou. ................................................................................... 47
Figure (III.13) : Le système Neuro-flou de Mamdani. ............................................................. 48
Figure( III.14) : Le système Neuro-flou de Takagi-Sugeno. .................................................... 49
Figure (III.15): Architecture de NEFCLASS. .......................................................................... 51
Figure( III.16) : Architecture de NEFCON. ............................................................................. 52
Figure (III.17) : Architecture de NEFPROX. ........................................................................... 53
Figure(III.18): Architecture de l’ANFIS. ................................................................................. 53
ChapitreIV: Résultats de simulation et discussions
Figure(IV.1) : La structure du modèle . .................................................................................... 55

Figure(IV.2) : La structure du VSC. ......................................................................................... 56
Figure(IV.3) :la structure de regulateur VDC. ......................................................................... 57
Figure(IV.4) : Fonction d’appartenance des variables d’entrée. .............................................. 57
Figure(IV.5) : Fonction d’appartenance de la variable de sortie. ............................................. 57
Figure(IV.6) :la structure de régulateur Id-Iq. .......................................................................... 58
Figure(IV.7) : Fonction d’appartenance des variables d’entrée. .............................................. 58
Figure(IV.8) : Fonction d’appartenance de la variable de sortie. ............................................. 59
Figure(IV.9) :la structure de régulateur MPPT. ....................................................................... 60
Figure(IV.10) : Fonction d’appartenance des variables d’entrées. ........................................... 60
Figure(IV.11) : Fonction d’appartenance des variables de sortie ............................................. 61
Figure (IV.12) : La variation de l’irradiation et la température................................................ 63
Figure (IV.13) : La tension PV, le courant PV puissance PV. ................................................. 64
Figure(IV.14) : Le rapport cyclique D...................................................................................... 64
Figure (IV.15) : Les Tensions Vabc. ....................................................................................... 65
Figure(IV.16) : Les courants Iabc............................................................................................. 65
Figure (IV.17): La tension Va et le courant Ia. ........................................................................ 66
Figure (IV.18) : La puissance Pa. ............................................................................................. 66
Figure (IV.19) : Les harmoniques de courant Ia. ..................................................................... 66
Figure (IV.21) : Le rapport cyclique D..................................................................................... 68
Figure (IV.22) : Les tensions Vabc. ......................................................................................... 68
Figure (IV.23) : Les courants Iabc............................................................................................ 69
Figure (IV.24) : La tension Va et le courant Ia. ....................................................................... 69
Figure (IV.28) : Le rapport cyclique ........................................................................................ 72
Figure (IV.35) : Le rapport cyclique ........................................................................................ 76
Figure (IV.40) : Les harmoniques de courant Ia ...................................................................... 78
Figure (IV.41) : variation de la puissance des quatre régulateurs. ........................................... 79
Figure (IV.42): Zoom1.a……………………………………………......................................79
Figure (IV.43): Zoom1.b. ......................................................................................................... 79
Figure (IV.44): Zoom2………………………………………………………………….…….80
Figure (IV.45): Zoom3. ............................................................................................................ 80
Figure (IV.46): Zoom4.a. ......................................................................................................... 81
Figure (IV.47): Zoom4.b. ......................................................................................................... 81
Figure (IV.48): Zoom5. ............................................................................................................ 81
Chapitre IV: Résultats de simulation et discussions
Tableau (IV.1) : la table des règles pour la commande logique floue. ..................................... 58
Tableau(IV.2) : la table des règles pour la commande logique floue. ...................................... 59
Tableau(IV.3) : la table des caractéristiques des régulateurs VDC et IdIq .............................. 59
Tableau(IV.4) : la table des caractéristiques des régulateurs VDC et IdIq .............................. 60
Tableau (IV.5) : la table des règles pour la commande logique floue. ..................................... 61
Tableau(IV.6) : la table des caractéristiques de régulateur MPPT ........................................... 61
Tableau(IV.7) : la table des caractéristiques du régulateur MPPT ........................................... 62
Tableau (IV.8) : les puissances de panneau dans certains intervalles. ..................................... 83
D:variable de sortie.
Eeq : Tension équivalent.
E : l’erreur.
e : la charge de l’électron (e=1,6 10-19 C).
FF : Facteur de forme.
Isat : le courant de saturation(A) .
Ipv : le courant fourni par la cellule lorsqu’elle fonctionne en générateur .
Iph : le photo-courant de la cellule dépendant de l’éclairement et de la

température ou bien courant de (court circuit) .
Icc : Courant de court-circuit(A).
Iopt : Courant optimum (A).
K : la constante de Boltzmann (1,381 10-23 J/K).
Ns : Nombre de modules dans le panneau en séri.
Np : Nombre de modules dans le panneau en parallèle.
n : le facteur d’idéalité de la jonction (1< n<2).
Ppv :Puissance de panneau(W).
Rshu : la résistance shunt caractérisant les courants de fuite de la jonction .
Rser : la résistance série représentant les diverses résistances de contacts et

de connexions .
Rch : resistance de charge .
T : la température effective des cellules en Kelvin(K).

Vpv : la tension aux bornes de cette même cellule .
Vco : Tension de circuit-ouvert(V).
Vopt : Tension optimale (V).
V :tension de MPPT.
η : Rendement énergétique .
ΔE : changement d’erreur.
AC: Courant Alternatif (Alternative Current).
DC: Courant Continu (Direct Current).
GPV: Générateur Photovoltaïque.
MPPT: Maximum Power Point Tracking.
MOSFET : transistors à effet de champ d'oxyde de métal.
VSC :voltage source converter.

Introduction générale
Introduction générale
Dans plusieurs pays en développement avec une importante population rurale et des
tarifs d´électrification importante , la plupart des installations communautaires dédiées à la
santé et à l´éducation n´ont pas accès à l´électricité. Pour les installations localisées dans les
régions éloignées en dehors du réseau national d´électricité, le système d´énergie solaire
photovoltaïque (PV) peut offrir le moyen le plus pratique et le moins coûteux pour avoir accès
à l’électricité.
Le système d´énergie solaire photovoltaïque utilise une ressource solaire prévisible et
à des prix compétitifs de ceux des générateurs à diesel ou à toutes autres sources alternatives.
Par exemple, dans les écoles et les centres de santé des communautés rurales à l´extérieur du
réseau électrique national, le système d´énergie solaire photovoltaïque est souvent le moyen le
plus approprié pour faire fonctionner les équipements et les appareils électriques .Le système
d´énergie solaire photovoltaïque peut être la technologie la moins chère pour fournir le service
de l´électricité.
Un système PV sera donc constitué du générateur photovoltaïque, généralement
associé à l'un ou plusieurs des éléments suivants:
o une gestion électronique (stockage, mise en forme du courant, transfert de l'énergie),
o un stockage palliant la nature aléatoire de la source solaire,
o un convertisseur DC/AC
o une charge en courant continu basse tension ou en courant alternatif standard.
L’étude de systèmes photovoltaïques se ramène à l’étude de l’adaptation de la charge.
On recherchera à optimiser le système pour avoir le meilleur rendement d’adaptation du
système (rapport de l’énergie électrique fournie à l’utilisation à l’énergie électrique qu’aurait
pu fournir le générateur fonctionnant toujours à son point de puissance maximum).
Le but de notre travail consiste la comparaison de la méthode classique et la méthode

de l’intelligence artificiel.
Dans ce cadre, le présent travail décrit une étude détaillée du système d´énergie solaire
photovoltaïque relié à un réseau de distribution.
Notre travail est structuré en quatre chapitres, dont le contenu est succinctement
résumé ci-dessous :
Page 1
Dans le premier chapitre on a abordé une étude générale sur l’énergie solaire,
Egalement on a donné un aperçu général sur la cellule photovoltaïque, le Générateur
photovoltaïque et ses performances.
Le deuxième chapitre se penche sur :
 Les convertisseurs DC-DC
 Les convertisseurs DC-AC
Nous avons aborde dans le troisième chapitre les techniques de la MPPT avec
IncCond et les intelligences artificielles.
Une application et une simulation de la technique de l‘intelligence artificiel enrichie

par des interprétations des résultats obtenus est entamée au chapitre quatre.
Page 2
Chapitre I
Généralité sur l’énergie solaire

Chapitre I Généralité sur l’énergie solaire
I.1. Introduction :
Un système photovoltaïque est un système d’alimentation électrique .Il est constitue

principalement d’un générateur photovoltaïque composé d’un seul ou plusieurs panneaux
solaire, un ensemble de batteries pour le stockage d’énergie électrique, un ou plusieurs
convertisseurs continu-continu pour fournir les tensions d’alimentation adéquates pour les
batteries et les charges continues et un convertisseur continu-alternatif pour l’alimentation
des autres appareils à courant alternatif. Le but de ce chapitre est l’étude des différentes
composantes photovoltaïques pour nous permettre la modélisation mathématique de ces
composantes afin de pouvoir simuler le système photovoltaïque dans sont ensemble .
I.2.Système photovoltaïque :
I.2.1. Définition :
Le terme « photovoltaïque » vient du grec et qui signifie lumière, il est composé de deux
parties : « photons » «lumière » et du nom de famille du physicien italien (Alessandro Volta)
qui inventa la pile électrique en 1800 et donna son nom à l’unité de mesure de la tension
électrique, le volt. Lorsqu’un matériau semi-conducteur est exposé à la lumière du soleil, les
atomes exposés au rayonnement sont "bombardés" par les photons constituants la lumière;
sous l’action de ce bombardement, les électrons des couches électroniques supérieures
(appelés électrons des couches de valence) ont tendance à être "arrachés": si l’électron revient
à son état initial, l’agitation de l’électron se traduit par un échauffement du matériau.
L’énergie cinétique du photon est transformée en énergie thermique. Par contre, dans les
cellules photovoltaïques, une partie des électrons ne revient pas à son état initial. Les
électrons "arrachés" créent une tension électrique continue faible. Une partie de l’énergie
cinétique des photons est ainsi directement transformée en énergie électrique: c’est l’effet
photovoltaïque [1].
I.2.2. Principe de fonctionnement :
Une cellule photovoltaïque est constituée de plusieurs couches .On trouve au centre de
cette cellule, une couche avec porteurs de charges libres négative N en contact avec une
autre couche avec porteurs de charges libre s positives P. De part et autre du cœur de la cellule
,on a une couche conductrice (k) autrement dit une grille métallique ,puisqu’il faut que cette
couche soit conductrice et ne subisse pas des phénomènes de corrosion .On a donc une couche
Page 3
qui sert de cathode (pôle+) recouvrant la couche semi-conductrice dopée N et une couche qui
joue le rôle de l’anode (pôle-) en dessous la couche semi-conductrice P. Aussi le silicium est
très réflecteur, on place donc un revêtement anti-réflexion sur le dessus de la cellule .Enfin
on trouve une couche de verra qui protège la cellule .Ces couvertures de protections sont
indispensables car la cellule est très fragile. L’épaisseur totale de la cellule est de l’ordre du
millimètre. Pour finir, on relie les cellules entre elles, constituant alors le panneau solaire, afin
d’obtenir une puissance suffisante [2].
Figure( I.1) :Schéma électrique de principe de fonctionnement photovoltaïque.
Cantate avant (grille)
Eclairment G
Photons
Lampe
Deplacement
Jonction PN d d’éléctrons
Zone dopée P Vcell
Zone dopée N Contact Arriere Icell
Figure (I.2) : Le principe de fonctionnement d’une cellule solaire.
Page 4
I.3. Cellule photovoltaïque :
La cellule PV ou encore photopile est le plus petit élément d’une installation

photovoltaïque. Elle est composée de matériaux semi-conducteurs et transforme directement
l’énergie lumineuse en énergie électrique. Les cellules photovoltaïques sont constituées :
 D’une fine couche semi-conductrice (matériau possédant une bande interdite, qui joue
le rôle de barrière d’énergie que les électrons ne peuvent franchir sans une excitation
extérieure, et dont il est possible de faire varier les propriétés électroniques) tel que le
silicium, qui est un matériau présentant une conductivité électrique relativement bonne.
 D’une couche antireflet permettant une pénétration maximale des rayons solaires.
 D’une grille conductrice sur le dessus ou cathode et d’un métal conducteur sur le
dessous ou anode.
 Les plus récentes possèdent même une nouvelle combinaison de multicouches
réfléchissants justes en dessous du semi-conducteur, permettant à la lumière de
rebondir plus longtemps dans celui-ci pour améliorer le rendement.
Lumiére Solaire
1
2
3
4
5
6
1 Verre
2 Revétement anti-reflrts
3 Grille conductrice
4 Semi-conducteur dopé N
5 Semi-conducteur dopé P
6 Conducteur
Figure(I.3): Structure basique d’une cellule solaire.
Page 5
Une cellule photovoltaïque est basée sur le phénomène physique appelé effet
photovoltaïque qui consiste à établir une force électromotrice lorsque la surface de cette
cellule est exposée à la lumière. La tension générée peut varier entre 0.3 V et 0.7 V en
fonction du matériau utilisé et de sa disposition ainsi que de la température et du
vieillissement de la cellule [3].
I.3.1. Les différents types de cellules solaires (cellules photovoltaïque) :
Il existe différents types de cellules solaires ou cellules photovoltaïques. Chaque type de

cellule est caractérisé par un rendement et un coût qui lui sont propres. Cependant, quelque
soit le type, le rendement reste assez faible : entre 8 et 23 % de l’énergie que les cellules
reçoivent. Actuellement, il existe trois principaux types de cellules [4].
a. Les cellules monocristallines
Elles ont le meilleur rendement (de 12 à 18% voir jusqu’24% en laboratoire) cependant,
elles coûtent trop chers dues à leur fabrication complexe.
b. Les cellules poly cristallines
Leur conception est plus facile et leur coût de fabrication est moins important. Cependant
leur rendement est plus faible (de 11% à 15% voir jusqu’à19.8 en laboratoire).
c. Les cellules amorphes
Elles ont un faible rendement (de 5% à 8% voir jusqu’13% en laboratoire), mais ne

nécessitent que de très faibles épaisseurs de silicium et ont un coût peu élevé. Elles sont
utilisées couramment dans de petits produits de consommation telle que des calculatrices
solaires ou encore des montres.
L’avantage de ce demie type est le fonctionnent avec un éclairement faible (même par
temps couvert ou à l’intérieur d’un bâtiment).
I.3.2. Caractéristiques électriques d’une cellule photovoltaïque :
La figure (I.4) présente le schéma équivalent d’une cellule photovoltaïque sous

