optimisation par les algorithmes genetiques et
Transcription
optimisation par les algorithmes genetiques et
04-06 Novembre, 2010, Sousse ,Tunisie Vème Congrès International sur les Energies Renouvelables et l’Environnement OPTIMISATION PAR LES ALGORITHMES GENETIQUES ET MODELISATION PAR LA METHODE LPV D’UN SYSTEME PHOTOVOLTAÏQUE M. Zagroubaa,c, M. Bouaïchaa, A. Sellamia,b and M. Ksouric. a Laboratoire PVS, Centre de Recherches et des Technologies de l’Energie, B.P. 95, 2050 Hammam-Lif, Tunisia. Unité de Recherche RME-Groupe AIA, Institut National des Sciences Appliquées et de Technologie, Centre Urbain Nord BP 676 1080 Tunis Cedex , Tunisia. c Unité de Recherche ACS, Ecole Nationale d’Ingénieurs de Tunis. B.P. 37 1002 Tunis Belvédère, Tunisia. b Correspondant: Email : [email protected] Adresse: Laboratoire de Photovoltaïque, Centre de Recherches et des Technologies de l'Energie, BP 95 Hammam-Lif, 2050, Tunisie. Mobile: +216 98 56 61 85, +216 25 41 91 66 RESUME systèmes photovoltaïques, on essaie souvent d’obtenir le maximum d’énergie solaire afin de répondre aux besoins énergétiques des divers récepteurs utilisés et d’augmenter le rendement énergétique relativement bas. Cependant, le GPV peut fonctionner dans une large gamme de tension et de courant de sortie, mais il ne peut délivrer une puissance maximale que pour des valeurs particulières du courant et de la tension. En effet, la caractéristique (I-V) du GPV dépend de l’éclairement solaire et de la température [1]. Les changements climatiques sont la cause principale de la variation du point de puissance maximale. Pour cela on intercale souvent entre le générateur et le récepteur un convertisseur statique commandé permettant de rattraper à chaque fois le point de puissance maximale. Les convertisseurs, connus sous le nom de MPPT (Maximum Power Point Traking) assurent le couplage entre le GPV et le récepteur en forçant le premier à délivrer sa puissance maximale. Toutefois, pour utiliser un convertisseur MPPT, il est nécessaire de connaître le point de fonctionnement optimal (consigne). Ce dernier est obtenu, dans la plupart des cas, de manière empirique ou à partir d’un modèle de type boite noire. Nous procédons dans ce travail une optimisation et une modélisation d’un système de pompage photovoltaïque au fil du soleil qui comprend un générateur photovoltaïque (GPV) avec un convertisseur électronique de puissance permettant le transfère de la puissance maximale de ce GPV à la charge; l’ensemble alimentant un moteur à courant continu accouplé à une pompe centrifuge (déversant dans un bassin à partir d’un puit). Mots clés: Générateur Photovoltaïque; convertisseur DCDC; Optimisation; Algorithme Génétique ; MPP. 1. INTRODUCTION L’augmentation du coût des énergies classiques d’une part, et la limitation de leurs ressources d’autre part, font que l’énergie photovoltaïque devient de plus en plus une solution parmi les options énergétiques prometteuses avec des avantages comme l’abondance, l’absence de toute pollution et la disponibilité en plus ou moins grandes quantités en tout point du globe terrestre. En effet, pour nombre de ces sites isolés, il est difficile de se connecter au réseau électrique national. Cependant les inconvénients majeurs de l’énergie photovoltaïque (PV), sont le prix du générateur qui reste encore élevé ainsi que le rendement énergétique relativement bas. Pour surmonter ces problèmes, deux voies sont souvent suivies : augmenter le rendement énergétique en adoptant des technologies de très haut niveau lors de la fabrication des cellules photovoltaïques; ou maximiser la puissance délivrée par le générateur photovoltaïque (GPV). Le présent