Memoire Final Corrigé Original222

‫اط ا‬ ‫ا‬ ‫ا ـ ر ا ا‬
République Algérienne démocratique et populaire

/‫ ــ‬-‫ ا ــ‬1‫ــ‬2 ‫ وا‬/ 0‫ ا ــ ــ‬, - . ‫وزارة ا‬
Ministère de l’enseignement supérieur et de la recherche scientifique
‫ ة‬- ‫< ا‬-=‫ﻣ ; د‬0‫ﺟــ‬
Université SAAD DAHLAB de BLIDA
0 ‫ ﺟ‬HI. ‫ ا‬-G
Faculté de Technologie
‫ دة‬. ‫ت ا‬0M0O ‫ ا‬,LM
Département des énergies renouvelables
Mémoire de Projet de Fin d’Études
présenté par
Larbaoui Khaled
Pour l’obtention du diplôme de Master en Energie renouvelable
Option : conversion Photovoltaïque
Thème
Commande MPPT pour les systèmes photovoltaïques

par l’algorithme d’optimisation Meta-heuristique
"Artificial Bee Colony" (ABC)
Proposé par : Dr. Ait Sahed. O
Année Universitaire 2016-2017

Remerciement
Je tiens à remercier dieu de m’avoir donné la patience de terminer ce travail.

Mes remerciements les plus particuliers vont à mon encadreur monsieur AIT SAHED
OUSSAMA pour son rôle majeur dans l’élaboration de ce travail par ses remarques
constructives et ses suggestions pertinentes, qu’il trouve ici mon vif témoignage en
reconnaissance de son rôle important dans l’amélioration du manuscrit de ce mémoire.
Je remercie les membres du jury, qui m’ont fait l’honneur de participer au jugement de ce
travail.
Je tiens à témoigner toute ma gratitude à Monsieur Benyoucef Abousoufyane, monsieur
Hanani, madame Chkired et Monsieur DOUMAZ, pour leurs aides.
Je réserve une pensée toute particulière à mes chers parents qui m'ont toujours soutenu et
guidé tout au long de mes études. Qu'ils trouvent, en ce mémoire, le modeste témoignage de
ma profonde reconnaissance.
Enfin, j’aimerai remercier ma famille, ainsi que mes amis qui m’ont aidé et encouragé tout au
long de mon travail.
‫ﻣﻠﺨﺺ‬
‫ ﺗرﺗﻛز ﺧوارزﻣﯾﺔ اﻟﺗﺣﻛم ﻋﻠﻰ ﻧظرﯾﺔ ﺧﻠﯾﺔ‬. ‫ﯾﮭدف ھذا اﻟﻣﺷروع إﻟﻰ دراﺳﺔ ﺗﻘﻧﯾﺔ ﻟﺗﺗﺑﻊ ﻧﻘطﺔ اﻟطﺎﻗﺔ اﻷﻋﺿﻣﯾﺔ ﻟﻠوح اﻟﺷﻣﺳﻲ‬
‫ اﻟﺗوﺟﮫ اﻟذي أﺛﺑت ﻓﻌﺎﻟﯾﺗﮫ ﻓﻲ ﻣﺟﺎﻻت ﻋدﯾدة وﻣﺧﺗﻠﻔﺔ ﺗم اﺧﺗﺑﺎر ﺧوارزﻣﯾﺔ اﻟﺗﺣﻛم اﻟﻣﻧﺟزة ﻋن طرﯾق ﻣﺣﺎﻛﺎة ﻟﺗﻘﯾﯾم ﺑطرﯾﻘﺔ‬،‫اﻟﻧﺣل‬
P&O ‫و ﺑﺗﻘﻧﯾﺔ‬PSO ‫ﻋﻣﻠﯾﺔ وﻓﻌﺎﻟﯾﺔ ھذه اﻟﺧوارزﻣﯾﺔ ﺗﻣت ﻣﻘﺎرﻧﺗﮭﺎ ﺑﺗﻘﻧﯾﺔ ﺳرب اﻟﺟﺳﯾﻣﺎت‬
:‫ﻛﻠﻤﺎت ﻣﻔﺎﺗﯿﺢ‬
‫ ﺧﻠﯾﺔ اﻟﻧﺣل‬,‫ ﺳﺮب اﻟﺠﺴﯿﻤﺎت‬،‫ﺗﺘﺒﻊ ﻧﻘﻄﺔ اﻟﻄﺎﻗﺔ اﻷﻋﻈﻤﯿﺔ اﻟﻜﮭﺮوﺿﻮﺋﯿﺔ‬
Résumé :
Le but de ce travail est l’étude d’une commande pour le suivi du point de puissance maximale d’un
panneau solaire. Cette commande est basée sur l’algorithme d’optimisation par colonie d’abeilles
artificiel (ABC), une approche qui a prouvé son efficacité dans plusieurs domaines. Une étude
comparative avec l’algorithme d’optimisation d’essaim (PSO) et la technique (P&O) a été faite pour
évaluer les performances et l’efficacité de cette technique.
Mots clés :
Commande MPPT, Photovoltaïque, PSO, ABC, P&O.
Abstract:
The aim of this work is the study of a control for the tracking of the maximum power point of
a solar panel. This command is based on the artificial bee colony (ABC) optimization
algorithm, an approach that has proved its effectiveness in several domains. A comparative
study with the Swarm Optimization (PSO) algorithm and the technique (P & O) was done to
evaluate the performance and effectiveness of this technique.
Keywords:solar panel, MPPT, PSO, ABC, P&O
Listes des acronymes et abréviations
PV: Photovoltaïque,
GPV : Générateur Photovoltaïque,
E t : Energie de photon,
C : Vitesse de la lumière [m/s],
h: Constante de Planck [6,62.10-34 J.s],
λ : Longueur d'onde lumineuse [m],
AM : Nombre de masse d’air,
I v : Courant fourni par la cellule,
I : Le photo-courant de la cellule dépendant de l’éclairement et de la température, il est

assimilé au courant Icc ,
ID : Courant circulant dans la diode,
E : L’éclairement absorbé par la cellule,
E : L’éclairement de référence (1000W/m²),
I : Le courant de saturation inverse de la diode,
m : Facteur de non idéalité de la jonction (comprend entre 1 et 2 selon la technologie),
V v : La tension aux bornes de la cellule,
VT : La potentielle thermodynamique,
−
K : La constante de Boltzmann ( ,38 . Joules/Kelvin ,
Tc : La température effective de la cellule en Kelvin,
q : La charge d’un électron ,6. − 9