éclairement. Il correspond à un générateur de courant Iph monté en parallèle avec une diode.
deux résistances parasites sont introduites dans ce schéma.
Ces résistances ont une certaine influence sur la caractéristique I =f (V) de la cellule [5]:
Page 6
• La résistance série Rser est la résistance interne de la cellule ; elle dépend principalement
de la résistance du semi-conducteur utilisé, de la résistance de contact des grilles collectrices
et de la résistivité de ces grilles.
• La résistance shunt Rshu est due à un courant de fuite au niveau de la jonction; elle
dépend de la façon dont celle-ci a été réalisée
Figure (I.4) : Schéma équivalent électrique de la cellule photovoltaïque.
Le modèle mathématique pour la caractéristique courant-tension d’une cellule PV est donné

par[5,6,7].
 exp(Vpv  ( I pv  Rser ))   Vpv  ( I PV  Rser )

I pv  I ph  I sat    (I.1)
 nKT  Rshu
Isat : le courant de saturation(A) .
K : la constante de Boltzmann (1,381 10-23 J/K).
T : la température effective des cellules en Kelvin(K).
e : la charge de l’électron (e=1,6 10-19 C).
n : le facteur d’idéalité de la jonction (1< n<2).
Ipv : le courant fourni par la cellule lorsqu’elle fonctionne en générateur .
Vpv : la tension aux bornes de cette même cellule .
Iph : le photo-courant de la cellule dépendant de l’éclairement et de la température ou bien

courant de (court circuit) .
Page 7
Rshu : la résistance shunt caractérisant les courants de fuite de la jonction .
Rser : la résistance série représentant les diverses résistances de contacts et de connexions [7].
I.3.3. Paramètres d’une cellule photovoltaïque :
Ces paramètres peuvent être déterminés à partir des courbes courant-tension, ou de

l’équation caractéristique. Les plus usuels sont les suivantes:
I.3.3.1.Courant de court-circuit (Icc) :
C’est le courant pour lequel la tension aux bornes de la cellule ou du générateur PV est nulle.
Dans le cas idéal ( Rser nulle et Rshu infinie), ce courant se confond avec le photo-courant Iph
dans le cas contraire, en annulant la tension V dans l’équation(I.1), on obtient :
  e  I cc  Rser     I cc  Rser 
I cc  I ph  I sat exp   1   (I.2)
  nKT   Rshu
Pour la plupart des cellules (dont la résistance série est faible), on peut négliger le terme
  e  I cc  Rser   
I sat exp   1  devant Iph .L’expression approchée du courant de court-circuit est
  nKT  
alors:
I ph
I cc  (I.3)
 Rser 
1  
 Rshu 
Quantitativement, il a la plus grande valeur du courant généré par la cellule (pratiquement
Icc = Iph).
I.3.3.2.Tension de circuit-ouvert (Vco) :
C’est la tension Vco pour laquelle le courant débité par le générateur photovoltaïque est
nul (c’est la tension maximale d’une photopile ou d’un générateur photovoltaïque).
Page 8
  eV   Vpv
0  I cc  I sat exp  PV   1  (I.4)
  nKT   Rshu
I.3.3.3. Rendement énergétique :
C’est le rapport entre la puissance électrique maximale fournie par la cellule Pmax
(Iopt,Vopt) et la puissance solaire incidente. il est donné par :
Pmax I optVopt
  (I.5)
Pinc Pinc
Avec Pinc est égale au produit de l’éclairement et de la surface totale des photopiles. Ce
paramètre reflète la qualité de conversion de l’énergie solaire en énergie électrique.
I.3.3.4. Facteur de forme :
On appelle facteur de forme FF, dit aussi facteur de courbe ou facteur de remplissage
(fille factor), le rapport entre la puissance maximum fournie par la cellule Pmax (Iopt, Vopt) et le
produit du courant de court-circuit Icc par la tension de circuit-ouvert Vco (c'est-à-dire la
puissance maximale d’une cellule idéale). Le facteur de forme indique la qualité de la cellule ;
plus il s’approche de l’unité plus la cellule est performante, Il est de l’ordre de 0.7 pour les
cellules performantes ; et diminue avec la température. Il traduit l’influence des pertes par les
deux résistances parasites Rser et Rshu . Il est défini par :
Pmax I optVopt
FF   (I.6)
I ccVco I ccVco
I.4. Générateur photovoltaïque et ses performances :
Le générateur photovoltaïque est un ensemble d’équipements mis en place pour exploiter

l’énergie photovoltaïque afin de satisfaire les besoins en charge. En fonction de la puissance
désirée, les modules peuvent être assemblés en panneaux pour constituer un "champ
photovoltaïque". Relié au récepteur sans autre élément, le panneau solaire fonctionne "au fil
Page 9
du soleil", c'est-à-dire que la puissance électrique fournie au récepteur est fonction de la

puissance d'ensoleillement.
Elle est donc à son maximum lorsque le soleil est au zénith et nulle la nuit. Mais, très
souvent, les besoins en électricité ne correspondent pas aux heures d'ensoleillement et
nécessitent une intensité régulière (éclairage ou alimentation de réfrigérateurs, par exemple).
On équipe alors le système de batteries d'accumulateurs qui permettent de stocker l'électricité
et de la restituer en temps voulu [3].
Pour un certain nombre d'applications, le courant continu produit, par le générateur

photovoltaïque, est convertit à l'aide d'un onduleur en courant alternatif.
Un module photovoltaïque est constitué d’un ensemble de cellules photovoltaïques

élémentaires montées en série et/ou en parallèle afin d’obtenir des caractéristiques électriques
désirées tels que: la puissance, le courant de court-circuit Icc ou la tension en circuit ouvert
Vco. Un générateur photovoltaïque est constitué d’un ou plusieurs modules PV en série et / ou
en parallèle pour obtenir une puissance, un Icc et un Vco désirés [3].
I.4.1. Caractéristique Courant-Tension :
La figure (I.5) représente la courbe I =f (V) d’un module photovoltaïque typique dans des
conditions constantes d’irradiation et de température.
L’irradiation standard adoptée pour mesurer la réponse des modules photovoltaïques est une
2 0
intensité rayonnante de 1000 W/m et une température de 25 C.
Icc
Iopt
Caractéristique réelle
Vopt Vco V
Figure (I.5) : Caractéristique I =f (V) d’un module photovoltaïque.
Il est difficile de donner un caractère source de courant ou de tension à un module

photovoltaïque sur toute l’étendue de la caractéristique courant-tension. par conséquent, le
Page 10
module photovoltaïque est considéré comme une source de puissance avec un point Pmoù la
puissance se trouve être maximale. il est donc intéressant de se placer sur ce point pour tirer le
maximum d’énergie et ainsi exploiter au mieux la puissance crête installée.
Il est important de noter que certains régulateurs solaires réalisent une adaptation
d’impédance afin qu’à chaque instant on se trouve proche de ce point P m [3].
I.4.2. Influence de l’éclairement et la température sur les courbes I=f(V) et P=f(V) :
La figure (I.6) montre l’influence de l’éclairement sur la caractéristique I=f(V). A une

température constante, on constate que le courant subit une variation importante, mais par
contre la tension varie légèrement. car le courant de court circuit est une fonction linéaire de
l’éclairement alors que la tension de circuit ouvert est une fonction logarithmique [4,6,7,8].
600
1000 (w/m2)
800 (w/m2)
500
600 (w/m2)
200 (w/m2)
400
courant (A)
300
200
100
0
0 50 100 150 200 250 300 350
Tension (v)
Figure (I.6) : L’influence de l’éclairement sur la caractéristique I=f(V).
La figure (I.7) illustre la variation de la puissance délivrée par le générateur en fonction de la

tension pour différentes valeurs d’éclairement, ce qui nous permet de déduire l’influence
del’éclairement sur la caractéristique P(V) [8].
4
x 10
15
1000 (w/m2)
800 (w/m2)
600 (w/m2)
10 200 (w/m2)
puissance (w)
0
0 50 100 150 200 250 300 350
Tension (v)
Figure (I.7) : L’influence de l’éclairement sur la caractéristique P=f(V).
Page 11
La figure (I.8) montre l’influence de la température sur la caractéristique I=f(V). il est

essentiel de comprendre l'effet de changement de la température d'une cellule solaire sur la
caractéristique I=f(V).
Le courant dépend de la température puisque le courant augmente légèrement à mesure

que la température augmente, mais la température influe négativement sur la tension de circuit
ouvre. Quand la température augmente la tension de circuit ouvert diminue. Par conséquent la
puissance maximale du générateur subit une diminution [7].
600
50 C°
500
25 C°
15 C°
400 5 C°
courant(A)
300
200
100
0
0 50 100 150 200 250 300 350 400
tension(V)
Figure (I.8) : L’influence de la température sur la caractéristique I=f(V).
La figure (I.9) illustre la variation de la puissance délivrée par le générateur en fonction

de la tension pour différentes valeurs de la température, ce qui nous permet de déduire
l’influence de la température sur la caractéristique P=f(V) [7].
4
x 10
15
50 C°
25 C°
15 C°
5 C°
10
Puissance (w)
0
0 50 100 150 200 250 300 350 400
Tension (v)
Figure (I.9) : L’influence de la température sur la caractéristique P=f(V).
Page 12
I.4.3. Influence de l’association série des cellules PV :
La cellule individuelle, unité de base d'un système photovoltaïque, ne produit qu'une très
faible puissance électrique, typiquement de 0.5 W avec une tension de moins d'un volt [4].
Pour produire plus de puissance, les cellules sont assemblées pour former un module (ou
panneau).
Un module de 8 cellules en série (type BP MSX 120) est suffisant pour obtenir une
tension compatible avec la charge. pour avoir plus de tension, il faut assembler Ns modules en
série, par contre pour le courant généré, un nombre Np de modules en parallèle permet d’en
ajouter, les diodes de protection série et parallèles protègent le circuit contre le retour de
courant. L’association en série des cellules délivre une tension égale à la somme des tensions
individuelles et un courant égal à celui d’une seule cellule [4].
I I
E1 V1
E2 V2 Rch Eeq V Rch
Ei Vi
Figure (1.10) : Association de N modules solaires en série.
I.4.4.Influence de l’association parallèle des cellules PV :

L’association en parallèle des photopiles délivre un courant égal à la somme des courants
individuels et une tension égale à celui d’une seule cellule.
I I
I1 I2 Ii V Rch Eeq V Rch
E1 E2 En
Figure (I.11) : Association de Np modules solaires en parallèle.
Page 13
I .4.5. Influence de l’association mixte (Série +Parallèle) des cellules PV :
Pour avoir une satisfaction en courant et en tension, on est obligé d’utiliser un

groupement mixte, c'est-à-dire Série-Parallèle [9].
I I
I1 I2 Ii
V1
n V2 Rch Eeq Rch
Vi
Figure (I.12) : Association mixte Ns x Np modules solaires.
I.5. Panneau photovoltaïque :
Le panneau solaire ou (champ solaire) se compose de modules photovoltaïques

interconnectés en série et/ou en parallèle afin de produire la puissance requise. Ces modules
sont montés sur une armature métallique qui perm et de supporter le champ solaire avec un
angle d’inclinaison spécifique [10].
Page 14
Figure (I.13) : Panneau photovoltaïque.
Pour chaque panneau, on peut avoir autant de sorties que de modules, ce qui fait qu’on
aura besoin de boite de dérivation qui les regroupe, alors cette boite de dérivation fixée sur
une structure du montage a comme rôle d’effectuer les connections entre les modules pour
obtenir une puissance optimale en sortie [10].
I.6. Avantages et inconvénients d’une installation PV :
I.6.1. Avantages :
 D’abord une haute fiabilité. L’installation ne comporte pas de pièces mobiles qui la
rendent particulièrement appropriée aux régions isolées. C’est la raison de son utilisation
sur les engins spatiaux.
Page 15
 Ensuite le caractère modulaire des panneaux photovoltaïques permet un montage simple et