travail se situe sur cette dernière voie. Lors de la réalisation des Le présent travail est basé sur la recherche du point de fonctionnement optimal du GPV à partir d’un modèle de connaissance issu du modèle physique des cellules PV, puis autour de ce point (MPP), modéliser le système PV constitué d’un GPV, d’un convertisseur DC-DC et d’un motopompe DC. L’estimation des paramètres électriques d’un GPV à partir de sa caractéristique Courant Tension (I-V) sous éclairement est un problème non linéaire. Plusieurs algorithmes ont étés utilisés pour traiter numériquement 1 Sol_32 04-06 Novembre, 2010, Sousse ,Tunisie Vème Congrès International sur les Energies Renouvelables et l’Environnement cette caractéristique I-V. Vue les avantages des algorithmes génétiques (AGs) dans le cas de l’estimation, comme l’exploitation intelligente d’une exploration aléatoire, la robustesse, leur convergence rapide, et la qualité de la solution obtenue [1-4], on se propose dans ce travail d’utiliser cette méthode (AGs) en tant qu’outil de recherche du minimum ‘’absolu’’ lors de l’ajustement théorie - expérience. Dans une seconde étape, nous allons exploiter les valeurs obtenues des paramètres électriques du GPV à la détermination du Point de puissance maximale (MPP) du GPV et enfin, autour de ce point, nous allons modéliser le système PV. Iph, proportionnel à l'éclairement, ainsi qu'un terme modélisant les phénomènes internes. Le courant I issu de la cellule s'écrit alors [5]: I = I ph − Is [exp V + R s .I n . Vth − 1] − V + R s .I R sh (1) Avec: . Iph : photocourant, ou courant généré par l'éclairement (A) . I s : courant de saturation de la diode (A) . Rs : résistance série (Ω) . Rsh : résistance shunt (Ω) . n : Facteur d’idéalité 2. CARACTERISATION ELECTRIQUE .Vth : Tension thermique, avec Vth = K .T q où : . k : constante de Boltzmann (k = 1,38.10 -23Jk-1) . q : charge de l'électron (q = 1,602.10 -19 C) . T : température de la cellule (K) Le relevé de la caractéristique courant-tension (I-V) d’un module ou d’un champ PV est une opération nécessaire pour toute étude, conception ou gestion de systèmes PV. En effet, ces relevés permettent : - le contrôle des performances du générateur PV (caractérisation) : Iph, Rs, Rsh, n, Vco, puissance crête, rendement,…, etc. - le dimensionnement de la source PV utilisée dans un système PV. On peut déduire de cette expression un schéma équivalent, comme le montre la figure 2: I Rs Le dispositif expérimental utilisé pour le relevé de la caractéristique I-V GPV est donné à la figure suivante : C LM 335 Référence cell Id Iph Electronic load V Rsh Photovoltaic panel R Temp. Illum. ADC ADC Vv+ Vv Voltage ADC Vi + Vi Current Figure 2: Schéma équivalent d'un GPV. ADC DAC 3.2. Algorithme Génétique Le but est de résoudre un problème d'optimisation où nous cherchons une solution optimale en termes de paramètres. Dans le cas de la caractéristique (I-V), le problème est de retrouver les valeurs optimales de Iph, Is, Rs, Rsh et de n qui minimisent l’erreur quadratique moyenne χ (Eq. 2) entre les valeurs théoriques et celles de la caractéristique (I-V) simulée. [6-8]: Parallel interface Industrial card courbe I-V Rs Rsh FF Icc Voc η% m χ = ∑ [ I iexp − I( Vi , θ)]2 (2) i =1 exp Figure 1 : Schéma synoptique du système de caractérisation d’un GPV. Avec θ = (Iph,Is,Rs,Gsh,n) et I i le courant expérimentale correspondant à la tension Vi. 3. SIMULATION ET MODELISATION L'organigramme à la figure 3 fournit une vue d'ensemble d'un algorithme génétique continu. [9] 3.1. Modèle équivalent Le modèle mathématique associé à un GPV se trouve à partir de celui d'une jonction PN. On y ajoute le courant Nous commençons le