C .
Tc : Température de la cellule en Kelvin,

Tc r : Température de référence de la cellule en Kelvin,
E : Énergie de gap de la cellule (1.16 eV pour le Silicium),
Icc : Courant de court-circuit,
Vc : Tension de circuit-ouvert,
Pppm : Puissance maximale V , I ,
PPM : Point de puissance maximale,
MPPT: maximum power point tracking,
ABC: artificial bee colony
PSO: Particles Swarm Optimization,
P&O: Perturb & Observe,
DC-DC : Convertisseur Direct-Current Direct-Current,
STC: Standard Test Conditions (E=1000W/m² et T=25°C).
LISTE DES TABLEAUX
CHAPITRE I : Généralités sur les systèmes PV
Tableau I. Potentiel solaire en Algérie [3]……………………………………………………..4
CHAPITRE II : optimisation par colonies d’abeilles artificielles (ABC)
Tableau II.1: Analogie entre les abeilles en nature et les abeilles en optimisation [17]……………………..29
Tableau II.2: les déférent phases de l’algorithme ABC [17]…………………………………………...30
Tableau II.3: Les paramètres de l’algorithme ABC [24]………………………. ……………31
Tableau.II.5. Résultats d’optimisation en utilisant la méthode PSO et ABC pour les trois fonction..37
Tableau.II.6. Résultats d’optimisation en utilisant la méthode ABC pour plusieurs population et

itérations………………………………………………………………………………………….…38
CHAPITRE III : Commande MPPT étude et simulation
Tableau III.1. Caractéristiques électriques du panneau SLK60P6 de Siliken………………...48
Tableau III.2. Valeurs choisies des paramètres dans la simulation…………………………...65
Tableau III.3 résultats de la simulation……………………………………………………….70
Tableau III.4 Temps d'exécution des algorithmes ABC et PSO considérés (DSP). [32]…….70
Liste des figures
CHAPITRE I : Généralités sur les systèmes PV
Figure I.1. Contribution des différentes sources d’énergies dans la production d’électricité
dans le monde [1]………………………………………………………………………………3
Figure I.2 : Le potentiel de rayonnement solaire en l’Algérie (décembre, juillet.……………..3
Figure I.3: pénétration des EnR dans la production nationale en TWh [4]…...………………..5
Figure I.4: Programme des EnR en Algérie [4]………………………………………………..5
Figure 1.5 : Architecture d’un système PV isolé………………………………………………6
Figure 1.6 : Architecture d’un système PV connecté au réseau [5]……………………………7

Fig. I.7 : Réponse spectrale d’une cellule PV. [8]……………………………………………..9
Fig.I.8 : Normes de mesures du spectre d’énergie lumineuse émis par le soleil, notion de la
convention AM. ……………………………………………………………………………….9
Figure I.9 : structure de base d’une cellule PV [9]…………………………………………...10
Figure I.10 : Schéma équivalent d’une cellule idéale………………………………………...11

Fig. I.11. Circuits équivalents d’une cellule photovoltaïque…………………………………12
Fig. I.12. Caractéristique I(V) d'une cellule photovoltaïque pour un éclairement et une
température donnés…………………………………………………………………………...13
Fig. I.13: Caractéristiques I(V) et P(V) d’un générateur PV en fonction de différentes

températures à S=1000 w/m2…………………………………………………………………14
Fig. I.14 : Caractéristiques I(V) et P(V) d’un générateur PV en fonction de différentes
irradiations à T=25°C…………………………………………………………………………15
Fig. I.15. Cellule ; module et générateur PV [10]…………………………………………….15
FigI.16 : Caractéristiques du groupement série des modules photovoltaïques[11]…………..16
FigI.17 : Caractéristiques du groupement parallèle des modules photovoltaïques [11].……..16

Figure I.18: Schématisation d’un GPV élémentaire avec diodes by-pass et diode anti-
retour[12]……………..
…………………………………………………………………………………………………………………………………..17
Fig. I.19. Points de fonctionnement d’un GPV en fonction de la charge [13]..………………18
Figure I.20 le générateur photovoltaïque ombragé pareillement………………………………………19
Fig. I.21. L’effet du l’ombrage sur la caractéristique P-V d’un module photovoltaïque……..19
CHAPITRE II : optimisation par colonies d’abeilles artificielles (ABC)
Figure II. 1 : Classification des méthodes d’optimisation [15]……………………………….21

FigureII.2 : Exemple d’essaim [16]…………………………………………………………..22
FigureII.3 : Volée d’oiseaux [18]……………………………………………………………..23
Fig. II.4. Organigramme du PSO standard [20]……………………………………………...27
FigureII.5. Essaim des abeilles……………………………………………………………….28
Fig. II.6. Organigramme du ABC standard ………………………………………………….35
Figure.II.7. Courbe de la fonction cout (a)…………………………………………………...36

Figure.II.8. Courbe de la fonction cout (b)…………………………………………………...36
Figure.II.9. Courbe de la fonction cout (c)…………………………………………………...37
Figure.II.10. Représentation des fitness pour les deux algorithmes………………………….38
Figure.II.11. Représentation des fitness pour les deux cas (6 et 12 abeilles) pour 30
itérations………………………………………………………………………………………39
Figure.II.12. Représentation des fitness pour les deux cas (5 et 30 itérations) pour PN=6…..39
CHAPITRE III : Commande MPPT étude et simulation

figure.III.1 : chaîne élémentaire de conversion photovoltaïque……………………………..42
Figure III.3:a.variationd’ensoleillement ,b. charge variable avec Tet E constants………….42
Figure III.4 : charge fixe, insolation constantes et température variable……………………..43
Figure III.5Système PV conçu autour d’un hacheur survolteur/dévolteur [28]……………...44
Fig. III.6. Courbes I-V et droites de charge maximale et minimale sous des conditions
extrêmes[14]…………………………………………………………………………………..50
Figure III.7. Relation entre PPV et le rapport cyclique D du convertisseur statique [29]……52
Figure III.8: Trajectoire par Incrémentation de Conductance………………………………...53

Figure III.9 : Puissance disponible en fonction de la tension aux bornes d’un panneau solaire
[30]……………………………………………………………………………………………54
FigIII.10. Organigramme de l’algorithme P&O [30]…………………………………………54
Fig. III.11. Schéma de principe du système proposé…………………………………………55