adaptable à des besoins énergétiques divers. Les systèmes peuvent être dimensionnés pour
des applications de puissances allant du milliwatt au Méga Watt.
 Le coût de fonctionnement est très faible vu les entretiens réduits et il ne nécessite ni
combustible, ni son transport, ni personnel hautement spécialisé.
 La technologie photovoltaïque présente des qualités sur le plan écologique car le produit
fini est non polluant, silencieux et n’entraîne aucune perturbation du milieu, si ce n’est par
l’occupation de l’espace pour les installations de grandes dimensions [11].
I.6.2. Inconvénients :
 La fabrication du module photovoltaïque relève de la haute technologie et requiert des
investissements d’un coût élevé.
 Le rendement réel de conversion d’un module est faible, de l’ordre de 10-15 %( soit entre
10 et 15 MW/km² pour le BENELUX) avec une limite théorique Pour une cellule de 28%.
les générateurs photovoltaïques ne sont pas compétitifs par rapport aux générateurs diesel
que pour des faibles demandes d’énergie en régions isolées.
 Tributaire des conditions météorologiques.
 Lorsque le stockage de l’énergie électrique sous forme chimique (batterie) est nécessaire,
le coût du générateur est accru.
 Le stockage de l’énergie électrique pose encore de nombreux problèmes. Le faible
rendement des panneaux photovoltaïques s’explique par le fonctionnement même des
cellules. Pour arriver à déplacer un électron, il faut que l’énergie du rayonnement soit au
moins égale à 1 eV. tous les rayons incidents ayant une énergie plus faible ne seront donc
pas transformés en électricité. de même, les rayons lumineux dont l’énergie est supérieur à
1 eV perdront cette énergie, le reste sera dissipé sous forme de chaleur [11].
I.7. Conclusion :
L’énergie solaire photovoltaïque provient de la transformation directe d’une partie du

rayonnement solaire en énergie électrique. Cette conversion d’énergie s’effectue par la cellule
photovoltaïque basée sur un phénomène physique appelé effet photovoltaïque. La tension
générée peut varier en fonction du matériau utilisé pour la fabrication de la cellule.
L’association de plusieurs cellules en série et/ou parallèle donnent lieu à un module
photovoltaïque qui a une caractéristique courant-tension non linéaire présentant un point de
puissance maximale.
Page 16
Les performances d’un module photovoltaïque sont fortement influencées par les conditions
climatiques, particulièrement l’irradiation solaire et la température du module. Nous avons
opté pour le modèle à une diode pour simuler le fonctionnement du module photovoltaïque
pour différentes conditions d’irradiation et de température. Le principal intérêt de ce modèle
réside dans sa simplicité et sa facilité de mise en œuvre à partir des caractéristiques techniques
données par le constructeur.
Page 17
Chapitre II
Les convertisseurs DC-DC et DC-AC

Chapitre II les convertisseurs DC-DC et DC-AC
II.1. Introduction :
Dans ce chapitre leurs on va discuter les différents types respectives de convertisseurs
continu-continu (DC/DC) avec les modèles mathématiques pour les convertisseurs(buck,
boost etbuck/boost). Et les convertisseurs DC-AC pour une utilisation facile de la simulation
[12][13].
II.2 .Les convertisseurs DC-DC (hacheurs) :
L'énergie solaire est une source d'énergie dont la disponibilité varie considérablement
dans la journée. Son utilisation de façon optimale nécessite la prise en compte des types de
charges (batteries, lampes, etc.). Dans cette optique, quelques auteurs [14-19] utilisent un
convertisseur boost afin de maximiser la production et l’utiliser de façon optimale. L’objectif
de ce travail est de présenter une meilleure conception d’un convertisseur boost capable de
rechercher la puissance maximale quelles que soient les variations de l’ensoleillement.
II.2.1. Modélisation du convertisseur survolteur :
Le hacheur survolteur (Boost), le convertisseur boost ou hacheur parallèle connu par le

nom d’élévateur de tension (step-up), est donné par la figure (II.1), il est généralement utilisé
dans la conversion d'une tension d’entrée basse en une tension de sortie haute, il se compose
d'une source de tension d’entrée continue Vi, d’une inductance L, d’un interrupteur S, d’une
diode, et deux condensateurs Cin et Cout. En premier temps [0, αT] le transistor est fermé, le
courant dans l’inductance croit progressivement, au fur et à mesure elle emmagasine de
l’énergie, jusqu’à la fin de la première période, le transistor s’ouvre et l’inductance l s’oppose
à la diminution du courant I ainsi elle génère une tension qui s’ajoute à la tension de source,
qui s’applique sur la charge à travers la diode [13].
Page 18
Figure(II.1) : Schéma électrique du convertisseur boost.
II.2.1.1. Modèle mathématique équivalent :
L’application des lois de Kirchhoff sur les deux circuits équivalents du convertisseur
survolteur figure(II.2) des deux phases de fonctionnement donne :
Figure( II.2) : Schéma équivalent du hacheur survolteur, (a) : K fermé, (b) : ouvert.
Figure(II.2.1) : Schéma équivalent du hacheur survolteur, pour K est fermé.
Page 19
Figure(II.2.2) : Schéma équivalent du hacheur survolteur, pour K est ouvert.
Pour la première période αTs :
 dV i
 I C 1  C 1  Ii  IL
dt

 dV 0
I C 2  C 2  I 0 (II.1)
 dt
 dI L
V L  L dt V i  R L I L

Pour la deuxième période (1-α) Ts :
 dV i
I C 1  C 1 dt  I i  I L

 dV 0
I C 2  C 2  IL I0 (II.2)
 dt
 dI L
V L  L dt V i V 0  R L I L

II.2.1.2. Modèle approximé du convertisseur Boost :
Le convertisseur oscillant entre αTS et (1-α) TS avec une fréquence élevée, nous devons
trouver une représentation dynamique approximée valable pour les deux intervalles de temps
pour cela nous considérons que la variation des variables dynamiques 𝐶I, 𝑉L est de forme
linéaire, en d’autres termes nous pouvons faire une approche de exponentielle par un segment
(eε≈1+𝜀 𝑠𝑖 𝜀 ≪1) et ainsi la dérivée de ces grandeurs sera constante. Cette approche nous
permet de décomposer l’expression de la valeur moyenne de la dérivée de la variable
dynamique x sur les deux laps de temps αTs et (1-α) Ts:
dx dx dx
  Ts   Ts  (1   )Ts (II.3)
dt dt (Ts ) dt (1 )Ts
Page 20
Où < > est la valeur moyenne de la dérivée de x sur une période Ts. Cette relation est
valide si: sont constants sur les périodes αTs et (1−α) Ts respectivement
en d’autres termes cette approximation est valable si les périodes αTs et (1−α) Ts sont très
faibles devant la constante de temps du circuit 𝐶1𝑅𝐺, C2𝑍, 𝐿/𝑅𝐿 dans ce cas la forme
exponentielle du courant qui parcourt la self et la tension aux bornes de la capacité est de
forme linéaire comme le montre la figure (II.3).
IL
IL max
IL min
αTs (1-α)Ts temps
Figure (II.3) : Allure des variables dynamiques.
En appliquant la relation (II.3) sur les systèmes d’équations (II.1)et(II.2) on obtient les
équations qui régissent le système sur une période entière :
dV g
IC1  C 1 T s  (I g  I L )T s  (1   )T s (I g  I L ) (II.4)
dt
dV 0
IC 2  C 2 T s  T s I 0  (1   )T S (I L  I 0 ) (II.5)
dt
dI L
VL  L T S  (V g  R L I L )T S  (1   )T s (V g V 0  R L I L ) (II.6)
dt
En arrangeant les termes des équations précédentes,(pour qu’on puisse interconnecter le

boost avec les autres blocs de simulation), on obtient la modélisation dynamique du
convertisseur boost.
dV g
I L  I g  C1 (II.7)
dt
Page 21
dV 0
I 0  (1   )I L  C 2 (II.8)
dt
dI L
V g  (1   )V 0  L  RL  I L (II.9)
dt
pour le dimensionnement des différents composants du circuit afin de diminuer les

ondulations des courants et des tensions sans faire un sur dimensionnement ce qui accroîtrait
le poids et le prix des circuits, un calcul de ces composants en fonction des ondulations
voulues est nécessaire. Cette remarque est très importante pour le dimensionnement de
l’inductance L afin de respecter le courant admissible par le transistor MOSFET S, où dans le
cas pratique les ondulations du courant IL sont plus importantes par rapport aux autres
ondulations.
En appliquant la relation V0+L et par l’approximation des segments d’exponentielles par
des droites, la pente du courant pendant la première période de fonctionnement est donnée par
:
d IL V L V S  RL I L
  (II.10)
dt L L
a partir de la relation (II.9), la valeur crête à crête du courant IL est :
V S  RL I L
I icc  2I L  T S (II.11)
L
la valeur de l’inductance L à choisir pour certaine ondulation ∆IL est :
V g V 0  R L I L
L (II.12)
2I L
pour le calcul des capacités C1et C2 on a :
dV g IC1 I 0  I L
  (II.13)
dt C1 C1
dV 0 I C 2 I 0
  (II.14)
dt C2 C2
les valeurs des ondulations crête à crête des tensions d’entrées et de sorties sont :
Page 22
Ig  IL
V C 1CC  2V C 1  T s (II.15)
C1
I 0
V C 2CC  2V C 2  T s (II.16)
C2
les valeurs des capacités C1 et C2 sont respectivement données par :
Ig  IL
C1  T S (II.17)
2V C 1
I 0
C2  T S (II.18)
2V C 2
II.2.1.3.Étude en régime continu :
Le régime continu est obtenu en éliminant les dérivées des variables dynamiques, et en
remplaçant ces signaux par leurs valeurs moyennes.
le système d’équations (II.6) (II.7) (II.8) donne :
IL  Ig (II.19)
I 0  (1   )I L (II.20)
V g  (1   )V 0 (II.21)
comme le présente la figure (II.3), lorsque l’interrupteur du transistor S est sur la position on,
le courant de l’inductance du hacheur augmente linéairement et à cet instant la diode D est
bloquée off et lorsque S tourne sur la position off, l’énergie emmagasinée par l’inductance est
dissipée dans le circuit RC bien que la diode D est passante. Les caractéristiques de tension et
du courant de charge du convertisseur boost dans le cas de la conduction continue sont
décrites par la figure (II.4), comme suit :
Page 23
VL
Vg
Vg-VS
IL
0 t
IS
I0
0 t
-I0 αT T
Figure(II.4): Caractéristique de la tension et du courant du hacheur survolteur.
II.2.2. Modélisation du convertisseur dévolteur (Buck) :
La figure (II.5) présente le convertisseur buck ou convertisseur dévolteur (abaisseur de

tension) ou hacheur série. Son rôle principal est de convertir sa tension d'entrée en une tension
de sortie inférieure.
Page 24
Figure(II.5): Circuit électrique de base du hacheur dévolteur.
Les composantes clés sont l'inductance L, le commutateur transistor S, la diode D et le

condensateur C. Celui-ci se charge par le commutateur S et qui maintient la tension à ces
bornes jusqu'à l’ouverture de qui fait décharger son énergie à travers la diode sur la charge
pour un cycle de période de fonctionnement. Le commutateur peut être un transistor
MOSFET ou un IGBT qui peut se commuter sur deux positions, marche ou arrêt rapidement.
La tension de la source doit être plus grande que la tension aux bornes de la charge.
L’équation mathématique caractérisant le courant de l'inductance est donnée par l’équation
suivante :
 I V i V s
 (II.22)
t L
IL: le courant dans l’inductance. Le processus de commutation est décrit par la position de
l’interrupteur S. Dans le premier laps de temps αT le transistor est dans un état de saturation,
alors l’inductance L se charge d’énergie avec augmentation du courant. Dans le deuxième
laps de temps (α-1) T, l’inductance L libère cette énergie à la charge avec une diminution de
courant. En négligeant la chute de tension à travers la diode, le taux de changement du
courant est donné par :
I Vi
 (II.23)
t L
lorsque le courant de l’inductance ne se décroit pas à zéro avant la commutation du transistor,

le convertisseur fonctionne dans le mode de conduction continu, comme illustré sur la figure
(II.5), et dans ce cas, si la tension de charge dépend seulement de la tension de source et
du rapport cyclique α = Ton/T la tension aux bornes de la charge Vs= αVi. Dans le mode de
conduction discontinu le courant de l'inductance s’annule dans un cycle de commutation entre
Page 25
le transistor S et la diode. Dans ce cas, la tension de charge dépend d'une manière plus
complexe du rapport cyclique et le courant de la charge, la figure (II.6) montre comment la
tension de charge que varie avec le courant de charge. Les caractéristiques des courants et la
tension représentant le fonctionnement du hacheur dévolteur sont données par la figure (II.6):
VL
VL-Vs
IL
I0
Ic
0 t
Is
0 αT T t
Figure (II.6) : Caractéristique de la tension et des courants.
Page 26
tension
αVi
Conduction Conduction
Discontinue Continue
Courant de charge
Figure(II.7) : Variation de la tension de charge avec le courant de charge pour un

Convertisseur Buck [16].
II.2.3. Modélisation du convertisseur Buck-Boost :
Le convertisseur dévolteur-survolteur combine les propriétés des configurations de

dévolteur et de survolteur. Il peut être employé pour transformer idéalement n’importe quelle
tension continue d’entrée en n’importe quelle tension continue désirée de sortie.
Figure(II.8) : Circuit électrique de base du hacheur survolteur/dévolteur.
La figure (II.8) montre le schéma de le circuit électrique de base du hacheur dévolteur-

survolteur, et les caractéristiques du courant et de la tension de charge dans ce dispositif. La
tension peut être augmentée ou diminuée selon le mode de commutation. Cependant, la
tension de sortie est de signe opposé à la tension d'entrée. Tandis que, lorsque le transistor est
sur la position on le courant dans l’inductance augmente, l'énergie est stockée ; et quand le
commutateur tourne sur la position off, la tension à travers l'inductance est renversée et
l’énergie stockée se transfert vers la charge via la diode. Dans ce cas, l’équation de la tension
aux bornes de la charge décrivant le fonctionnement en conduction continue est donnée
comme suit:
Page 27

