Optimisation d’un micro réseau intelligent vert EOLIENNE/PV/BATTERIES/GROUPE ELECTROGENE connecté au réseau

BOUALEM, SASSIA (2023) Optimisation d’un micro réseau intelligent vert EOLIENNE/PV/BATTERIES/GROUPE ELECTROGENE connecté au réseau. Doctoral thesis, Université Mohamed Khider Biskra.

Text these_sassia.pdf Download (6MB)

Abstract

Dans cette étude, un contrôleur de gestion de l’énergie (SGE) amélioré est proposé pour un système d’énergie hybride (SEH), d’un système d’énergie hybride, qui est constitué de deux sources d’énergie renouvelable, d’un générateur diesel, et d’un système de stockage, batteries en mode connecté au réseau et en mode charge isolée. Nos principales contributions dans cette étude sont les suivantes : premièrement, nous avons développé un système de supervision , en utilisant les réseaux de neurones récurrent Elman ( ENN), pour atténuer la complexité et l’exigence d’une structure basée sur des règles ou d’une modélisation mathématique préalable. Deuxièmement, nous avons conçu une stratégie de gestion de l’énergie (SGE) en utilisant l’approche le simulateur Stateflow pour extraire les ensembles des données d’apprentissage et de test du contrôleur ENN. Diverses techniques de commande ont été appliquées pour assurer la stabilité et la fiabilité du SEH qui peuvent être résumées comme suit : La commande du bus continu a été réalisé à l’aide de logique floue, ce dernier a été appliqué pour contrôler les puissances active et réactive du réseau. Ensuite, la commande prédictive (MPC) a été utilisé pour contrôler le courant de la batterie et le convertisseur bidirectionnel afin de contrôler les opérations de charge et de décharge. L’MPPT par mode glissant a été utilisé pour extraire la puissance maximale de l’éolienne. Le contrôleur prédictif utilisé pour générer le courant de référence pour l’éolienne en régulant la vitesse mécanique à la valeur de référence. Les résultats obtenus démontrent que la stratégie proposée offre les fonctionnalités de modélisation les plus avancées pour les SGE afin d’atteindre une fiabilité élevée et de minimiser la complexité de calcul. Par rapport aux stratégies classiques. L’SGE propose est comparé à une stratégie de réseau de neurones perceptrons multicouches (MLP) pour évaluer leurs performances. Les résultats ont montré que le contrôleur ENN est plus précis que le MLPNN. Ainsi, la stratégie proposée est une solution appropriée pour un contrôle efficace de la gestion de l’énergie basée sur un modèle prédictif, car elle n’est pas très complexe et ne nécessite pas une machine de traitement élevée.

Actions (login required)

View Item