Fig. III.12. Organigramme de l'algorithme proposé PSO……………………………………..57
Fig. III.13. Organigramme de l'algorithme proposé ABC [26]……………………………….59
Figure III.14 La partie électronique de la simulation à l’aide du logiciel Psim………………60
Fig. III.15. La partie commande de la simulation dans l’environnement SimuLink/MatLab..61
Fig. III.16. Courbe P-V avec éclairement uniforme de 1000W/m²…………………………...61
Fig. III.17. Courbe P-V avec des conditions d’ombrage (cas de deux maximums, le max
global se trouve avant le max local)……………………………………………...……...……62
Fig. III.18. Courbe P-V avec des conditions d’ombrage (cas de deux maximums, le max
global se trouve après le max local)…………………………………………………………..62
Fig. III.19. Courbe P-V avec des conditions d’ombrage (cas de trois maximums)…………..63
Fig. III.20. Puissance du GV, (a : un seul sommet, b : 2 sommetsmax global avant max local,
c : 2sommets max local avant max global, d : 3 sommets)…………………………………...64
Fig. III.21. Puissance du GV, (a : un seul sommet, b : 2 sommets, c : 3 sommets) en utilisant
la méthode PSO……………………………………………………………………………….67
la méthode ABC………………………………………………………………………………69
Introduction générale…………………….…………………………………….1
Chapitre I : Généralités sur les systèmes PV
1.Introduction ……………………………………………………………………2
2. Situations énergétique…………………………………………………………2
2.1. Etat des sources de production de l’électricité dans le monde………….2
2.2. Le potentiel de rayonnement solaire en l’Algérie……………………….3
2.3 Programme des énergies renouvelables en ALGERIE ………………….5
3. Applications des systèmes photovoltaïques…………………………………...6
3.1. L'isolé…………………………………………………………………...6
3.2 Le connecté au réseau …………………………………………………...7
4. Avantages et Inconvénients de l’énergie Photovoltaïque ………………….....8
4.1 Avantage………………………………………………………………….8
4.2 inconvénients …………………………………………………………….8
5. Conversion du rayonnement solaire par effet photovoltaïque…………………8
5.1 Energie solaire …………………………………………………………...8
5.2. Cellule et effet photovoltaïques…………………………………………10
5.3. Modèle électrique d’une cellule photovoltaïque……………………….11
5.4. Influence de la température et l’ensoleillement ………………………..14
6. Générateur photovoltaïque (GPV) …………………………………………..15

6.1. Association de modules photovoltaïques ……………………………...16
6.1.1 Groupement en série ……………………………………………..16
6.1.2 Groupement en parallèle...………………………………………..16
6.2. Protections d’un GPV…………………………………………………..17
6.3. Point de fonctionnement d’un générateur photovoltaïque……………...18
6.4 Effet de l’ombrage (Shading)…………………………………………...19
7.Conclusion……………………………………………………………………20
Chapitre II : Optimisation par colonie d’abeilles artificiels
1. Introduction…………………………………………………………………..21
2.Problème d’optimisation……………………………………………………...21
2.1. Les méthodes d’optimisations approchées ……………………………22
2.1.a. Heuristiques …………………………………………………………22
2.1.b. Méta-heuristiques …………………………………………………...22
3.La méthode d'optimisation par essaim de particules…………………………23
3.1. L’algorithme PSO………………………………………………….......24
4. Optimisation par colonie d’abeilles artificiels……………………………….27
4.1. Auto-organisation……………………………………………………...28
4.2. Division de travail……………………………………………………...28
4.3. Modèle de comportement d’abeille……………………………………28
4.4. Analogie entre la nature et l’optimisation………………………………29
4.5. Structure algorithmique……………………………………………….30
4.6. Les paramètres de l’algorithme ABC…………………………………..31
4.7. Modèle de base de l’algorithme ABC…………………………………..31
1.Initialisation de la population …………………………………….31
2. Etape des abeilles employées …………………………………….32
3. Calcul des valeurs de probabilité impliquées dans la sélection
probabiliste ……………………………………………………………..32
4. Etape d’abeille spectateur ………………………………………...33
5. Etape d’abeille éclaireuse ………………………………………...33
4.8. Applications des algorithmes ABC…………………………………….36
5.Exemples d’optimisation en utilisant les deux méthodes PSO et ABC……...36
5.1. Optimisation par la méthode ABC……………………………………..37
5.2. Optimisation par la méthode PSO……………………………………..38
5.3. Comparaison des résultats……………………………………............40
6.Conclusion …………………………………………………………………...40
Chapitre III : Commande MPPT : Etude et Simulation