processus de l'ajustage de précision par l’algorithme génétique en définissant un chromosome comme un choix de valeurs de paramètres à 2 Sol_32 04-06 Novembre, 2010, Sousse ,Tunisie Vème Congrès International sur les Energies Renouvelables et l’Environnement 4. IDENTIFICATION OF THE ELECTRICAL PARAMETERS optimiser. Le chromosome est défini par le vecteur de paramètres donnés par [Iph, Is, Rs, Rsh, n]. L’ajustement du modèle théorique aux mesures expérimentales de la caractéristique I-V en utilisant les AGs et la variation de la valeur minimale et la moyenne de l’erreur quadratique moyenne χ (fonction coût) d’une génération à une autre sont présentées respectivement dans la figure 4 et la figure 5. Chromosome = [ I ph , I s , Rs , Rsh , n] Pour commencer l'algorithme génétique, nous définissons une population initiale des chromosomes appelée IPOP définie par la matrice donnée par l’équation (3) [9]: IPOP = ( h i − l o ).random[ N ipop , N par ] + l o (3) Définir: - Paramètres (Is, Iph, Rs, Rsh, n) - Fonction coût (χ) Où : Nipop: Nombre des chromosomes à la population Initiale Npar: Nombre des paramètres à estimer random [Nipop, Npar] : une fonction qui produit une matrice Nipop*Npar à partir de nombres aléatoires uniformes entre zéro et un hi : la valeur la plus grande de chacun des paramètres lo : la valeur la plus petite de chacun des paramètres. Créer la population initiale (IPOP) Evaluer le coût (1) Sélection: La sélection choisit et détermine quels membres d’une population peuvent survivre et peuvent se reproduire. Cette sélection est déterminée en fonction des valeurs de la fonction f à optimiser (dite aussi fonction coût). Intuitivement cette fonction peut être envisagée comme une mesure de profit, d’utilité ou encore de qualité, que l’on souhaite minimiser. Sélectionner des chromosomes en fonction des valeurs de leur fonction coût revient à donner aux individus dont la valeur est plus petite une probabilité plus élevée de produire un ou plusieurs descendants dans la prochaine génération et de contribuer ainsi à l’évolution de la solution [9-10]. Selection Reproduction Mutation Tester la convergence (2) Croisement: Le croisement est un opérateur qui assure le brassage et la recombinaison des gènes parentaux pour former des descendants aux potentialités nouvelles, il correspond à un échange des matériels génétiques entre deux reproducteurs (parents) choisis d’une manière aléatoire parmi les géniteurs sélectionnés précédemment pour former deux nouveaux chromosomes (ou enfants). L’opérateur de croisement étant aléatoire [9-10]. Stop Figure 3: Organigramme d'un algorithme génétique continu. 6 (3)Mutation: Parfois, la méthode présentée précédemment ne fonctionne pas bien. Si le soin n'est pas pris, l'algorithme génétique converge trop rapidement dans une région de la surface du coût. Si ce secteur est dans la région du minimum global, c'est bon. Cependant, une certaine fonction telle que celle que nous avons utilisée dans l’exemple possède beaucoup de minimums locaux. Si nous ne faisons rien à cette tendance de convergence rapide, nous pourrions finir dans un minimum local plutôt que global. Pour éviter ce problème, nous forcerons le programme à explorer d'autres secteurs dans l’espace des paramètres en utilisant une procédure de mutation [9]. experimentale théorique 5.5 5 4.5 4 I (A) 3.5 3 2.5 2 1.5 1 0.5 0 10 20 30 40 V (V) 50 60 70 80 Figure 4: Ajustement théorie expérience de la caractéristique (I-V) obtenu à la dernière génération (7). 3 Sol_32 04-06 Novembre, 2010, Sousse ,Tunisie Vème Congrès International sur les Energies Renouvelables et l’Environnement nulle [11-12]. 