VL Vs  Vi (II.24)
1
Vi
Vs t
IL
0 t
Is
0 t
Ic
0 t
-I0 αT T
Figure(II.9): Caractéristique de la tension et du courant du buck-boost.
II.3.Les convertisseurs DC-AC (onduleurs) :
II.3.1.Introduction :
Les onduleurs de tension constituent une fonction incontournable de l’électronique de

puissance. Ils sont présents dans des domaines d’application les plus variés, dont le plus
connu est sans doute celui de la variation de vitesse des machines à courant alternatif. La forte
évolution de cette fonction s’est appuyée, d’une part, sur le développement de composants à
semi-conducteurs entièrement command ables, puissants, robustes et rapides, et d’autre part,
Page 28
sur l’utilisation quasi-généralisée des techniques dites de modulation de largeurs

d’impulsions.
Dans les applications de fortes puissances, la structure des onduleurs à trois niveaux est plus
adaptée, par rapport à la structure classique, du fait que les tensions et courants de sortie
présentent un taux d’harmoniques nettement inférieur. La tension aux bornes de chaque
interrupteur est divisée par deux et la fréquence de hachage est plus basse [20-23].
II.3.2.Modèle de l’onduleur a trois niveaux :
La figure (II.10) montre la structure d’un onduleur de tension triphasé à trois niveaux à
structure NPC. On commence par définir la fonction de connexion Fki de l’interrupteur. elle
vaut 1 si l’interrupteur est fermé et 0 dans le cas contraire. en mode command able, les
fonctions de connexion de l’onduleur sont liées par la relation :
FK 1  1  FK 4
 (II.25)
FK 2  1  FK 3
avec K=1,2ou3 représente le numéro de bras.
Figure(II.10) : La structure d’un onduleur de tension triphasé à trois niveaux à
structure NPC.
b
On définit la fonction de connexion Fkm du demi-bras comme suit:
Page 29
FKb1  FK 1  FK 2

 b (II.26)
FK 0  FK 3  FK 4

On désigne par: m1 = le demi-bras du haut et m0 = le demi-bras du bas. Les potentiels des

nœuds A, B et C de l’onduleur triphasé à trois niveaux, par rapport au point M s’expriment
comme suit:
V AM  F11b U c 1  F10b U c 2

V BM  F21 U c 1  F20 U c 2
b b
(II.27)

V CM  F31 U c 1  F30 U c 2
b b
II.3.3.La commande de l’onduleur :
Le but de la commande de l’onduleur est de permettre la production d’une tension ou un

courant alternatif, à travers les ordres de commande appliqués aux drivers interrupteurs de
puissance
II.3.3.1.Principe de génération de la PWM :
L’onduleur délivre plusieurs créneaux positifs et négatifs, ce qui permet de diminuer

l’importance du filtre et d’avoir un régulateur de tension plus rapide, en modulant les temps
relatifs de conduction et de blocage, il est possible de répartir la tension au cours de la période
de façon à ce que pratiquement le temps de conduction d’un interrupteur soit proportionnel à
la valeur instantanée du fondamental. C’est ce principe qui est appelé modulation de largeur
d’impulsion et qui est noté MLI (PWM en anglais).
II.3.3.2.Etude d’un onduleur à trois niveaux commandé par MLI :
Les tensions simples de sortie s’écrivent:
V A   2 1 1   F11 
b
 F10b  
V   1  1 2 1    F b U   F b U 
 B  3    21  c 1  30  c 2  (II.28)
V C   1 1 2    F31b   F30b 
 

 
la stratégie de commande proposée est une MLI vectorielle. Pour chaque pas de calcul, le
vecteur de référence est constitué de trois des dix-neuf vecteurs que constitue le diagramme
Page 30
vectoriel de l’onduleur à trois niveaux Figure (II.11). De ce fait, la forme d’onde de la tension
de sortie obtenue est meilleure que celles obtenues par les MLI classiques. Cette stratégie se
compose des six étapes schématisées par l’organigramme 1 [24,25].
Figure(II.11):Diagramme vectoriel de l’onduleur.
Etape 1
Calcule du vecteur de référence
Vref
Etape 2
Calcule de phase θ et secteur i
Etape 3 Translation au premier secteur
Etape 4 Détermination du triangle 1, 2, 3,4
Détermination des vecteurs et calcul des durées

Etape 5 de commutations T1, T2, T3
Retour au secteur initial

Etape6
Figure(II.12) : Etapes de la MLI vectoriel.
Page 31
II.4.Conclusion :
Dans ce chapitre on a vu quelques topologies de base des convertisseurs continus-

continus (DC-DC), (convertisseurs buck, boost et buck/boost), et nous avons présenté le
modèle de l’onduleur de tension à trois niveaux à structure NPC, avec l’organigramme qui
résume les six étapes de MLI vectorielle proposée.
Page 32
Chapitre III
Technique de commande de poursuite d’un

système PV
Chapitre III Technique de commande de poursuite d’un système PV
III.1.Introduction :
La cellule photovoltaïque a un point de puissance maximale (PPM) qui varie en fonction

de l'ensoleillement et de la température. Ceci est obtenu par le biais des commandes MPPT,
«Maximum Power Point Tracking » analogiques ou numériques. un nombre important de
systèmes de contrôle MPPT ont été élaborées depuis des années, en commençant par des
techniques simples comme la tension ou le courant [26].
Actuellement, des commandes MPPT, sont proposées. Dans le cas des commandes MPPT
analogiques, se pose le problème de la divergence de l’encombrement des composants
électronique utilisés. Dans le cas des commandes MPPT numériques, plusieurs algorithmes
ont été utilisés dans la littérature à savoir: la méthode de la conductance incrémentale «
IncCond »,les méthodes de l’intelligence artificielles(floue,neuronal,neuro-flou).
La figure (III.1) montre le diagramme synoptique d’un système photovoltaïque, avec un
module MPPT qui a pour entrées la tension et le courant de sortie du module [27].
Convertisseur Convertisseur
DC/DC =/= Réseaux

DC/AC=/~
électrique
D α Iabc Vabc
I V Générateur
Commande de
MPPT MLI
l’onduleur
Figure (III.1) : Schéma synoptique d’un système photovoltaïque avec MPPT.
Page 33
Ces méthodes sont basées sur des algorithmes de recherche itérative pour trouver le point
de fonctionnement du module solaire pour que la puissance générée soit maximale sans
interruption de fonctionnement du système. Elles ne sont pas basées sur des valeurs de
références prédéfinies ou à partir des paramètres opérationnels, mais sur la maximisation
permanente de la puissance générée par les modules photovoltaïque PV.
la puissance extraite du module est calculée à partir des mesures de courant I et de tension V
du module et la multiplication de ces deux grandeurs
PPV  I PV V PV (III.1)
III.2.Les techniques MPPT:
III.2.1.Algorithme d’incrémentation de l’inductance :
Le principe de la méthode de conductivité incrémentale (IncCond) est basé sur la

propriété de MPP: la dérivée de la puissance est nulle. donc, la méthode InCond utilise une
méthode itérative où l’algorithme est basé sur l'évolution de la dérivée de la conductance G.
où la conductance est le rapport I / V.
dP
 0 avec P V  I (III.2)
dV
dP dI dV
V I 0 (III.3)
dV dV dV
dI I
Don  0 dG  G  0 (III.4)
dV V
P :puissance de MPPT.
V :tension de MPPT.
I :courant de MPPT.
Page 34
Début
Mesure de I(k) et V(k)
NON V(k)=V OUI

(k‐1)
dG=‐G OUI OUI I(k) >I

(k‐1)
NON NON
OUI OUI I(k)>I (k‐1)

V(k)=V (k‐1)
D = D + ΔD D = D ‐ ΔD D = D +ΔD D = D ‐ ΔD
Enregistrer I(k), V(k) et D
Figure (III.2) : Organigramme de la méthode d’incrémentation de l’inductance [28].
Page 35
III.2.2.La logique floue :
III.2.2.1. Définition :
La logique floue s’affirme comme une technique opérationnelle, utilisée à côté d’autres
techniques de contrôle avancé, elle fait une entrée discrète mais appréciée dans les
automatismes de contrôle industriel. La logique floue ne remplace pas nécessairement les
systèmes de régulation conventionnels, elle est par fois même complémentaire. La logique
floue est une technique très puissante issue de la théorie des ensembles flous, pour combler la
lacune entre la précision de la logique classique et l’imprécision du monde réel. Sa
caractéristique fondamentale est l’utilisation des variables linguistiques au lieu des variables
numériques dans des situations conditionnelles floues .La logique floue est très utile dans des
situations où il y a de larges incertitudes et de variations inconnues dans les paramètres et la
structure du système, ou bien, lorsque des experts humains sont disponibles pour fournir des
descriptions subjectives et qualitatives du comportement du système avec des termes en
langage naturel. Cette technique a pris naissance avec Pr. Lotfi A, Zadeh en Californie. Il a
introduit la notion des variables linguistiques. L’évolution des microcontrôleurs a rendu
l’implémentation de la logique floue plus populaire. De nos jours, la logique floue est une
réalité. Elle se trouve dans une vaste gamme de nouveaux produits. Dans l’industrie, le
traitement des eaux, les grues portuaires, les métros, les systèmes de ventilation et de
climatisation. Enfin, des applications existent dans des domaines très différents tels que la
finance et le diagnostic médical [29].
III.2.2.2. Les fonctions d’appartenance :
Une définition des variables linguistiques à l’aide des fonctions d’appartenance est
nécessaire dans le but de traiter des déductions floues par calculateur .Dans ce contexte, est
attribuée à chaque valeur de la variable linguistique une fonction d’appartenance μ, dont la
valeur varie ente 0 et 1.Le plus souvent, on utilise des fonctions d’appartenance de type
triangulaire ou trapézoïdale, gaussienne. On utilise pour les fonctions d’appartenance les
fonctions suivantes :
 Fonction triangulaire : l’allure est définie par 3 paramètres {a, b, c}.
  x a c  x  
 (x )  max  min  ,0 (III.5)
  b  a ' c b  
 Fonction trapézoïdale: elle est définie par 4 paramètres {a, b, c, d}.
Page 36
  x a d  x  
 (x )  max  min  ,1, ,0 (III.6)
  b  a ' d c  
 Fonction gaussienne : elle est définie par 2 paramètres {m, σ}.
  x  m 2 
 (x )  exp   
  2  
(III.7)
 
 Fonction en forme de cloche : elle est définie par 2 paramètres {x0, a}.
 
 
 1 
 (x )  (III.8)
  x  x 2 
 1  0
 
  a  
 Fonction trigonométrique : elle est définie par 2 paramètres {x0, a}.
1  x  x 0 a 
 (x )  1  cos , x 0  a  x  x 0  2a  (III.9)
2 2a 
 Fonction sigmoïdale : elle est définie par 2paramètres {x0, c}.
1
 (x )  (III.10)
1  exp  a  x  c  
-Fonction triangulaire -Fonction trapézoïdale
-Fonction gaussienne - Fonction sigmoïdale
-Fonction trigonométrique -Fonction en forme de cloche
Figure (III.3) : Formes usuelles des fonctions d’appartenance [30].
Page 37
III.2.2.3. Structure générale d’un régulateur par logique floue :
Le principe d’une commande floue se base sur deux variables d’entrées qui sont l’erreur
E et le changement d’erreur ΔE et une variable de sortie. En général, la commande logique
floue comprend donc trois étapes communément nommées dans la littérature :
1. La fuzzification.
2. La lecture de la table de vérité.
3. La défuzzification
Entré Sortie
Fuzzification Moteur d’inférences Défuzzification
Base des règles
Figure( III.4) : Structure générale d’un régulateur par logique floue.
 La fuzzification
Durant la fuzzification, les variables d’entrées numériques sont converties en variable

linguistique.
 La lecture de la table des règles
Le mécanisme d’inférence calcule les sous-ensembles flous relatifs à la variation de la

sortie à partir d’appartenance des variables d’entrées fuzzifiées et de la table des règles
fournie par l’expert.
 Défuzzification
La défuzzification transforme la variable floue de sortie en valeur non floue permettant la

commande effective du système.la méthode de défuzzification que nous avons utilisée est
celle du centre de gravité de la variable floue de sortie [31].
Page 38
III.2.2.4.Les avantages et les inconvénients :
A. Avantage :
 Linguistique : pas numérique, où les variables utilisés sont similaire à la façon dont les
humains pensent.
 Simplicité : ne nécessite pas d’équations analytiques complexes, facile à comprendre.
Utilise moins de règles.
 Prototypage rapide : le designer n’a pas besoin de connaitre tout à propos du système
avant de commencer.
 Peu couteux : plus facile à faire la conception.
 Plus robuste : plus facile à mettre au point en changeant les fonctions d’appartenance.
B.Les Inconvénients :
 Systèmes d’explications limitées.