1. Introduction…………………………………………………………………..41
2.Principe de la recherche du point de puissance maximal……………………...41
3. Les convertisseur statique DC-DC (Hacheur)………………………………..43
3.1. Le convertisseur Buck-boost…………………………………………….44
3.1.1. Valeur moyenne de la Tension de sortie de l’hacheur……………...44
3.1.2. Ondulation du courant dans l’inductance………………………….45
3.1.3. Ondulation de la tension de sortie………………………………….45
3.1.4. Ondulation de la tension d’entrée…………………………………46
3.1.5. Condition d’adaptation pour un hacheur buck-boost………………47
3.2. Dimensionnement du convertisseur Buck-Boost………………………...48
a. Caractéristiques du panneau…………………………………………49
b. Fréquence de commutation………………………………………….49
c. Ondulations de courant et de tension………………………………...49
3.3. Plage de variation du rapport cyclique………………………………….50
4. Algorithmes classiques de la commande MPPT……………………………...52
4.1. Principe des techniques Hill Climbing (H.C)……………………….52
4.2. Principe des techniques "Incrément de conductance" (Inc.CoN)……52
4.3. Algorithme Perturber et observer, ‘P&O’…………………………..54
5. Algorithmes intelligentes de la commande MPPT…………………………...55
5.1. Commande MPPT en utilisant la technique PSO…………………..56
5.2. Commande MPPT en utilisant la technique ABC…………………..58
6. Simulation des commande MPPT…………………………………………...61
6.1. Conditions de simulation……………………………………………….62
6.1.1. Cas d’un seul maximum………………………………………...62
6.1.2. Cas de deux maximums…………………………………………63
6.1.3. Cas de trois maximums…………………………………………64
6.2. Résultats de la simulation……………………………………………….64
6.2.1. Technique P&O………………………………………………...64
6.2.2. Technique PSO et ABC…………………………………………67
6.2.3. Paramétrages des algorithmes…………………………………..67
6.2.4. Comparaison des résultats………………………………………70
7. Conclusion…………………………………………………………………...70
Conclusion générale……………………………………………………………………………………71
Introduction générale
Au cours des dix dernières années, le marché du photovoltaïque a connu une croissance
très remarquable grâce notamment aux différents facteurs stimulants : réduction des coûts de
production et politiques de soutien. Ces facteurs rendent le retour sur investissement d’une
installation photovoltaïque de plus en plus intéressant. Or, comme tous les autres processus
industriels, un système photovoltaïque peut être soumis, au cours de son fonctionnement, à
différents défauts et anomalies conduisant à une baisse de la performance du système, voire à
son indisponibilité totale. Toutes ces conséquences défavorables vont évidemment réduire la
productivité de la centrale, et donc son profit.
De nombreuses études ont porté sur l’évaluation de l’impact des différents défauts sur la
caractéristique statique P(v). Ombrager une partie d’un module PV a de dramatiques
conséquences sur sa courbe puissance - tension (P(v)) et ce, même si une très faible partie du
module ou de la cellule est à l’ombre, une diminution importante de la puissance produite en
est alors la conséquence. Cet ombrage partiel peut être dû à des cheminées, à des arbres ou à
d’autres parties de construction.
Une attention toute particulière doit être portée sur ce problème sous peine d’une forte
réduction de la productivité des systèmes rendant moins attractif le photovoltaïque d’un point
de vue économique et ce en particulier dans le cas de systèmes PV intégrés dans le bâti.
Dans ce mémoire, nous allons développer une commande MPPT, utilisant trois algorithmes
d’optimisation une classique(P&O) et deux Méta-heuristique pour suivre le point de puissance
maximale, nous procédons à une étude comparative entre ces algorithmes MPPT. Nous
montrons, grâce à des études de simulations sous environnement MATLAB et PSIM, leurs
capacités à localiser le point de puissance maximale global lorsque le système photovoltaïque
est soumis à un ombrage. Pour finir, une conclusion générale donne une synthèse sur le travail
effectué et résume les principaux résultats obtenus ainsi que les perspectives envisagées.
1
Chapitre I
Généralités sur les
systèmes PV
Chapitre I : Généralités sur les systèmes photovoltaïques
1.Introduction
L’énergie solaire est la source d’énergie la plus abondante parmi les énergies
renouvelables. L’électricité photovoltaïque provient de la transformation directe d’une partie
du rayonnement solaire en énergie électrique. Cette conversion d’énergie s’effectue par le biais
d’une cellule dite photovoltaïque (PV) basée sur un phénomène physique appelé effet
photovoltaïque qui consiste à produire une force électromotrice lorsque la surface de cette
cellule est exposée à la lumière. La tension générée peut varier en fonction du matériau utilisé
pour la fabrication de la cellule.
Nous nous intéressons dans ce chapitre à la conversion photovoltaïque ; dans un premier
temps, nous décrirons brièvement la structure et le fonctionnement des cellules et des
générateurs photovoltaïques (GPV). Ainsi, nous étudierons l’influence des paramètres
météorologiques (Température et Eclairement) sur le comportement électrique d’une cellule
solaire.
2. Situations énergétiques
2.1. Etat des sources de production de l’électricité dans le monde
L’électricité dans le monde est produite essentiellement à partir de sources d’énergies dites
conventionnelles telles que le pétrole, le gaz, le charbon. Si l’on évalue l’apport des différentes
sources d’énergie dans la production totale d’électricité (Figure.1.1) nous constatons que les
énergies fossiles représentent environ les deux tiers de la production (68%) [1]. L’épuisement
des ressources fossiles et fissiles, d’une part, et le réchauffement climatique par le rejet des gaz
à effet de serre dans l’atmosphère, d’autre part, ont incité la communauté internationale à
développer d’autres moyens de production d’énergie en ayant recours, par exemple, aux
énergies renouvelables (ER). Nous avons constaté durant cette dernière décennie que
l’électricité d’origine renouvelable a connu une croissance annuelle moyenne de 4.7% qui est
supérieure à celle des combustibles fossiles (+3.9%).
L’électricité renouvelable a ainsi consolidé sa position sur le marché mondial de l’électricité en
passant de 17.9% en 2003 à 20.8% en 2012 [1]. Cette croissance constante est due
principalement à la forte augmentation de la production hydroélectrique en Asie mais aussi au
développement à l’échelle mondiale des filières renouvelables telles que l’éolien, le solaire et
la biomasse.
2
Figure I.1. Contribution des différentes sources d’énergies dans la productiod’électricité

dans le monde [1].
2.2. Le potentiel de rayonnement solaire en l’Algérie

De par sa situation géographique, l’Algérie dispose d’un des gisements solaires les plus élevés
au monde, la durée d’insolation sur la totalité du territoire national dépasse les 2000 heures
annuellement et peut atteindre les 3900 heures (hauts plateaux et Sahara). L’énergie reçue
quotidiennement sur une surface horizontale de 1 m2 est de l'ordre de 5 KWh sur la majeure
partie du territoire national, soit près de 1700KWh/m2/an au Nord et 2263 kWh/m2/an au Sud
du pays [2].
Figure I.2 : Le potentiel de rayonnement solaire en l’Algérie (décembre, juillet)

3
La durée d’insolation sur la quasi-totalité du territoire national dépasse les 2000 heures
annuellement et atteint les 3900 heures (hauts plateaux et Sahara). Comme c’est indiqué dans
le tableau (I.), l’énergie reçue quotidiennement sur une surface horizontale de 1 m² est de l’ordre
de 5 KWh sur la majeure partie du territoire nationale, soit près de 1700 KWh/m²/an au Nord
et 2263 KWh/m²/an au sud du pays [3].
Régions Région côtière Hauts plateaux Sahara
Superficie (%) 4 10 86
Durée moyenne d’ensoleillement 2650 3000 3500