0.01 mincost meancost 0.009 dp dv 0.008 q / nKT(I +I −I −(U+R I ) / R )+1/ R = I −U[1+qRs / nKT(phI ph+sIs −I −(U+Rs sI )/ shRsh)+Rssh/ Rsh ] = 0 (5) Donc il est suffisant de résoudre l’équation (5) pour trouver les coordonnées du point de puissance maximale (MPP). Pour résoudre cette équation, on a élaboré un programme utilisant la fonction « fsolve » sous MATLAB qui a abouti aux résultats donnés dans le tableau suivants : 0.007 0.006 0.005 0.004 0.003 0.002 0.001 0 1 2 3 4 Génération 5 6 Tableau 2 : Coordonnées du point de fonctionnement optimal 7 Ipo(A) 4.38 Figure 5: Diagramme du coût minimal et du coût moyen en fonction de la génération. 5. RESULTATS 7.1 Nécessité d’une adaptation La puissance fournie par un générateur PV est maximale pour un point de fonctionnement optimal (Figure 6). Tableau 1: Valeurs de Iph, Is, Rs, Rsh et de n obtenus par les méthodes de Newton Raphson et les AGs. Is (10-6A) Iph (A) Rs (Ω) Rsh (10+2Ω) n χ(A2) Newton Raphson 52.750 5.150 0.530 3.846 255 0.001042 Algorithme Génétique 81.905 5.142 0.489 4.945 277.328 0.000679 Figure 6 : Base de l'adaptation d'impédance. Cette course de l'algorithme a trouvé un minimum à 0.000679 après sept générations. On remarque que d’une génération à la suivante la diminution de la moyenne « meancost » des coûts et que l’algorithme développé converge très rapidement et il a trouvé des résultats théoriques satisfaisants proches de la réalité. Ainsi on va passer maintenant à la détermination des coordonnées du point de fonctionnement optimal en exploitons les valeurs des paramètres trouvées par l’algorithme. Lors du couplage d’un générateur PV et d’un récepteur, le point de fonctionnement, situé à l’intersection de la caractéristique du récepteur n’est pas, en général, le point de fonctionnement optimal. Il est alors nécessaire de réaliser une adaptation d’impédance, de telle sorte que la caractéristique de l’ensemble adaptateur plus récepteur passe par le point de fonctionnement optimal. 7.2. L’adaptation par convertisseur DC-DC Selon la théorie de transfert de puissance maximale, le générateur délivre le maximum de sa puissance au récepteur lorsque son impédance est égale à celle de la source. Pour cela, et afin d’utiliser la puissance maximale disponible au niveau du générateur PV, on intercale un convertisseur adaptateur entre le GPV et la charge (Figure 7). Ce convertisseur est de type DC/DC [13]. 6. Point de puissance maximale (MPP) La puissance délivrée par le générateur PV est définie par l’expression Suivante : P =U *I Ppo(W) 262.8 7. ADAPTAION ENTRE GPV ET MOTOPOMPE DC Le tableau ci-dessous donne les valeurs des paramètres trouvées après traitement Numérique de la caractéristique courant-tension (I-V) d’un panneau sous éclairement. Parameters Upo(V) 60 (4) Avec : u . P : Puissance en (W) délivrée par GPV . U =V : Tension en (V) aux bornes GPV . I : Courant en (A) sortant du GPV donné par l’expression (1). La puissance P délivrée par le GPV est maximale quand sa dérivée par apport à la tension U et au courant I est Iph C Vp D M Figure 7 : Modèle électrique du système. 4 Sol_32 04-06 Novembre, 2010, Sousse ,Tunisie Vème Congrès International sur les Energies Renouvelables et l’Environnement 7.2. Modélisation du système PV disponible au LaNSE 7.2.1. Présentation du dispositif étudié Le dispositif étudié est constitué d’un générateur photovoltaïque, d’un convertisseur DC/DC de type dévolteur et d’une motopompe à courant continu à aimant permanent (Figure 8). dVp 1 1 = I p − I m .U C C dt d Im R K 1 = Vp .U − m − b Ω Lm Lm Lm dt dΩ K b (K + F) = Im − t Ω J J dt Ces équations peuvent être décrite sous la forme du modèle non linéaire suivant : Electrovann p Générateur Photovoltaïque (6) • Adaptation d’impédance Motopompe 4 x(t ) = A( x, t ) + B(x, t) * u (t ) M x 1 0 [ I ph − I s [exp( 1 ) − 1] VT x1 c Rm 0 − x2 x2 = Lm x 3 Kb 0 x2 J Réservoir Figure 8 : Schéma du système photovoltaïque global étudié. Le GPV installé sur le site du LaNSE a une puissance de 400 W crête. Ce générateur est constitué de 8 modules « TANIT » de 50 W crête. L’association de ces modules peut être en série, parallèle ou mixte suivant l’application envisagée. 