Etude des techniques intelligentes pour un système photovoltaïque avec stockage hybride

L’énergie solaire est considérée comme une ressource énergétique pratiquement infinie et largement accessible, actuellement, c'est la source d'énergie la plus abondante et disponible pour l'humanité. L'énergie solaire photovoltaïque devient donc de plus en plus primordiale dans les applications d'énergie électrique. En raison des circonstances météorologiques changeantes (irradiation et température), le suivi du point de puissance maximale (MPP) dans un système solaire photovoltaïque est une tâche difficile. Le point de puissance optimal d’un générateur photovoltaïque doit être surveillé continuellement afin d'optimiser l'énergie extraite du système photovoltaïque. Diverses techniques MPPT basées sur des méthodologies classiques et d'intelligence artificielle (IA) ont été proposées dans la littérature. Dans cette thèse, nous visons à fournir une analyse comparative approfondie des algorithmes MPPT les plus largement utilisés basés sur l'IA. Les techniques MPPT discutées sont basées sur la logique floue (FL), les réseaux de neurones artificiels (ANN) et l'approche hybride suggérée ANNfuzzy. Les contrôleurs MPPT conçus sont évalués dans le même système PV et sous le même profil climatique d’irradiation et de température. Le système PV se compose d'un module PV, d'un convertisseur élévateur, une unité de contrôle MPPT et une charge résistive qui fonctionne en courant continu. La précision du suivi, le temps de réponse, le dépassement et l’oscillation en régime permanent de chaque méthode sont testés sous des conditions météorologiques variées brusquement. Les résultats de simulation obtenus à l’aide du logiciel MATLAB/Simulink montrent que la stratégie proposée ANNfuzzy surpasse à la fois les contrôleurs FL et ANN MPPT, en suivant correctement et avec succès la puissance maximale dans diverses conditions atmosphériques.

Contribution à l’étude des méthodes avancées pour l’identification des harmoniques dédiés au filtrage actif dans un réseau triphasé basse tension

La prolifération croissante des charges non linéaires dans les réseaux électriques modernes engendre une pollution harmonique significative, compromettant la qualité de l’énergie. Parmi les solutions envisagées, le filtrage actif de puissance se distingue comme l’une des méthodes les plus performantes et les mieux adaptées aux exigences actuelles. Cette thèse s’inscrit dans ce contexte et propose une contribution originale en développant de nouvelles stratégies de commande pour les filtres actifs parallèles à quatre bras, spécifiquement conçus pour les réseaux triphasés à quatre fils (avec neutre). L’objectif principal est d’assurer une compensation globale et simultanée des harmoniques, du courant de neutre, de la puissance réactive ainsi que du déséquilibre du réseau, en s’appuyant sur des techniques intelligentes. Les travaux portent particulièrement sur l’identification précise des composantes perturbatrices à l’aide d’approches neuronales fondées sur l’architecture ADALINE (ADAptive LINear Element), entraînée par l’algorithme LMS (Least Mean Square). Deux méthodes innovantes sont introduites : la détection synchrone neuronale et la théorie p–q–r neuronale, toutes deux comparées à des approches neuronales classiques telles que la méthode ADALINE Direct et la méthode des courants actifs. Les différentes stratégies proposées ont été rigoureusement évaluées par des simulations sous MATLAB/Simulink. Les résultats obtenus mettent en évidence la supériorité des approches développées, tant en termes de précision d’identification que d’efficacité dans la réduction des harmoniques, avec des taux de distorsion harmonique totale (THD) conformes, voire inférieurs, aux seuils fixés par la norme IEEE 519.

Diagnosis of alternating current machine defects by timefrequency methods

Powering production lines by means of asynchronous motors remains the most economical, robust and safest way for long periods of time. The durability of asynchronous motors is the major concern of maintenance technicians, which often requires diagnostic and maintenance actions. This work is a contribution to the diagnosis of mechanical defects that can occur on asynchronous motors using vibration analysis. The work is divided into two experimental parts. In the first part, a whole experimental setup linked to accelerometers was set up to model the bearing defects and build a database of vibration signals. In the second part, the same experimental setup was used but this time in conjunction with different mechanical defects. The methods used for fault diagnosis and classification are: Wavelet Packet Decomposition (WPD) based on time-frequency methods, energy and L-kurtosis calculated from wavelet packet decomposition and perceptron multilayer based on artificial neural networks. The Multilayer Perceptron is involved to identify the type of defect in order to be able to establish a program of preventive or curative maintenance actions as soon as possible. Keywords: Asynchronous motors; Diagnostic; Accelerometers; Wavelet packet decomposition; Time-frequency; Multilayer Perceptron; Artificial Neural Network; Energy; L-kurtosis.