(heurs/an)
Energie moyenne reçue 1700 1900 2650
(KWh/m2/an)
Tableau I. Potentiel solaire en Algérie [3]
2.3 Programme des énergies renouvelables en Algérie
L’Algérie s’engage avec détermination sur la voie des énergies renouvelables afin d’apporter
des solutions globales et durables aux défis environnementaux et aux problématiques de
préservation des ressources énergétiques d’origine fossile. Ce choix stratégique est motivé par
l’immense potentiel en énergie solaire. Cette énergie constitue l’axe majeur du programme qui
consacre au solaire thermique et au solaire photovoltaïque une part essentielle. Le solaire
devrait atteindre d’ici 2030 plus de 37% de la production nationale d’électricité. Malgré un
potentiel assez faible, le programme n’exclut pas l’éolien qui constitue le second axe de
développement et dont la part devrait avoisiner les 3% de la production d’électricité en 2030
[4]. L’Algérie prévoit également l’installation de quelques unités de taille expérimentale afin
de tester les différentes technologies en matière de biomasse, de géothermie et de dessalement
des eaux saumâtres par les différentes filières d’énergie renouvelable tous sa et illustré par
figure (I.3).
4
Figure I.3: pénétration des EnR dans la production nationale en TWh [4]
Le programme des énergie renouvelable (EnR) est défini ainsi pour les différentes phases figure
(I.4) en 2013,l’Algérie réalise une installation d’une puissance totale de l’ordre de 110 MW à
l’horizon 2015, une puissance totale de près de 650 MW serait installée d’ici 2020, il est attendu
l’installation d’une puissance totale d’environ 2 600 MW pour le marché national et une
possibilité d’exportation de l’ordre de 2 000 MW d’ici 2030, il est prévu l’installation d’une
puissance de près de 12 000 MW pour le marché national ainsi qu’une possibilité d’exportation
allant jusqu’à 10 000 MW [4] .
Figure I.4: Programme des EnR en Algérie [4]
3. Applications des systèmes photovoltaïques

Les systèmes PV sont classés en deux grandes catégories selon la manière dont l'énergie est
utilisée :
Systèmes isolés et autonomes.
5
Systèmes raccordés au réseau.

3.1. L'isolé
Le rôle des systèmes autonomes est d'alimenter un ou plusieurs consommateurs qui se situent
dans une zone isolée du réseau électrique. Comme on le remarque sur la Figure (I.5) qui
représente l'exemple d'un système PV autonome, un système de stockage est associé aux
générateurs PV pour assurer l'alimentation à chaque instant et pendant plusieurs jours malgré
l'intermittence de la production.
Figure 1.5 : Architecture d’un système PV isolé
3.2 Le connecté au réseau

La Figure (I.6) représente un système PV connecté au réseau électrique, dont le rôle principal
est de contribuer à la production d'électricité d'origine renouvelable sur le réseau. D'un point de
vue de la physique, l'énergie produite par les modules est directement consommée par les
Charges locales de l'habitat. L'éventuel surplus de production par rapport à la consommation
Instantanée est injecté sur le réseau. Le réseau est utilisé en appoint à la production PV.
6
Figure 1.6 : Architecture d’un système PV connecté au réseau [5]
4. Avantages et Inconvénients de l’énergie Photovoltaïque

Comme toute autre énergie, l'énergie solaire photovoltaïque a ses avantages comme elle a
ses inconvénients,
4.1 Avantages
Les principaux avantages de l’énergie photovoltaïque sont [5] [6] :
- Sa gratuité, pas de pollution, sa fiabilité et la longue vie de l’installation.
- Sa structure fixe, son coup de maintenance bas, sa flexibilité (dimensionnement selon les
besoins, modularité) et l’installation ne produit aucun bruit.
- Son potentiel illimité. 5% de la surface des déserts suffiraient pour alimenter la planète entière.
4.2 inconvénients
Les inconvénients de l’énergie photovoltaïque sont :
- Le coût élevé de l’installation et le rendement relativement bas de l’effet photovoltaïque.
- La puissance est réduite lorsque les conditions climatiques sont défavorables (nuages).
- Le stockage de l’énergie électrique sous forme chimique (batterie) est nécessaire pour une
installation autonome.
- Même si l’électricité produite par une installation photovoltaïque est sans pollution, la
fabrication, l’installation et l’élimination des panneaux ont un impact sur l’environnement.
7
5. Conversion du rayonnement solaire par effet photovoltaïque

5.1 Energie solaire
La distance de la terre au soleil est environ 150 million de kilomètres et la vitesse de la lumière
est d'un peu plus de 300000 km/s, les rayons du soleil mettent donc environ 8 minutes à nous
parvenir. Le soleil émet un rayonnement électromagnétique compris dans une bande de
longueur d’onde variant de 0,28 μm à 4 μm. La (Figure I.7) représente la variation de la
répartition spectrale énergétique.
L’énergie associée à ce rayonnement solaire se décompose approximativement ainsi :

 9% dans la bande des ultraviolets (<0,4 μm),
 47% dans la bande visible (0,4 à 0,8 μm),
 44% dans la bande des infrarouges (>0,8 μm).
L’énergie de la lumière est portée par des particules, les photons. L'énergie d'un photon étant
donnée par la relation suivante :
= / (I.1)
Ainsi, plus la longueur d'onde est courte, plus l'énergie du photon est grande [7]
L’atmosphère terrestre reçoit ce rayonnement à une puissance moyenne de 1,37 kilowatt au

mètre carré (kW/m2), à plus ou moins 3 %, selon que la terre s’éloigne ou se rapproche du soleil
dans sa rotation autour de celui-ci. L’atmosphère en absorbe toutefois une partie, de sorte que
la quantité d’énergie atteignant la surface terrestre dépasse rarement 1200 W/m2.
La rotation et l’inclinaison de la terre font également que l’énergie disponible en un point donné
varie selon la latitude, l’heure et la saison. Enfin, les nuages, le brouillard, les particules
atmosphériques et divers autres phénomènes météorologiques causent des variations horaires
et quotidiennes qui tantôt augmentent, tantôt diminuent le rayonnement solaire et le rendent
diffus [8].
8
Fig. I.7 : Réponse spectrale d’une cellule PV. [8]
Pour tenir compte de l'épaisseur d'atmosphère traversée par le rayonnement solaire incident, on
introduit un coefficient appelé nombre de masse d’air (AM) défini par :
=1/cos (I.2)
Où θ est l’angle que fait le soleil avec son zénith. Par définition, AM0 correspond aux
conditions hors atmosphère. Quand le soleil fait un angle de 48° par rapport au zénith, la lumière
incidente est dite AM1.5, illustré sur la (Figure 1.8) Le nombre de masse d'air caractérise la
puissance transportée par le rayonnement solaire (83.3 mW/cm² pour AM1.5), et de plus sert de
standard pour quantifier les performances de nouveaux dispositifs photovoltaïques.
Fig.I.8 : Normes de mesures du spectre d’énergie lumineuse émis par le soleil, notion de la
convention AM.
9
5.2. Cellule et effet photovoltaïques