0 −( Kt + F )x3 J x2 − c x1 + Lm 0 *U (7) (8) 7.2.3. Linéarisation du modèle Le processus de linéarisation est basé sur le développement des équations d’état décrivant le système en une série de Taylor autour d’un point nominal de fonctionnement ou d’une trajectoire. Tous les termes de la série de Taylor d’ordre plus élevé que le premier sont rejetés, ainsi on aura une approximation linéaire des équations d’états autour d’un point de fonctionnement nominal. La forme linéarisée est représentée ainsi : Pour effectuer la simulation du système nous avons utilisé les paramètres relatifs au système expérimental : - Source photovoltaïque : Cette source est constituée de deux rangées en parallèle. Chaque rangée comprend 4 modules PV en série. Les paramètres identifiés de cette source sont : I ph = 5,1A, IS = 52,75.10−6A, VT = 6,73V,VPO = 60V, I PO = 4,38A,VCO = 77V , • ∆ x = A.∆x + B.∆u (9) Avec C=0.0047 F. * ∆ Xi = n ∑ p ∂f i ( x , u ) ∂x j ∗ ∆x j + ∑ (10) ∂f i ( x , u ) ∂u j ∗ ∆u j - Motopompe DC : elle est caractérisée par un point de fonctionnement nominal : Un=24V et In=12A, Ώn=2000tr/mn et une puissance Pn = 0.3 CV. Les paramètres de la motopompe DC sont de l’ordre de R a = 1.072Ω, La = 0.05H, F=8814.10−7 N.m.s/ rd, J =476.10−6Kg.m2 , Ce système est non linéaire. En le linéarisant autour d’un point de fonctionnement définit par Vpo , I mo , Ω o , U o . Kb=0.5, Kt=0.1. On obtient le modèle d’état suivant : j=1 j=1 ( x o ,u o ) Pour un éclairement compris entre 400W/m2 et 1000W/m2 la tension optimale Vopt est supérieur à 50V. Et comme la tension nominale Un de la motopompe DC est inférieur à 50V (Un=24 V) on utilisera un hacheur dévolteur pour la conversion statique. ( x o, ,u o ) • x = A s x + Bs u Avec 7.2.2. Modélisation du système Le système photovoltaïque étudié est composé d’un générateur PV couplé à un moteur DC à aimant permanent à travers un hacheur dévolteur. Le schéma électrique équivalent est le suivant [14]: (11) Vp X = Im Ω Finalement le système linéarisé s’écrit sous cette forme : * x = A s x + Bs u Les équations de fonctionnement du système (Figure 7) sont donc : 5 Sol_32 04-06 Novembre, 2010, Sousse ,Tunisie Vème Congrès International sur les Energies Renouvelables et l’Environnement • V po x I 1 − s e VT C .V T • U o x2 = L m • 0 x 3 U − o C − R m L K m b J I mo − 0 C x 1 V V po * x + po * U − L 2 L m x3 m (F + K ) 0 t − J montré que cette technique de minimisation utilisant les AGs est très prometteuse dans la détermination des paramètres électriques à partir d’une mesure expérimentale. Après, on a exploité les valeurs obtenues par les AGs pour la détermination du point de la puissance maximale (MPP). Par la suite, on a constaté que à cause de la nonlinéarité de la caractéristique courant-tension d’un GPV et sa dépendance des conditions climatiques, on doit intercaler entre le GPV et la charge un circuit d’adaptation d’impédance pour forcer le système PV à fonctionner en puissance maximale (MPP). Enfin, on a modélisé les éléments constituant une classe de systèmes photovoltaïques objet de notre étude (générateur PV, Convertisseurs DC/DC, motopompe DC) afin de concevoir une loi de commande. (12) En utilisant les valeurs numériques définies dans le paragraphe 7.2.1, on obtient : − 0.0149 − 165.76 0 As = 15 . 