 Quand même nécessaire de consulter des experts.
 Problèmes de saturation si les fonctions d’appartenance ne sont pas bien définies [30].
III.3. Réseau de neurone :
Le cerveau se compose d’environ 1012 neurones interconnectés entre eux, avec 1000
a 10000 synapses par neurone. Les neurones ne sont pas tous identiques et ils n’ont pas le
même comportement.
III.3.1.Historique :
En 1948, deux chercheures Américains,Mac Culloch et Pitts, ont donné naissance au

premier modèle mathématique de neurone biologique, qu’ils ont appelé: neurone formel.
L’idée principale des réseaux de neurones est la suivante: on se donne une unité simple, un
neurone, qui est capable de réaliser quelques calculs élémentaires. On relie ensuite un certain
nombre de ces unités sous forme d’un réseau capable de résoudre un problème plus complexe.
La structure, la taille du réseau et le mécanisme d’apprentissage utilisé dépendent du type et
de la complexité de l’application en question.
III.3.2. Le neurone biologie :
Page 39
Un neurone est une cellule particulièrement complexe spécialisée dans le

traitement des signaux électriques. Son rôle est de recevoir, stocker et transmettre
l’information. On peut décomposer le neurone en trois régions principales : le corps
cellulaire, les dendrites et l’axone [32].
III.3.2.1. Le corps cellulaire :
Il contient le noyau du neurone ainsi que la machine biologique nécessaire à la

synthèse des enzymes. Ce corps cellulaire de forme sphérique ou pyramidale contient
ainsi les autres molécules essentielles à la vie de la cellule. Sa taille est de quelques
microns diamètre.
III.3.2.2. Les dendrites :
Ce sont des fines extensions qui se ramifient autour du neurone et forment une
sortie de vaste arborescence. Les signaux envoyés sont captés par les dendrites. Leur
taille est de quelques dizaines de micromètres de longueur.
III.3.2.3. L’axone :
L’information traitée est transmise vers l’extérieur, le long de l’axone, les signaux
partent du neurone grâce a l’arborescence terminale que possède l’axone ;
contrairement aux dendrites qui se ramifient autour du neurone, l’axone est plus long et
se ramifie a son extrémité où il se connecte aux dendrites des autres neurones. Sa taille
peut varier entre quelques millimètres à plusieurs mètres. La notion de synapse
explique la transmission des signaux entre un axone et une dendrite. Au niveau de la
jonction, il existe un espace à travers lequel le signal électrique ne peut pas se
propager. Les transmissions se font alors par l’intermédiaire des substances chimiques
(les neurotransmetteurs). Quand un signal arrive de la synapse, il provoque l’émission
des neurotransmetteurs qui vont se fixer sur des récepteurs de l’autre cote de l’espace
inter synaptique. Quand suffisamment de molécules se sont fixés, un signal électrique
est émis de l’autre cote, il y a donc une transmission [32].
Page 40
Figure (III.5) : Le modèle d’un neurone biologique.
III.3.3. Le neurone artificiel :
Les réseaux de neurones artificiels sont des réseaux fortement connectés de processeurs
(neurones) élémentaires fonctionnant en parallèle. Chaque processeur élémentaire calcule une
sortie unique sur la base des informations qu’il reçoit. Toute structure hiérarchique de réseaux
est évidemment un réseau [33].
.x1
.x2 x
Entrées y Sortie
.x7
Couche d’entrée couche cachée couche de sortie
Figure (III.6) : Neurone Artificiel.
Page 41
III.3.4. Les composants d’un réseau de neurone :
Le réseau de neurone se compose en huit éléments sont :
 Un ensemble de neurone.
 Un état d’activation pour chaque neurone (actif, inactif).
 Une fonction de sortie pour chaque neurone [f(s)].
 Un modèle de connectivité entre les neurones (chaque neurone est connecté à tous les
autres).
 Une règle de propagation pour propager les valeurs d’entrée à travers le réseau vers les
sorties.
 Une règle d’activation pour combiner les entrées d’un neurone.
 Une règle d’apprentissage.
 Un environnement d’opération (le système d’exploitation, par exemple) [32].
III.3.5. Les différentes structures des réseaux de neurones :
Les connexions entre les neurones qui composent le réseau décrivent la topologie du
modèle qui peut être ?, mais le plus souvent il est possible de distingue une certaine régularité
III.3.5.1. Réseau de neurones multicouches :
Les neurones sont arrangés par couche, il n’ya pas de connexion entre neurones d’une
même couche et les connexions ne sont font qu’avec les neurones des couches en aval
habituellement, chaque neurone 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 de définir les concepts de neurone
d’entrée et de 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 cachées.
Page 42
Couche
d’entrée
couche cachée
le sens du flux de données couche de sortie
y1 y2
Figure(III.7) : Réseau de neurones multicouches.
III.3.5.2. Réseau à connexions locales :
Il s’agit d’une architecture multicouche, mais qui à l’image de la rétine, conserve une
certaine topologie. Chaque neurone est connecté avec un nombre réduit et localisé de neurone
de la couche aval .Les connexions sont donc moins nombreuses que dans le cas d’un réseau
multicouche classique.
Couche
d’entrée
Couche cachée
Le sens du flux de données Couche de sortie
Figure (III.8):Réseau à connexions locales.
Page 43
III.3.5.3. Réseau à connexions récurrentes :
Les connexions récurrentes ramènent en arrière par rapport au sens de propagation défini
dans un réseau multicouche. Ces connexions sont le plus souvent locales.
Figure(III.9) : Réseau à connexions récurrentes.
III.3.5.4. Réseau à connexions complètes :
C’est la structure d’interconnexions la plus générale figure(III.10) Chaque neurone est

connecté à tous les neurones du réseau et à lui-même.
Figure(III.10):Réseau à connexions complètes.
III.3.6. Les fonctions d’activations :
C’est une fonction non-linéaire qui définie l’état interne (A) du neurone en fonction de
son entrée totale (E) elle peut être une fonction binaire à seuil, linéaire à seuil ou multi-seuil ,
sigmoïde stochastique ou une autre fonction généralement choisie croissante et impaire [34].
Page 44
f(s) f(s) f(s)
s s s
-Fonction à seuil -Fonction à saturation -Fonction sigmoïde
Figure (III.11):Quelque fonction d’activations.
III.3.7. Les techniques d’apprentissage :
On à deux techniques d’apprentissage : supervisé et non supervisé.
III.3.7.1. Apprentissage supervisé :
Un apprentissage supervisé est lié à la disponibilité d'exemples, ou de modèles de

réponses. L’ensemble des exemples utilisés pour l’apprentissage se présente sous forme de
couples (X, Y*) ou Y* est la réponse désirée du réseau à l’entrée X. Lorsque le réseau
apprend à mimer une fonction multi variable, il utilise des exemples d'entrée/sortie. Ses poids
sont ajustés sous l'influence d'un signal d'erreur qui représente la différence entre la sortie
estimée par le réseau et la sortie désirée par le modèle. Les caractéristiques de l'algorithme
neuronal lui permettent ensuite de généraliser et de répondre à une entrée quelconque, même
si elle n'appartient pas au jeu d'apprentissage. Le réseau réalise une approximation de la
fonction qui lui a servi de professeur [33].
III.3.7.2. Apprentissage non supervisé :
L’hypothèse d’existence d’un maître qui supervise l’apprentissage n’est pas toujours
possible. Dans ce cas, on ne connaît pas les sorties désirées Y* des exemples d’apprentissage.
Le réseau doit donc apprendre de lui-même et on parle d’apprentissage non supervisé. Ce type
d’apprentissage permet au réseau d’extraire des propriétés contenues implicitement dans un
ensemble de données, représentées par des vecteurs de grande dimension, et l’on cherche à les
regrouper, selon des critères de ressemblance qui sont inconnus a priori [34].
Page 45
III.3.8. Les avantages et les inconvénients :
III.3.8.1. Les Avantage :
 Aucune connaissance basée sur les règles.

 Le modèle mathématique non requis.
 Plusieurs algorithmes d’apprentissages sont disponibles.
III.3.8.2. Inconvénients :
 Boite noir (manque de traçabilité).

 L’adaptation aux environnements différents est difficile el le réapprentissage est
souvent obligatoire [33].
III.4.Les systèmes Neuro-flous[35] :
Les systèmes Neuro-flous permettent de combiner les avantages de deux techniques

complémentaires. Les principaux avantages d’un système flou sont l’approche naturelle de la
modélisation et la bonne interopérabilité de la description, en employant des règles
linguistiques. Cependant, il n’y a aucune méthode formelle pour déterminer ses paramètres
(fonctions d’appartenance et règles floues). Dans ce sens, il serait intéressant de disposer
d’algorithmes permettant l’apprentissage automatique de ces paramètres. L’une des approches
qui permettent de répondre à ce besoin est les réseaux de neurones connus pour leur
algorithme d’apprentissage et leur précision dans l’ajustement numérique en employant des
échantillons entrée/sortie.
On peut aussi noter que les systèmes Neuro-flous peuvent être utilisés comme des
approximateurs universels [36].
Page 46
Logique floue Données linguistiques
Règles floues
Neuro-flou
Données numérique Réseaux de

neurones
Apprentissage
Figure (III.12) : principe de Neuro flou.
III.4.1.Méthodes des combinaisons Neuro-floues :
Il existe quatre catégories de combinaisons des réseaux de neurones avec la logique floue.
 Réseaux 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.
 Systèmes neuronal/flou simultanément
Le réseau 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.
 Modèles Neuro-flous coopératifs
Le réseau de neurones 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 réseau de neurone. C’est une forme simple des systèmes Neuro-flous.
Page 47
III.4.2. 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.
III.4.2.1. Le système Neuro-flou hybride de type Mamdani :
Le système Neuro-flou hybride de Mamdani utilise la technique d’apprentissage

supervise (retro-propagation) pour faire un apprentissage des paramètres de fonctions
d’appartenance. L’architecture du système Neuro-flou hybride de Mamdani est illustrée sur la
figure (III.13) qui détermine chaque couche comme suit:
X1
X
X
X
Y
X
X
X2
X
X
Figure (III.13) : Le système Neuro-flou de Mamdani.
III.4.2.2. Le système Neuro-flou hybride de type Takagi-Sugeno :
Les systèmes Neuro-flous de type Takagi-Sugeno font usage d'un mélange d’algorithme
de retro propagation pour faire un apprentissage des fonctions d’appartenance et la méthode
de moindre carré pour déterminer les coefficients des combinaisons linéaires dans les
conclusions des règles.
Dans un pas de la procédure d’apprentissage, on peut obtenir deux parties:
Page 48
 Dans la première partie, les modèles de l'entrée sont propagées, et les paramètres de la
sortie optimaux sont estimés par la procédure de moindre carré, pendant que les
paramètres antérieurs sont supposés être fixes pour le cycle courant à travers
l'ensemble de l’apprentissage.
 Dans la deuxième partie, les modèles sont encore propagés, et dans cette tâche, la retro
propagation est utilisée pour modifier les paramètres antérieurs, pendant que les
paramètres de la conclusion « conséquence » restent fixes. Cette procédure sera alors
répétée.
L’architecture du système Neuro-flou hybride de TS est illustrée sur la figure
(III.14).comme suit:
E1
E2
Figure( III.14) : Le système Neuro-flou de Takagi-Sugeno.
 Les couches 1,2 et 3: sont les même que celle du modèle de Mamdani.
 La couche 4 : (normalisation des poids de la règle)
Chaque nœud dans cette couche calcule le coefficient de la ième règle à la somme de
toutes les règles.
Wi
Wi  , i=1,2… (III.13)
W 1 W 2
Page 49
 La couche 5 : chaque nœud i de cette couche est un nœud fonctionnel
W i f i W i ( pi x 1  q i x 2  ri ) (III.14)
Tel que i est une sortie de la couche quatre et {pi, qi, ri} sont des paramètres des ensembles.
Un chemin bien établi est de déterminer les paramètres conséquents qui utilisent l’algorithme
des moindres carrés.
 La couche 6 (la couche d’inférence des règles) : le seul nœud de cette couche calcule
la somme total des sorties de touts les signaux est égale à :
W i f i
W i f i  (III.15)
i iW i
III.4.3. Les avantages des systèmes Neuro-flous :
III.4.3.1. La rapidité de calcul :
Les systèmes Neuro-flous sont très rapides parce que l'évaluation d'un système compétent
implique typiquement des opérations de la comparaison simples et un nombre limite de
calculs.
III.4.3.2. La flexibilité :
Un système Neuro-flou peut traiter des problèmes complexes avec beaucoup de variables
àl’entrée. Au lieu d'adapter une architecture interne fixe, l'architecture d'un système neuro-
flou peut grandir dynamiquement et efficacement en réponse à la complexité des données
d’apprentissage.
La structure d'un système Neuro-floue représente efficacement le rapport entre les entrées
de votre problème et les sorties.
III.4.3.3. Généralisation des connaissances :
Les systèmes d’apprentissage ont souvent des difficultés quand il y a un manque de

données historiques pour former ?, ou bien les données contiennent trop de bruit. Les
systèmes de Neuro-flous peuvent compenser ces problèmes pendant la phase de
l’apprentissage en changent (adapter) leur structure interne. Souvent les règles sont de la
forme: plus des entrées, plus des résultats satisfaisants.
Page 50
III.4.4. Les types d’implémentation des réseaux Neuro-flous :
Dans la littérature, il y a une panoplie de systèmes Neuro-flou comme : les systèmes