L'effet photovoltaïque a été découvert en 1839 par Antoine Becquerel
Il utilise l'effet photoélectrique, par lequel un photon incident (la lumière, donc) peut arracher
un électron à un atome.
Un panneau photovoltaïque est constitué d'une série de cellules photovoltaïques, formées
d'un matériau semi-conducteur en deux couches, l'une dopée positivement (P) et l'autre
négativement (N). C'est une jonction PN. Lorsqu'un électron est arraché, il se forme à la place
un « trou », se comportant comme une charge positive. L'électron et le trou s'échappent de part
et d'autre de cette jonction PN (les électrons vers N et les trous vers P), créant une différence
de potentiel (ce que l'on mesure en volts). Une cellule photovoltaïque produit donc ainsi
du courant électrique continu. Celui-ci est transformé en courant alternatif par un
onduleur pour la revente au réseau ou une autoconsommation.
La figure (I.9.) illustre principe de conversion d’une cellule photovoltaïque [9].
Figure I.9 : structure de base d’une cellule PV [9]
5.3. Modèle électrique d’une cellule photovoltaïque

Les propriétés de la jonction PN et la réaction du semi-conducteur au rayonnement mènent au
schéma du circuit équivalent idéal simplifié d'une cellule photovoltaïque représenté sur la figure
I.10.
10
Figure I.10 : Schéma équivalent d’une cellule idéale.

Ce circuit est décrit par les équations suivantes :
= (I.3)
(I.4)
=
(I.5)
= .( )
.
. (I.6)
=
Dans le modèle réel de la cellule, on tient en compte des propriétés résistives de la cellule qui
sont représentées par une résistance série R et des courants de fuites qui sont modélisés par
une résistance parallèle R . Ce modèle est donné par le circuit de la figure (I.9.).
11
Fig. I.11. Circuits équivalents d’une cellule photovoltaïque
Le courant I généré par ce circuit est donné par :
= (I.7)
Où
+ (I.8)
= .[ ]
.
Et
+ (I.9)
=
Le courant de saturation de la diode est donné par l’équation suivante [4] :
. (I.10)
= . ( )
.
12
Une cellule photovoltaïque débite un certain courant, sous une différence de

potentiel. Cette relation courant-tension (caractéristique I-V), déduite de l’équation
(I.7), est illustrée par la figure (I.12)
Fig. I.12. Caractéristique I(V) et P(V) d'une cellule photovoltaïque pour un éclairement et
une température donnés.
Une cellule réelle peut être caractérisée par les paramètres principaux présentés par la figure
(I.12)
Icc : Le courant de court-circuit c’est le cas ou quel la tension aux bornes de la cellule est nulle.
Vco : La tension pour laquelle le courant débité par le générateur PV est nul
Pm : La puissance utile maximale (Pm=Vm × Im), s’obtient en optimisant le produit courant
tension.
Quant au facteur de forme FF, dit aussi facteur de courbe ou facteur de remplissage, ou " fill
factor ", il est défini par :
.
= (I.11)
.
Ce facteur montre la déviation de la courbe de La figure (1.5) par rapport à un rectangle (de
longueur Vco et largeur Icc)
Le rendement est le rapport entre la puissance maximale générée et la puissance incidente
= (I.12)
13
Avec
= E.S
E est l’l’éclairement (W/m²) et S la surface totale des cellules (Générateur) (m2).
5.4. Influence de la température et l’ensoleillement
L’ensoleillement et la température ont une influence directe sur la caractéristique courant-

tension du générateur photovoltaïque, cela est représenté sur les figures
Suivantes :
Fig. I.13: Caractéristiques I(V) et P(V) d’un générateur PV en fonction de différentes

températures à S=1000 w/m2
14
Fig. I.14 : Caractéristiques I(V) et P(V) d’un générateur PV en fonction de différentes

irradiations à T=25°C
6. Générateur photovoltaïque (GPV)

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 (Figure I.15) [10].
Fig. I.15. Cellule ; module et générateur PV [10]
15
6.1. Association de modules photovoltaïques

6.1.1 Groupement en série :
Dans un groupement de ns modules en série tous sont traversés par un même courant, la Figure
ci-dessous montre la caractéristique résultante (Iscc, Vsco) d'un tel groupement dans des
conditions idéales, obtenue pour ns module identiques (Icc, Vco) en sommant les
caractéristiques élémentaires à courant constant : Vsco = ns*Vco. (Figure I.16) [11].
FigI.16 : Caractéristiques du groupement série des modules photovoltaïques [11]

6.1.2 Groupement en parallèle
Dans un groupement en parallèle figure (I.17), les modules étant soumis à la même tension, les
intensités s'additionnent : la caractéristique résultante est obtenue par addition de courants à
tension donnée.
Ipcc= npIcc:le courant de court-circuit.
Vpco=Vco:la tension de circuit ouvert.
FigI.17 : Caractéristiques du groupement parallèle des modules photovoltaïques[11]
16
6.2. Protections d’un GPV

Pour garantir une durée de vie importante d’une installation photovoltaïque destinée à produire de
l’énergie électrique sur des années, des protections électriques doivent être ajoutées aux modules
photovoltaïques afin d’éviter des pannes destructrices liées à l’association de cellules en séries et
de panneaux en parallèles. Pour cela, deux types de protections classiques sont utilisés dans les
installations actuelles (figure I.18) :
A. la diode anti-retour empêchant un courant négatif dans les GPV. Ce phénomène peut apparaître
lorsque plusieurs modules sont connectés en parallèle, ou bien quand une charge en connexion
directe peut basculer du mode récepteur au mode générateur, par exemple une batterie durant la
nuit.
B. les diodes by-pass peuvent isoler un sous -réseau de cellules lorsque l’éclairement n’est pas
homogène évitant ainsi l’apparition de points chauds et la destruction des cellules mal éclairées. La
mise en conduction de ces diodes affecte la caractéristique de sortie du générateur, par la perte d’une
partie de la production d’énergie et par la présence de deux maximums de puissance [12].
Figure I.18 : Schématisation d’un GPV élémentaire avec diodes by-pass et diode anti-retour. [12]
17
6.3. Point de fonctionnement d’un générateur photovoltaïque