6 21 . 44 10 0 1050 . 42 0 . 1 et 931.91 B s = 1200 0 7. REFERENCES 8. CONCLUSION [1] J.P.Charles, M.Abdelkrim, Y.H.Muoy and P.Mialhe 1981, Solar cells, 4, p.169-178. [2] J.P.Charles, M.A. Ismail and G.Bordure 1985, Solid State Electronics, Vol. 28, N°8, p. 807-820. [3] D.Laplaze and I.Youm 1985, Solar cells, 14, p.167177. [4] Daniel S.H.Chan and Jacob C.H.Phang 1987, IEEE Transactions on Electron Devices, Vol. ED-34, N°2, p.286-293. [5] J.P.Charles, M.A. Ismail and G.Bordure 1985, Solid State Electronics, Vol. 28, N°8, p. 807-820. [6] T.Easwarakhanthan, J.Bottin, I.Bouhouch and C.Boutrit 1986, Int. J. Solar Energy, Vol.4, p.1-12. [7] Jacob C.H. Phang and Daniel S.H. Chan 1986, Solar cells, 18, p.1-12. [8] T. Ikegami, T. Maezono, F. Nakanishi, Y. Yamagata and K. Ebihara 2001, Solar Energy Materials & Solar Cells, 67, 389-395. [9] Haupt R L and Haupt S E 1998 Practical Genetic Algorithms (New York: Wiley). [10] Ecole de printemps sur : Planification, Optimisation, Ordonnancement, Kerkenah du 31 Mai au 2 Juin (1999). [11] Bernard D. Davis, The Genetic Revolution, (1991). [12] M. Zagrouba, A. Sellami, M. Bouaicha, M. Ksouri and B. Bessais, Extraction of solar module electric parameters using genetic algorithm, CRATT’2007 ISET Radès – les 14 & 15 Novembre (2007). [13] R. Andoulsi, Etude d’une classe de systèmes photovoltaïque par une approche Bond Graph , Modélisation, analyse et commande, Thèse de doctorat Lile ; Décembre (2001). [14] A. Sellami, R. Andoulsi. R. Mhiri, DauphinTanguy.G, M. Ksouri, Variable Structural Control Approach for a Photovoltaic Generator Coupled to a DC Water Pump , proceeding of CSCC’99, pp 4211-4216, Athenes July (1999). Dans ce travail, nous avons étudié l’application des AGs pour la caractérisation d’un GPV. En particulier pour la détermination des paramètres électriques à savoir le photocourant, le courant de saturation, la résistance série, la résistance shunt et le facteur d’idéalité. L’extraction de ces paramètres à partir des données expérimentales est formulée sous forme d’un problème d’optimisation non convexe. La résolution de ce problème par des techniques de programmation non linéaire tel que l’algorithme de Newton Rafson moyennant l’outil ’’Matlab Optimisation Toolbox’’ et particulièrement la nouvelle fonction ’’lsqcurvefit’’ conduit à des résultats moins satisfaisants, dépendant des conditions initiales et conduisant à des minimums locaux. Nous avons ainsi adopté les algorithmes génétiques (AGs) comme moyen pour la résolution. Ce choix est justifié par le faite que les AG permettent de surmonter les problèmes liés aux minimums locaux dans le cas des critères d’optimisation non convexes. Nous avons choisis l’erreur quadratique moyenne χ pour résoudre le problème fondamental d’ajustement du modèle mathématique au profil expérimental. Par la suite nous avons exposé le modèle théorique utilisé de la caractéristique I-V. Ensuite nous avons présenté les différentes étapes de mise en œuvre des AGs à paramètres continus. Nous avons montré l’efficacité des AGs à travers un exemple d’optimisation élémentaire. Nous avons appliqué, dans un premier temps, les AGs pour la détermination des valeurs des paramètres électriques d’un GPV à partir des mesures expérimentales et d’un modèle théorique de la caractéristique I-V. Nous avons développé un programme sur MATLAB que nous avons vérifié avec des valeurs théoriques connues des paramètres. L’algorithme développé a convergé rapidement vers le minimum global après sept générations. Les résultats obtenus se sont avérés très satisfaisants. Dans ce travail, nous avons 6 Sol_32