Neuro-flou, concurrents, les systèmes dit hybrides ou Neuro-flou adaptatif, le modèle
NEFCLASS, ANFIS, FALCON et GARIC.etc
III.4.5. NEFCLASS (Neuro-fuzzy classification) :
Ce modèle est utilisé généralement en classification. il est constitue de 3 couches : une

couche d’entrée avec les fonctions d’appartenance, une couche cachée représentée par des
règles et une couche de sortie (Figure III.15), ce modèle est facile à mettre en application, tout
en étant précis dans le résultat final, avec une rapidité bien supérieure aux autres architectures.
X1 C1
X2 C2
La couche de fuzzification la couche de défuzzification
La couche de bases de règles
Figure (III.15): Architecture de NEFCLASS.
III.4.6. NEFCON (Neuro-Fuzzy Controller) :
Ce Modèle formé de 3 couches : une couche cachée formée par des règles, une couche
d’entrée incluant les nœuds d’entrées avec les sous-ensembles flous d’antécédences et une
couche de sortie avec un nœud de sortie et les sous-ensembles des conséquences.
Page 51
X S
Figure( III.16) : Architecture de NEFCON.
L’élaboration des règles est similaire à l’architecture NEFCLASS, avec une différence en
sortie. Cette architecture est généralement utilisée en approximation de fonctions et en
contrôle flou Figure(III.16).
Le processus d’apprentissage du NEFCON peut être divisé en deux phases. la première

phase consiste à trouver les règles de base initiale. Si les connaissances antérieures ne sont pas
disponibles, les règles de base seront apprises avec difficulté. Cette règle est définie par un
algorithme qui la complète. Dans la seconde phase, les règles de base sont optimisées par
modification des sous-ensembles flous des règles. Les deux phases utilisent l’erreur floue,
cette erreur peut être trouvée avec la différence entre la sortie désirée et celle obtenue.
III.4.7. NEFPROX (Neuro Fuzzy function approximator) :
Ce Modèle est obtenu par l’association des deux architectures : NEFCLASS et NEFCON,
il est utilisé dans différentes applications comme la classification et l’approximation de
fonctions. Le NEFCLASS utilise un algorithme supervisé pour définir les règles floues, le
NEFCON utilise un algorithme d’apprentissage non supervisé avec le calcul de l’erreur de
sortie. Les deux modèles emploient la retro-propagation afin de définir les sous-ensembles
flous. Comparé au modèle ANFIS, NEFPROX figure (III.17) est beaucoup plus rapide, mais
ANFIS donne de meilleurs résultats en approximation. Le NEFPROX est le premier système
interprétable et lisible, dédié à l’approximation de fonction. Néanmoins, ses résultats en
classification reste moins bons que ceux donnés par le NEFCLASS.
Page 52
A1
X1
A2
 Y
B1
X2
B2
Variable linguistique multiplier normaliser paramètres de conséquent
Figure (III.17) : Architecture de NEFPROX.
III.4.8.ANFIS (adaptative-network-based fuzzy inference system):
ANFIS représente un système à inférence flou mis en application dans le cadre des
réseaux adaptatifs.Cette architecture (Figure III.18) affine les règles floues obtenues par des
experts humains pour décrire le comportement d'entrées-sortie d'un système complexe, ou est
implémenté dans la boite à outils « Neuro-Fuzzy » de MATLAB. Ce modèle donne de très
bons résultats en poursuite de trajectoire, approximation non linéaire, commande dynamique
et traitement du signal.
A1
II W1 N XY
A2
X Σ
B1 f
Y W1 N XY
B2
Figure(III.18): Architecture de l’ANFIS.
Page 53
III.5.Conclusion :
Afin d’améliorer l’efficacité des systèmes PV, différents algorithmes de commandes

intelligentes ont été étudiée pour la poursuite du point maximum de la puissance .Dans ce
chapitre nous avons commencé par la présentation des techniques populaires telles que la
commande à incrémentation de la conductance. Ainsi que trois techniques de l’intelligence
artificielle à savoir la logique floue et les réseaux de neurones et Neuro-floue.
Page 54
Chapitre IV
Description de système et simulation

Chapitre IV Description de système et simulation
IV.1. Introduction :
Le modèle du système PV sous des différentes irradiations et températures est simulé et

testé. Le point de fonctionnement du champ sur la courbe I-V est dynamiquement modifié par
le contrôleur afin que la MPPT obtienne le point de puissance maximale sous les conditions
de la lumière du soleil et maintient la puissance du PV aux alentours de ce point pour produire
de l'énergie avec un rendement plus élevé.
IV.2. Description de système :
La simulation d'un générateur PV contrôlé par l’un des quatre méthodes est un modèle
d'un champ de 100 kW connecté à un réseau de 25 kV par l'intermédiaire d' un convertisseur
élévateur continu-continu et un convertisseur de tension triphasé à trois niveaux
(onduleur).maximum power point tracking ( MPPT ) est mis en œuvre dans le convertisseur
élévateur au moyen d'un modèle simulink, en utilisant dans le premier cas la technique
incrémental conductance, dans le deuxième cas la logique floue , le troisième cas le réseau de
neurone, le quatrième cas le réseau neuro-floue.
Le modèle contient :
- un champ PV délivrant un maximum de puissance de 100 kW à 1000 W / m2 des irradiations
solaire.
- un convertisseur boost augmente la tension de PV (273.5 VDC à la puissance maximale) à
500 VDC. Le rapport cyclique D est optimisé par le contrôleur MPPT
- un onduleur de 3 niveaux triphasés. Il convertit la tension 500 VCC en tension 260 VCA et
maintient l'unité du facteur de puissance (cosα=1).
- un bloc de commande VSC qui contrôle la tension VDC et les courants Id Iq.
- un bloc de commande MPPT
- 10 KVAR d'harmoniques produites par l'onduleur (filtrage par condensateurs).
- 100 kvas, 260V/25kV de transformateur triphasé de couplage.
- Un réseau de distribution de 25KV+ système de transmission équivalent de 120 kV).
Réseau
La source Convertisseur Convertisseur Filtrage
Électrique
PV DC-DC DC-AC
Figure(IV.1) : La structure du modèle .
Page 55
IV.2.1.Les régulateurs du VSC :
Le système de contrôle utilise deux boucles de régulation :

une boucle de commande externe qui régule la tension continue à +/- 250 V, et une boucle de
contrôle interne qui régule les courants Id et Iq du réseau (les composantes active et réactive
du courant).
La référence du courant Id est la sortie du régulateur externe.la référence du courant
Iq est fixée à zéro, afin de maintenir le facteur de puissance à1. Les sorties de tension Vd et
Vq du régulateur de courant sont converties en 3 signaux de modulation Uref_abc utilisés par
le générateur d'impulsions MLI (PWM) à trois niveaux.
Les générateurs d'impulsions des convertisseurs Boost et l'onduleur utilisent un temps
d'échantillonnage rapide de 1μs, afin d'obtenir une résolution appropriée de formes d'onde
PWM.
Figure(IV.2) : La structure du VSC.
Page 56
a. La commande basée sur le principe de la logique floue
 Régulateur VDC :
e FLC
de Idref
Figure(IV.3) :la structure de regulateur VDC.
e=Vdcref-Vdcmes
de=e(k)-e(k-1)
on utilise7 fonction d’appartenance triangulaire.
Figure(IV.4) : Fonction d’appartenance des variables d’entrée.
Figure(IV.5) : Fonction d’appartenance de la variable de sortie.
NG : négative grande.
NM : négative moyen
NP : négative petite
Z : zéro
PP :positive petite
PM : positive moyen PG: positve grande .
Page 57
Tableau (IV.1) : la table des règles pour la commande logique floue.
E NG NM NP Z PP PM PG
de
NG PG PG PG PM PM PP Z
NM PG PM PM PM PP Z NP
NP PG PM PP PP Z NP NM
Z PM PM PP Z NP NM NM
PP PM PP Z NP NP NM NG
PM PP Z NP NM NM NM NG
PG Z NP NM NM NG NG NG
 Régulateur de courant Id et Iq :
eq ed
FLC FLC
deq uq ded ud
Figure(IV.6) :la structure de régulateur Id-Iq.
ed=idref-idmes
ded=e(K)-e(K-1)
eq=iqref-iqmes
deq=e(K)-e(K-1)
on utilise5fonction d’appartenance triangulaire
Figure(IV.7) : Fonction d’appartenance des variables d’entrée.
Page 58
Figure(IV.8) : Fonction d’appartenance de la variable de sortie.
Tableau(IV.2) : la table des règles pour la commande logique floue.
ed-eq NG NM Z PM PG
ded-
deq
NG NG PG NM NM Z
NM NG NM NM Z PM
Z NM NM Z PM PM
PM NM Z PM PM PG
PG Z PM PM PG PG
b. La commande basée sur le principe de réseau de neurone :
On a résumé les caractéristiques de l’apprentissage dans le tableau suivant
Tableau(IV.3) : la table des caractéristiques des régulateurs VDC et IdIq
Caractéristiques Régulateur VDC Régulateur Id Iq
Entrées Sorties 1-1 2-1
Algorithme d’apprentissage Feed-forward backprop Feed-forward backprop
La fonction utilisée TRAINLM TRAINLM
Nombre de couche 2 2
Nombre de neurone 10-1 10-5
Page 59
c. La commande basée sur le principe de réseau de neuro-floue :
On a résumé les caractéristiques des régulateurs dans le tableau suivant
Tableau(IV.4) : la table des caractéristiques des régulateurs VDC et IdIq
caractéristiques Régulateur VDC Régulateur Id Iq
Entrées –sorties 2-1 2-1
Nombre de neurone 1-7-1 1-7-1
Performance 7.36*10^-3 0.00083
Algorithme d’apprentissage Hybride Hybride
Nombre de fonctions d’appartenances 3 3
Forme de fonctions d’appartenances Triangulaire triangulaire
Structure d’estimateur flou Sugeno Sugeno
Nombre de règles 3 9
IV.2.2.Régulateur MPPT :
a. La commande MPPT basée sur le principe de la logique floue :
e FLC
de dD
Figure(IV.9) :la structure de régulateur MPPT.
e=dp/dv
de=e(k)-e(k-1)
on utilise5 fonction d’appartenance triangulaire.
Page 60
Figure(IV.10) : Fonction d’appartenance des variables d’entrées.
Figure(IV.11) : Fonction d’appartenance des variables de sortie
Tableau (IV.5) : la table des règles pour la commande logique floue.
DP NB NS ZE PS PB
DV
NB PS PB NB NB NS
NS PS PS NS NS NS
ZE ZE ZE ZE ZE ZE
PS NS NS PS PS PS
PB NS NB PB PB PS
b. La commande MPPT basée sur le principe de réseau de neurone :
On a résumé les caractéristiques de l’apprentissage dans le tableau suivant
Tableau(IV.6) : la table des caractéristiques de régulateur MPPT
Caractéristiques Régulateur MPPT
Entrées Sorties 2-1
Feed-forward backprop
La fonction utilisée TRAINLM
Nombre de couche 2
Page 61
Nombre de neurone 10-2
c. La commande MPPT basée sur le principe de réseau de neuro-floue:
On a résumé les caractéristiques du régulateur MPPT dans le tableau suivant
Tableau(IV.7) : la table des caractéristiques du régulateur MPPT
Caractéristiques Régulateur MPPT
Entrées –sorties 2-1
Nombre de neurone 1-7-1
Performance 0.0000535
Algorithme d’apprentissage Hybride
Nombre de fonctions d’appartenances 3
Forme de fonctions d’appartenances Triangulaire
Structure d’estimateur flou Sugeno
Nombre de règles 3
IV.3. Simulation :
 La variation de l’irradiation et la température :
L’irradiation et la température stabilisent à les valeurs 1000W/m² et 25°C pendant 0.7

secondes comme il est présenté dans la figure (IV.1) puis elles diminuent lentement jusqu’à
les valeur 250W/m² et 15°C et se stabilisent dans l’intervalle [1.2s-1.5s] et après, elles
augmentent lentement jusqu’à la valeur 1000W/m² et25°C et se stabilisent encore dans
l'intervalle [2s-2.3s] et [2s-2.2s] respectivement et après elles diminuent rapidement dans
l’intervalle [2.3s-2.35s] et [2.2s-2.25s] jusqu’à les valeurs 250W/m² et 20°C puis se stabilisent
à dans l’intervalle [2.35s-2.65s] et [2.25s-2.4s] ,après elles augmentent rapidement dans
l’intervalle [2.65s-2.7s] et [2.4s-2.45s] jusqu’à 1000W/m² et 25°C et se stabilisent jusqu’à
3secondes.
Page 62
Irradiation
1000
900
800
700
Ir (w/m2)
600
500
400
300
200
0 0.5 1 1.5 2 2.5 3
Temps (s)
300
298
Température (°K)
296
294
292
290
288
0 0.5 1 1.5 2 2.5 3
Temps (s)
Figure (IV.12) : La variation de l’irradiation et la température.
IV.3.1. Simulation de système avec IncCond :
Après exécution du modèle IncCond et cela pour une durée de 3 secondes on observe les
séquences suivantes des événements sur les oscilloscopes.
 De t = 0 s à t = 0.05 s, les convertisseurs Boost et l'onduleur sont bloqués. La tension
PV correspond à la tension du circuit ouvert Nser * Vco = 8*42.1 = 336 V, Le pont à
trois niveaux fonctionne comme un redresseur à diodes et les condensateurs sont
chargés de 500 V.
 A t = 0.05 s, les convertisseurs boost et l'onduleur sont débloqués. la tension du court-
circuit est régulée à Vcc = 500V.
- Le rapport cyclique du convertisseur élévateur boost est fixé (D = 0.5), et les irradiations du
soleil sont réglées à 1000 W / m2. L'état d'équilibre est atteint à t = 0.25s.
- La tension résultante du PV est donc V_PV = (1 - D) * Vcc = (1-0.5) * 500 = 250 V.
Page 63
La tension de panneau avec la méthode IncCond

400
350
Vin PV (v)
300
250
200
0 0.5 1 1.5 2 2.5 3
Temps (s)
Le courant de panneau avec la méthode IncCond
500
Iin PV (A)
-500
0 0.5 1 1.5 2 2.5 3
Temps (s)
5 La puissance de Panneau avec la méthode IncCond
x 10
1.5
0.5
Pin PV (w)
-0.5
-1
-1.5
-2
0 0.5 1 1.5 2 2.5 3
Temps (s)
Figure (IV.13) : La tension PV, le courant PV puissance PV.
0.8
0.7
0.6
la commande D
0.5
D 0.4
0.3
0.2
0.1
0 0.5 1 1.5 2 2.5 3
Temps (s)
Figure(IV.14) : Le rapport cyclique D.
Page 64
4
x 10
2
1.5
Va-in Vb-in Vc-in (v) 1
0.5
-0.5
-1
-1.5
-2
0 0.5 1 1.5 2 2.5 3
Temps (s)
4
x 10
2
Va-in
1.5 Vb-in
Vc-in
1
Va-in Vb-in Vc-in (v)
0.5
-0.5
-1
-1.5
-2
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
Temps (s)
Figure (IV.15) : Les Tensions Vabc.