En effet, le point de fonctionnement du GPV résulte de l’intersection entre la caractéri-
stique I-V du GPV et la caractéristique I-V de la charge.
Fig. I.19. Points de fonctionnement d’un GPV en fonction de la charge[13]
Trois types de charges DC existent à savoir : charge purement résistive, charge de type source
de tension et charge de type source de courant.
Sur la figure (I.19), nous avons représenté les caractéristiques I (V) et P (V) d’un GPV ainsi
que les caractéristiques I (V) pour les trois types de charges. Le point de fonctionnement où la
puissance fournie par le générateur est maximale (PMAX) pour un courant optimal (IOPT) et
une tension optimale (VOPT) est le point d’intersection entre les caractéristiques I (V) du
générateur et celles des trois types de charges :
1) point A pour une charge résistive,
2) point B pour une charge de type source de tension,
3) point C pour une charge en source de courant.
Pour ces trois points, la puissance fournie par le générateur est respectivement PA’, PB’ et PC’,
correspondant à des valeurs de puissance inférieures à la puissance maximale disponible
PMAX. Ce qui nous permet de dire qu’une perte d’une partie de la puissance délevrable aux
bornes du générateur PV entraînant à la longue des pertes de production énergétiques
importantes. [13]
18
6.4 Effet de l’ombrage (Shading)
Figure I.20 le générateur photovoltaïque ombragé pareillement
Ombrager une partie d'un module PV a de dramatiques conséquences sur sa courbe

puissance/tension P(V) et ce, même si une très faible partie du module ou de la cellule est à
l'ombre, une diminution importante de la puissance produite en est alors la conséquence. Cet
ombrage partiel peut être du a des cheminées, a des arbres ou à d'autres parties de construction.
[14], certaines cellules deviennent consommatrices d’énergie. Pour faire alors face à ce
problème, les modules ombragés sont court-circuités à l’aide des diodes by-pass. Cette perte
affecte la caractéristique P-V par un émergement de plusieurs sommets comme montre la
(figure I.21). La recherche du point de puissance maximale, en particulier en présence du
problème d’ombrage, sera considérée dans les chapitres suivants.
200
150
Puissances W
100
50
0
0 10 20 30 40 50 60
Tensions V
Fig. I.21. L’effet du l’ombrage sur la caractéristique P-V d’un module photovoltaïque
19
7.Conclusion
Dans ce chapitre, nous avons présenté la modélisation d’une cellule photovoltaïque et d’un
panneau photovoltaïque, ainsi que les caractéristiques du générateur PV avec ses performances.
Nous avons également étudié, l’influence de quelques paramètres sur ses caractéristiques., il
est nécessaire d’utiliser un étage d’adaptation entre le générateur PV et la charge. Ce qui nous
a permis de vérifier qu’un fonctionnement optimal d’un système photovoltaïque. Nous avons
aussi montré l’effet de l’ombrage sur le rendement d’un générateur photovoltaïque et qu’une
recherche, en temps réel, du point de puissance maximale est nécessaire.
Un outil efficace qui peut être utilisé pour trouver ce point, en présence du problème de
l’ombrage, est l’algorithme d’optimisation par colonie d’abeilles artificiels. Le principe et les
éléments de cet algorithme seront envisagés dans le chapitre suivant.
20
Chapitre II
Optimisation par
colonie d’abeilles
artificiels
Chapitre II : Opti isatio par olo ie d’a eilles artifi iels
1. Introduction :
Les problèmes d’optimisation occupent une place de plus en plus importante dans les
processus décisionnels. Ces problèmes se divisent en deux grands approches. L’une de ces
approches est dite déterministe et sur laquelle les algorithmes de recherche utilisent toujours le
même acheminement pour arriver à la solution souhaitée. L’autre approche est l’approche
aléatoire ou non déterministe et sur laquelle l’algorithme ne suivra pas obligatoirement le même
acheminement pour aller vers la solution finale et peut même proposer différentes solutions et
cela suivants des conditions initiales proposés. C’est vers cette approche qu’on va s’orienter et
plus particulièrement vers un type bien précis des algorithmes de recherche aléatoires
évolutionnaires à populations de solution. Il en existe plusieurs comme le montre la figure II.1.
Parmi ces algorithmes, nous nous intéresserons particulièrement à l’algorithme des colonies
d’abeilles artificielles (ABC) mais utiliserons aussi l’algorithme par essaim de particules (PSO).
. II. 1 : Classification des méthodes d’optimisation [15]
2.Problème d’optimisation :
Dans la majorité des cas, les problèmes technologiques, comme le dimensionnement
des circuits intégrés analogique, peuvent être formulés sous forme d’un problème
21
d’optimisation, dans lequel on définit les fonctions objectives qu’on cherche à maximiser
ou à minimiser. Ces fonctions sont souvent soumises à des contraintes qui doivent être
accomplies afin qu’une ou plusieurs solutions soient retenues. Selon le nombre d’objectifs
qu’on cherche à optimiser, on distingue deux sortes de problème d’optimisation : une
optimisation mono-objectif et une optimisation multi-objectifs.
2.1. Les méthodes d’optimisations approchées
2.1.a. Heuristiques
Le mot heuristique vient du grec eurisko qui signifie « je trouve » d’où le célèbre Eureka
d’Archimède. Contrairement aux algorithmes exacts ou aux algorithmes d'approximation, une
heuristique, ou méthode approximative, est un algorithme approché qui fournit rapidement (en
temps polynomial) une solution réalisable, pas nécessairement optimale, pour un problème
d’optimisation. Une méthode heuristique est généralement conçue pour un problème
particulier, en s’appuyant sur sa structure propre [16]
2.1.b. Méta-heuristiques
Le mot méta heuristique est dérivé de la composition de deux mots grecs : méta, du grec
signifiant « au-delà » (ou « à un plus haut niveau ») et heuristique.
Les Méta heuristiques sont des stratégies qui permettent de guider la recherche d’une solution
optimale, sont un ensemble d’algorithmes d’optimisation visant à résoudre les problèmes
d’optimisation difficiles. Elles sont souvent inspirées par des systèmes naturels, qu’ils soient
pris en physique (cas du recuit simulé), en biologie de l’évolution (cas des algorithmes
génétiques) ou encore en éthologie (cas des algorithmes de colonies de fourmis) ou de
l’optimisation par essaims particulaires (voir figure II.2 par exemple). [16]
FigureII.2 : Exemple d’essaim [16]