10
5
Ia-in Ib-in Ic-in (A)
-5
-10
0 0.5 1 1.5 2 2.5 3
Temps (s)
4
Ia-in
3 Ib-in
Ic-in
2
Ia-in Ib-in Ic-in (A)
-1
-2
-3
-4
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)
Figure(IV.16) : Les courants Iabc.
Page 65
On observe de la figure (IV.17) que la tension et le courant de réseau de la phase (a) dans
la ligne de 25 kV sont en phase (facteur de puissance de l'unité cosα=1).
x 10
4 La tension Va et le courant Ia avec la méthode IncCond
2
Va-in (v)
-2
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
5
I-in PV (A)
-5
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)
Figure (IV.17): La tension Va et le courant Ia.
150
100
La puissance Pa-in (kw)
50
-50
-100
0 0.5 1 1.5 2 2.5 3
Temps (s)
Figure (IV.18) : La puissance Pa.

Fundamental (60Hz) = 3.327 , THD= 2.00%
100
Mag (% of Fundamental)
80
60
40
20
0
0 5 10 15 20 25 30
Harmonic order
Figure (IV.19) : Les harmoniques de courant Ia.
Page 66
IV.3.2.Simulation de système avec la logique floue :
La tension de panneau avec la logique floue

400
350
300
Vf PV (v)
250
200
150
0 0.5 1 1.5 2 2.5 3
Temps (s)
Le courant de panneau avec la logique floue

400
200
0
If PV (A)
-200
-400
-600
0 0.5 1 1.5 2 2.5 3
Temps (s)
5 La puissance de panneau avec la logique floue

x 10
1.5
0.5
P-f PV (w)
-0.5
-1
-1.5
-2
0 0.5 1 1.5 2 2.5 3
Temps (s)
Page 67
0.51
0.505
La commande D
0.5
0.495
D
0.49
0 0.5 1 1.5 2 2.5 3
Temps (s)
Figure (IV.21) : Le rapport cyclique D.
4
x 10
2
Va-f
1.5 Vb-f
Vc-f
1
Va-f Vb-f Vc-f (v)
0.5
-0.5
-1
-1.5
-2
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)
4
x 10
2
1.5
1
Va-f Vb-f Vc-f (v)
0.5
-0.5
-1
-1.5
-2
0 0.5 1 1.5 2 2.5 3
Temps (s)
Figure (IV.22) : Les tensions Vabc.
Page 68
10
5
Ia-f Ib-f Ic-f (A)
-5
-10
0 0.5 1 1.5 2 2.5 3
Temps (s)
4
Ia-f
3 Ib-f
Ic-f
2
Ia-f Ib-f Ic-f (A)
-1
-2
-3
-4
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)
Figure (IV.23) : Les courants Iabc.
On observe de la figure (IV.24) que la tension et le courant de réseau de la phase (a)

dans la ligne de 25 kV sont en phase (facteur de puissance de l'unité cosα=1).
4 La tension Va et le courant Ia
x 10
2
Va-f (v)
-2
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
5
Ia-f (A)
-5
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)
Figure (IV.24) : La tension Va et le courant Ia.
Page 69
100
80
La puissance Pa-f (kw) 60
40
20
-20
-40
-60
0 0.5 1 1.5 2 2.5 3
Temps (s)

100
80
60
40
20
0
0 5 10 15 20 25 30
Harmonic order
IV.3.3.Simulation de système avec le réseau de neurone :
Page 70
La tension de panneau avec le réseau de neuron

400
350
Vnn PV (v)
300
250
200
0 0.5 1 1.5 2 2.5 3
Temps (s)
Le courant de panneau avec le réseau de neuron

400
200
Inn Pv (A)
-200
-400
-600
0 0.5 1 1.5 2 2.5 3
Temps (s)
5 La puissance de panneau avec le réseau de neuron

x 10
1.5
0.5
Pnn PV (w)
-0.5
-1
-1.5
-2
0 0.5 1 1.5 2 2.5 3
Temps (s)
Page 71
0.51
0.5
D La commande D 0.49
0.48
0.47
0.46
0.45
0 0.5 1 1.5 2 2.5 3
Temps (s)
Figure (IV.28) : Le rapport cyclique
4
x 10
2
1.5
1
Vann Vbnn Vcnn (v)
0.5
-0.5
-1
-1.5
-2
0 0.5 1 1.5 2 2.5 3
Temps (s)
4
x 10
2
Vann
1.5 Vbnn
Vcnn
1
Vann Vbnn Vcnn (v)
0.5
-0.5
-1
-1.5
-2
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)
Page 72
10
5
Iann Ibnn Icnn (A)
-5
-10
0 0.5 1 1.5 2 2.5 3
Temps (s)
4
Iann
3 Ibnn
Icnn
2
Iann Ibnn Icnn (A)
-1
-2
-3
-4
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)

x 10
4 La tension Vann et le courant Iann
2
Vann (v)
-2
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
5
Iann (A)
-5
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)
Page 73
150
La Puissance Pa-nn (kw) 100
50
-50
-100
0 0.5 1 1.5 2 2.5 3
Temps (s)

100
80
60
40
20
0
0 5 10 15 20 25 30
Harmonic order
IV.3.4.Simulation du système avec le réseau de neuro-floue :
Page 74
La tension de panneau avec le réseau de Neuro-floue
400
350
V-nf PV (v)
300
250
200
150
0 0.5 1 1.5 2 2.5 3
Temps (s)
Le courant de panneau avec le réseau de Neuro-floue
400
200
I-nf PV (A)
-200
-400
-600
0 0.5 1 1.5 2 2.5 3
Temps (s)
5 La puissance de panneau avec le réseau de Neuro-floue

x 10
1.5
0.5
P-nf PV (w)
-0.5
-1
-1.5
-2
0 0.5 1 1.5 2 2.5 3
Temps (s)
Page 75
0.5
0.4
La commande D
0.3
D
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3
Temps(s)
Figure (IV.35) : Le rapport cyclique

4
x 10
2
1.5
1
Va-nf Vb-nf Vc-nf (v)
0.5
-0.5
-1
-1.5
-2
0 0.5 1 1.5 2 2.5 3
Temps (s)
4
x 10
2
Va-nf
1.5 Vb-nf
Vc-nf
1
Va-nf Vb-nf Vc-nf (v)
0.5
-0.5
-1
-1.5
-2
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)
Page 76
10
5
Ia-nf Ib-nf Ic-nf (A)
-5
-10
0 0.5 1 1.5 2 2.5 3
Temps (s)
4
Ia-nf
3 Ib-nf
Ic-nf
2
Ia-nf Ib-nf Ic-nf (A)
-1
-2
-3
-4
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)

4
x 10
2
Va-nf (v)
-2
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
5
Ia-nf (A)
-5
2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99 2.995 3
Temps (s)
Page 77
150
100
La puissance Pa-nf (kw)
50
-50
-100
0 0.5 1 1.5 2 2.5 3
Temps (s)
100
80
60
40
20
0
0 5 10 15 20 25 30
Harmonic order
Figure (IV.40) : Les harmoniques de courant Ia
IV.4. Etude comparative de la puissance entre les quatre contrôleurs :
Les quatre modèles doivent être simulés dans des conditions quasiment similaires pour
pouvoir faire des comparaisons de performances des étages d’adaptation et en déduire s’il y a
amélioration des performances avec les déférentes techniques de commandes.
On fait la comparaison entre les quatre régulateurs au niveau de la puissance produite par
le système PV avec un changement d’irradiation G et de température T (stable, rapide et lent).
Page 78
Figure (IV.41) : variation de la puissance des quatre régulateurs.
Pour ces quatre régulateurs, nous remarquons l’effet de l’augmentation de la

puissance produite par le système PV, causée par une augmentation de l’éclairement G.
100
Pa-f
90 Pa-nf
80 Pa-in
Pa-nn
70
60
Pa (kw)
50
40
30
20
10
0
0 0.1 0.2 0.3 0.4 0.5
Temps (s)
Figure (IV.42): Zoom1.a.
Page 79
100
Pa-f
Pa-nf
99.5
Pa-in
Pa-nn
99
Pa (kw)
98.5
98
97.5
97
96.5
0.5 0.52 0.54 0.56 0.58 0.6 0.62 0.64 0.66 0.68 0.7
Temps (s)
Figure (IV.43): Zoom1.b.
100
Pa-f
90 Pa-nf
Pa-in
80 Pa-nn
70
Pa (kw)
60
50
40
30
20
0.7 0.75 0.8 0.85 0.9 0.95 1 1.05 1.1 1.15 1.2
Temps (s)
Figure (IV.44): Zoom2.
26
Pa-f
Pa-nf
25
Pa-in
Pa-nn
24
Pa (kw)
23
22
21
20
19
1.2 1.25 1.3 1.35 1.4 1.45
Temps (s)
Page 80
106 Pa-f
Pa-nf
104 Pa-in
Pa-nn
102
100
Pa (kw)
98
96
94
92
90
2 2.05 2.1 2.15 2.2 2.25 2.3
Temps (s)
Figure (IV.46): Zoom4.a.
Pa-f
100 Pa-nf
Pa-in
Pa-nn
80
Pa (kw)
60
40
20
0
2.3 2.31 2.32 2.33 2.34 2.35 2.36
Temps (s)
Figure (IV.47): Zoom4.b.
101
Pa-f
Pa-nf
100 Pa-in
Pa-nn
99
Pa (kw)
98
97
96
95
2.75 2.8 2.85 2.9 2.95 3
Temps (s)
Page 81
 D’après la figure (IV.42), il est claire que le régulateur par la logique flou est le plus
rapide (avec un temps de réponse égale à 0.12s), suivie par le réseau de neurone (avec
un temps de réponse égale à 0.41s), ensuite le neuro-floue (avec un temps de réponse
égale à 0.46s), puis la technique IncCond (avec 0.46s)
 D’après la figure (IV.43), L’erreur statique qui présenté par le régulateur neuronal
et « INC », est important mais la logique floue et le neuro-floue il est presque nulle.
 A partir de la figure (IV.44), lorsque la diminution lente de l’irradiation G (de G=1000
jusqu’à 250W/m2 )et la température T (à T=25°C jusqu’à15°C) entre[0.7s-1.2s] Nous
remarquons que la commande MPPT floue suit rapidement le PPM suivie par Neuro-
floue et (INC). Puis le réseau de neurone avec une réponse lente.
 Dans la figure(IV.45) on a vu que la technique « INC » suit le PPM avec de meilleures

performances, suivi par « le réseau de neurone» et « le réseau de Neuro-floue » mais avec des
oscillations puis « la logique floue » avec des oscillations autour de PPM et une dégradation
de puissance .
 Dans la figure (IV.46) et la figure(IV.47) et lors de la diminution rapide de

l’irradiation de 1000w/m2 jusqu’à 250 w/m2 et la température de 25°C jusqu'à
20°C[2.25s-2.3s] on a vu que la commande floue et Neuro-floue suit bien le PPM,
suivi par la technique INC qui fait une erreur de poursuite importante et après le
réseau de neurone.
 Et pour la stabilité finale de l’irradiation et la température figure(IV.48) nous

remarquons que tous les contrôleurs suivent le PPM avec des différents puissances.
 Nous allons résumer la puissance maximale produite par le panneau

photovoltaïque dans des intervalles ou l’irradiation et la température sont stables,
en appliquant les quatre contrôleurs MPPT, à partir de la figure(IV.38) l'étude sera
divisée en cinq intervalles.
Page 82
Tableau (IV.8) : les puissances de panneau dans certains intervalles.
Temps [0.05,0.7] [1.2, 1.5] [2, 2.3] [2.35, 2.65] [2.7, 3]

MPPT
IncCond 99.65 kW 23.5kW 99.4kW 22.86kW 99.45kW

Logique floue 99.2kW 19.5kW 98.88kW 19.2kW 98.8kW
Réseau de 97.3kW 23.2kW 99.5kW 22.87kW 99.7kW
neurone
Réseau de 99.1kW 22.5kW 99.25kW 22.38kW 99.15kW
Neuro-floue
D’prée les figure (IV.19),(IV.26),(IV.33),(IV.40), on a vu que la meilleure valeur de THD

est donné par le régulateur Neuro-floue, suivi par la logique floue suivi par le réseau de
neurone et IncCond avec une valeur maximale, grâce a les méthodes de l’intelligence artificiel
.
IV.5.Conclusion :
Dans ce chapitre, nous avons simulé les quatre régulateurs MPPT (IncCond, logique
floue, réseau de neurone et Neuro-floue), avec des régulateurs de commande de l’onduleur
(PI, et les autres intelligences artificielles).
Les résultats des simulations montrent que l’algorithme ‘INC’ donne des bonne
résultats au niveau de la puissance délivrée mais avec une erreur de poursuite importante et
une valeur max de THD. Par contre les commandes basées sur l’intelligence artificielles
montre un bon comportement et des meilleures performances par rapport à la méthode
classique.
Et parmi les techniques d’intelligence artificielle la méthode de réseau de neurone

montre des meilleures performances au niveau de la puissance délivrée , suivi par le réseau de
neuro-floue et la logique floue.
La commande neuro-floue donne une minimisation d’harmonique suivi par la logique floue,
réseau de neurone et l’algorithme IncCond.
Page 83
Conclusion générale
Conclusion générale
Le travail qu’on a présenté porte sur la modélisation et simulation d’un système

photovoltaïque (PV) relie à un réseau de distribution commandé par un régulateur MPPT
assurant la poursuite de la puissance maximale fournie par le générateur PV et deux
régulateurs de tension et de courant qui commandé l’onduleur.
Dans un premier temps, on a donné des généralités sur les systèmes PV, principe de
l’effet PV, cellule PV. Ainsi le générateur photovoltaïque et leurs performances
On a étudié, dans un deuxième temps, quelques types convertisseurs DC-DC, utilisés

dans les systèmes photovoltaïques. Comme l’hacheur dévolteur, l’hacheur survolteur et
l’hacheur mixte (dévolteur-survolteur). décrié le mécanisme de la poursuite pour l’extraction
de la puissance maximale sous différentes conditions de fonctionnement. On a présenté les
méthodes MPPT basées sur l’algorithme IncCond et trois commandes d’intelligence
artificielle (la logique floue, le réseau de neurone et le réseau de neuro-floue).puis on a fait
une commande VSC qui contrôlé l’onduleur avec la méthode PI et les commandes
d’intelligence artificielle présidentes
La simulation a été réalisée sous logiciel Matlab-Simulink 2013b avec

SimPowerSystème d’une version de 8.1.0.604.
D’après les résultats obtenus, on a relevé les points suivants :

 L’algorithme ‘INC’ donne des bons résultats au niveau de la puissance délivrée
avec un temps de réponse lent, une erreur de poursuite importante, des
oscillations et une valeur max de THD
 Les commandes basées sur l’intelligence artificielle montrent un bon
comportement et des meilleures performances par rapport à la méthode
classique.
 La commande réseau de neurone montre des meilleures performances suivies
par le réseau de neuro-floue et la logique floue au niveau de la puissance
délivrée.
 La commande neuro-floue une minimisation d’harmonique suivi par la logique
floue, réseau de neurone et l’algorithme IncCond.
Page 84
[1] F. Chekired, « etude et implémentation d'une commande mppt neuro-floue sur FPGA»,
mémoire de magister, ecole nationale polytechnique, Alger, Algérie, 2008.
[2]http://tepeenergiephotovoltaique.e-monsite.com/pages/la-cellule-photovoltaique/principe-
de-la-cellule-photovoltaique.html, en ligne 24/01/2018.
[3] M.Blhadj,«modélisation d’un système de captage photovoltaïque autonome»,mémoire de

magister centre universitaire de Bechar ,2007-2008.
[4] M.L.Louazane ,«etude technico-économique d’un système de pompage photovoltaïque
sur le site de Ouargla»,mémoire de magister université El Hadj Lakhdar-Batna, 16/06/2008.
[5] S. M. Ait-Cheikh, «etude, investigation et conception d’algorithmes de commande
appliqués aux systèmes photovoltaïques», thèse de doctorat d’état, ecole nationale
polytechnique, Alger, Algérie, 2007.
[6] S. Issaadi, « commande d’une poursuite du point de puissance maximum (MPPT) par les
réseaux de neurones », mémoire de magister, ecole nationale polytechnique, Alger, Algérie,
2006.
[7] M. Adouane, «etude et conception d’une stratégie de commande d’un onduleur connecté
au réseau électrique», mémoire de magistère, ecole nationale polytechnique, Alger, Algérie,
2008.
[8] S. Bellakehal, «conception & commande des machines à aimants permanents dédiées aux
energies renouvelables», thèse de doctorat, université de Constantine, Algérie, 2010.
[9] W.Bensaci, «modélisation et simulation d’un système photovoltaïque adapté par une
commande MPPT », mémoire de master,université Kasdi Merbah,Ouargla, 2011/2012.
[10] M.N.Mchalikh et CH.Hmada, « modélisation et simulation d'un système
photovoltaïqueen fonctionnement autonome et connecté au réseau », mémoire de master
,université Kasdi Merbah,Ouargla ,2013.
[11] I.Bendjamaa,«modélisation et commande d’un système de stockage photovoltaïque»,
mémoire de magister, université Abou-Baker Blkaid,Tlemcen, 2011/2012.
[12] DRIDI Toufik ,BENBOUABDELLAH Oumsaad, «commande par intelligence
artificiel d’un générateur solaire photovoltaique», mémoirede master en
electrotechnique ,2016.
[13] T.T. Guingane, Z. Koalaga, E. Simonguy, F. Zougmore, D. Bonkoungou,
«modélisation et simulation d’un champ photovoltaïque utilisant un convertisseur élévateur de
tension (boost) avec le logiciel matlab/simulink », journal international de technologie, de
l’innovation, de la physique, de l’energie et de l’environnement, vol. 2, n°1, 1, 2016.
[14] P. Sahebrao N, R. C. Prasad , «design and simulation of MPPT algorithm for solar
energy system using simulink model», international journal of research in engineering and
applied sciences (IJREAS), ISSN : 2249-9210, Vol.02, Issue.01, pp.37-40.
[15] K. Kassmi, M. Hamdaoui, « conception et modélisation d’un système photovoltaïque
adapté par une commande MPPT analogique», revue des energies renouvelables, Vol.10,
No.4, pp.451-462,Olivié ,2007.
[16] C. Jena, A. Das, C. K. Panigraphi, M. Basu , « modelling and simulation of
photovoltaic module with buck-boost converter», international journal of advanced
engineering and nano technology (IJAENT), ISSN: 2347-6389, Vol.01, Issue.3, pp.18-
21,2014.
[17] S. Sumath, L. A. Kumar, P. Surekha , «solar pv and wind energy conversion systems
an introduction to theory», modeling with matlab/simulink, and the role of soft computing
techniques, ISSN: 978-3-319-14940-0, pp.677,2015.
[18] S. Sholapur, K. R. Mohan, T. R. Narsimhegowda , «boost converter topology for pv
system with perturb and observ MPPT algorithm», IOSR journal of electrical and electronics
engineering, IOSR-JEEE, e-ISSN: 2278-1676, p-ISSN: 2320-3331, Vol.9, Issue.4, Doi :
10.9790/1676-09425056, pp.50-56,2014.
[19] N. Agarwal, « design and simulink of intelligent solar energy improvement with pv
module», international journal of information and computation technology, ISSN : 0974-
2239, Vol.4, No.6, pp.619-628,2014.
[20] G. Seguier and F. Labrique, «les convertisseurs de l’electronique de puissance», Tome
4: la conversion continu-alternatif’, edition lavoisier, technologie & documentation, 1989.
[21] A. Nabae, I. Takahashi and H. Akagi, «a new neutral-point-clamped PWM inverter»,
IEEE transactions on industry applications, Vol.1A-17, N°5, pp. 518 – 523, 1981.
[22] J. Sheng Lai and F.Z. Peng, «multivel converters- a new breed of power converters»,
IEEE transactions on industry applications, Vol. 32, N°3, pp. 509 – 517, 1996.
[23] E.M. Berkouk, « contribution à la conduite des machines asynchrones monophasées et
triphasées alimentées par des convertisseurs directs et indirects. application aux gradateurs et
onduleurs multiniveaux», thèse de doctorat, C.N.A.M, Paris 1995.
[24] M. Saeedifard and A.R. Bakhshai, « vector classification and voltage control in pwm
three- level inverters», power electronics specialists conference’04, N°35, Aachen, Germany,
pp. 4411 – 4417, 20-25 June, 2004.
[25] Lei Hu, Hongyan Wang, Yan Deng and Xiangning He, « a simple svpwm algorithm
for multilevel inverters», power electronics specialists conference04, N°35, aachen, Germany,
pp. 3476 – 3480, 20-25 June, 2004.
[26] LAREF Soumia ,CHOURAR Nour el Houda, «commande d’un hacheur solaire
photovoltaïque par des techniques d’intelligence artificielle», mémoire de master en
electrotechnique ,2017.
[27] OUDJOUADJ Sofiane Mr.BENNINI MohamedAmine, «etude de lapoursuite dupoint
depuissancemaximale MPPT d’un generateur photovoltaïque base sur l'intelligence
artificielle», mémoire de master en génie électrique,2015.
[28] G.remy, O.bethoux, C.marchand, H.dogan,« laboratoire de génie electrique de Paris
(LGEP) / SPEE-Labs, CNRS UMR 8507» , supelec; université pierre et marie curie P6,
université Paris-Sud 11, 11 rue Joliot Curie, plateau de moulon F91192 gif sur Yvette
CEDEX, France.
[29] B.Kanji, «technique intelligentes pou poursuite du point de puissance maximale d’un
système photovoltaïque » ,magister en informatique industrielle, université Libanaise, 2012.
[30] F.Hamidia, « contribution à la neuro-flou de machine électrique » ,thèse doctorat de
L’ENP,2013.
[31] S.Issadi, «commande d’une poursuite du point de puissance maximum MPPT par
réseaux de neurones » ,magister en electricité solaire, université Bejaia,2006.
[32] C.Touzet, «les réseaux de neurones artificiel introduction et connexionnisme » ,livre
PDF 1992.
[33] A.Betache, Y. Achour,« application de la technique du mode glissant pour la poursuite
du point maximale MPPT d’un générateur photovoltaïque », master en automatique des
systèmes, université Médéa.2014.
[34] T. Kohonen, « self organization and associative memory», springer series in
information sciences, Vol.8, springer-verlag, 1984; and second edition, 1987.
[35] F.Hamidia, «les systèmes neuro-flous»,cours, universitié de médéa,2017.
[36] I. Bendaas, «contribution à la commande hybride par mode glissant floue appliquée à un
moteur à induction. apport des techniques de l’intelligence artificielle», thèse doctorat en
sciences ,2016.
L’annexe1:Datasheet BP MSX120

commande dun systheme pv par l IA

Transféré par

Droits d'auteur :

Formats disponibles

commande dun systheme pv par l IA

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

commande dun systheme pv par l IA

Transféré par

Droits d'auteur :

Formats disponibles

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR

U NIVERSITE . Y AHIA FARES DE M EDEA

Mémoire de Fin d'Études

Option : Réseaux et commandes électriques

Proposé et dirigé par

Préparé et présenté par,

Année Universitaire 2017-2018

donné la force et le courage.

A la suite Nous tenons à remercier vivement Mme. ABBADI AMEL

notre promotrice qui a fourni des efforts énormes, par ses

informations ses conseils et ses encouragements.

Nous tenons également à remercier messieurs les membres de jury

l’honneur qu’ils nos ont fait en acceptant de siéger à notre soutenance,

pour nous avoir fait

l’honneur de présider le jury de cette mémoire.

Nos vifs remerciements aussi

Tous deux maîtres assistants à l’université

De Médéa, pour avoir accepté d’être examinateurs de ce travail.

Et tous les professeurs de département de Génie électrique

(Ms. MORSLI, Mme HAMIDIA et Ms KCHIDA)

A tous ce qui furent à un moment ou à toute instante partie prenante

Nos plus chaleureux remerciements pour tous ceux qui de prés et de

ont contribué à la réalisation de cette mémoire

Et à toute la promotion de l’éléctrothecnique

Mes chers parents, que nulle dédicace ne peut

exprimer mes sincères sentiments, pour leur patience

Illimitée, leur encouragement continu, leur aide, en

Témoignage de mon profond amour et respect

Pour leurs grands sacrifices.

Mon marié : Nabil et ma belle-mére,

Pour leur grand amour

Et leur soutien qu’ils trouvent ici

L’expression de ma haute gratitude.

Mes chers amies qui sans leur encouragement ce travail

N’’aura jamais vu le jour.

Et à toutes les familles MOUZAOUI et ALLOUCHE

A l’étudiante de notre groupe de travail : Imene

et à tous ceux qui nous aimons.

Mes chers parents qui m’ont beaucoup encouragé et soutenu pendant

pour ses recommandation.

A mes très chérs frères : Hamza ,Youcef , Mustapha et Hichem

A toute ma famille YOUS, grand et petit sans exception.

A touts mes amis.

Merci pour les moments grandioses passés et a venir.

Résumé : À l’ère du développement durable, la technologie photovoltaïque a montré son

Chapitre I: généralité sur l’énergie solaire

I.2.Système photovoltaïque ........................................................................................................ 3

I.2.1. Définition .......................................................................................................................... 3

I.2.2. Principe de fonctionnement............................................................................................... 3

I.3. Cellule photovoltaïque ......................................................................................................... 5

I.3.1. Les différents types de cellules solaires (cellules photovoltaïque) ................................... 6

I.3.2. Caractéristiques électriques d’une cellule photovoltaïque ................................................ 6

I.3.3. Paramètres d’une cellule photovoltaïque .......................................................................... 8

I.3.3.1.Courant de court-circuit (Icc) .......................................................................................... 8

I.3.3.2.Tension de circuit-ouvert (Vco) ...................................................................................... 8

I.3.3.3. Rendement énergétique .................................................................................................. 9

I.3.3.4. Facteur de forme ............................................................................................................ 9

I.4. Générateur photovoltaïque et ses performances .................................................................. 9

I.4.1. Caractéristique Courant-Tension .................................................................................... 10

I.4.3. Influence de l’association série des cellules PV ............................................................. 12