22
On peut distinguer les métas heuristiques qui font évoluer une seule solution sur l’espace de
recherche à chaque itération et les méta heuristiques à base de population de solutions. En
général, les métas heuristiques à base de solution unique sont plutôt axés sur l’exploitation de
l’espace de recherche, on n’est donc jamais sûr d’obtenir l’optimum. Parmi ces méthodes en
trouve : le recuit simulé, la recherche taboue [17].
Les métas heuristiques à base de population sont plutôt exploratoires et permettent une
meilleure diversification de l’espace de recherche. Ces métas heuristiques disposent d’une
ꞌꞌbaseꞌꞌ de plusieurs solutions, appelée population. L’Intelligence en essaim est une de ces méta-
heuristique, elle est basée sur le comportement collectif des insectes sociaux, des troupeaux
d'oiseaux, ou des bancs de poissons [17]. Les exemples les plus connus sont, l’algorithme des
colonies de fourmis, l’algorithme par essaim de particules et l’algorithme des colonies
d’abeilles qui fera l’objet de ce mémoire.
Dans la partie suivante nous décrivons en détail deux algorithmes d’optimisation globale :
l'optimisation par essaim particulaire et colonie d’abeilles artificielles
3.La méthode d'optimisation par essaim de particules
La méthode d'optimisation par essaim de particules PSO est une méthode d'optimisation
fondée sur une population stochastique de points initialement repartis sur un domaine de
recherche. Cette méthode a été publiée la première fois par Kennedy et Eberhart en 1995 [18].
Elle s'inspire fortement des relations grégaires des oiseaux migrateurs qui doivent parcourir des
longues distances et qui doivent donc optimiser leurs déplacements en termes d'énergie
dépensée, comme par exemple la formation en V.
FigureII.3 : Volée d'oiseaux [18]
23
3.1. L’algorithme PSO

L'algorithme PSO génère un essaim de particules dont chaque membre est une solution
éventuelle du problème d'optimisation. Cet essaim vole dans l'espace de recherche et chaque
membre de celui-ci est attiré par sa meilleure solution et celle de ses voisins. Chacune de ces
particules est dotée [14] :
- D'une position, c'est-à-dire ses coordonnées dans l'ensemble de définition.
- D'une vitesse qui permet à la particule de se déplacer. De cette façon, au cours des itérations,
chaque particule change de position.
Elle _évolue en fonction de son meilleur voisin, de sa meilleure position, et de sa position
précédente. C'est cette _évolution qui permet de tomber sur une particule optimale [14].
- D'un voisinage, c'est-à-dire un ensemble de particules qui interagissent directement sur la
particule, en particulier celle qui a le meilleur critère.
A tout instant, chaque particule connait :
- Sa meilleure position visitée. On retient essentiellement la valeur du critère calculée ainsi que
ses coordonnées.
- La position du meilleur voisin de l'essaim qui correspond à l'ordonnancement optimal.
- La valeur qu'elle donne à la fonction objectif car à chaque itération il faut une comparaison
entre la valeur du critère donnée par la particule courante et la valeur optimale.
Dans les algorithmes d'optimisation PSO, les membres de la population (particules) se
déplacent sur l'espace de recherche comme suit [19] :
v  m  1  v  m   a(m  1) (II.1)
X  m  1  x  m   v(m  1) (II.2)
Ou a ; v ; x et t sont l'accélération, la vitesse, la position et le temps (compteur d'itérations),

respectivement. Les particules possèdent une mémoire des meilleurs (par rapport à une fonction
objectif) endroits qu'elles ont visités dans le passé ; leurs meilleures positions personnelles ou
pbest, et de leurs valeurs de la fonction coût <fitness >. En outre, les particules ont accès au
meilleur emplacement de toute autre particule de leur voisinage, habituellement désigne comme
le meilleur voisinage ou gbest. Naturellement, ces deux endroits concéderont si la particule a le
meilleur des meilleurs endroits dans son voisinage. Chaque particule partage des informations
avec toutes les autres particules dans l'essaim fin qu'il y ait un seul meilleur attracteur global
gbest représentant le meilleur emplacement trouvé par l'ensemble essaim.
Dans l'ensemble, l'accélération de la ième particule dans équation (II.3) est donnée par [20] :
24
ai   cò1  Pg  X i   cò2  Pi  X i   1    vi (II.3)
Ou ò1 and ò2 sont des vecteurs de nombres aléatoires tires de la distribution uniforme sur [0 ; 1],
c > 2 est la constante de rappel et pi et pg sont les attracteurs personnels et global respectivement.
Cette formulation de la dynamique des particules souligne le resserrement comme une force de
frottement, de sens opposé et proportionnelle à la vitesse. Les valeurs standard sont c = 2 :05 et
x= 0,729843788 [20].
L'algorithme complet PSO pour optimiser une fonction objectif se résume comme suit :
Pour chaque particule i
Initialiser aléatoirement 𝐯𝐢, 𝐱 𝐢 = 𝐩𝐢

Evaluer 𝐩𝐢
𝐩 = 𝐚𝐫 𝐦𝐚𝐱 𝐩𝐢
Répéter
Pour chaque particule i
Mettre à jour la position des particules xi selon les équations (II.1), (II.2) et (II.3)
Evaluer 𝐱𝐢
Mettre à jour la meilleure position personnelle

Si 𝐱𝐢 > 𝐩𝐢 Alors
𝐩𝐢 = 𝐱 𝐢
Mettre à jour la meilleure position globale
Si 𝐱𝐢 > 𝐩 Alors
𝐩 = argmax 𝐩𝐢
Jusqu’à ce que le critère d’arrêt soit atteint.
L’organigramme de la figure (II.4.) illustre l’algorithme de base PSO. Les principes de la

méthode de base PSO, peuvent être décrites comme suit :
Etape 1 : Initialisation des particules soit aléatoirement suivant une distribution uniforme sur
l'espace de recherche, soit sur les nœuds de la grille qui couvrent l'espace de recherche avec des
points équidistants. Les vitesses initiales sont prélevées au hasard.
25
Etape2 : Evaluer la valeur de la fonction coût de chaque particule.

Etape 3 : Mise à jour des meilleures valeurs individuelles et globales de la fonction coût (𝑝𝑏𝑒 ,
i et 𝑏𝑒 ) et des positions actuelles en comparant les valeurs de la fonction coût nouvellement
calculées par rapport aux précédentes, et en remplaçant le𝑝𝑏𝑒 , i et 𝑏𝑒 ainsi que leur
positions correspondantes si nécessaire.
Etape 4 : Mise à jour de la vitesse et de la position de chaque particule dans l'essaim en utilisant
les équations (II.1), (II.2) et (II.3).
Etape 5 : Consulter le critère de convergence. Si le critère de convergence est atteint, le

processus peut être interrompu, sinon le nombre d'itérations augmente de « 1 » et passez à
l'étape 2.
L'algorithme PSO a une faiblesse sérieuse qui pourrait réduire sérieusement ses performances
si aucune action ne doit être prise. Principalement, l'algorithme PSO a un problème pour
maintenir un équilibre sain entre l'exploration de l'espace de recherche et l'exploitation de
régions éminentes de l'espace de recherche [21-22]. En conséquence directe, l'algorithme
d'optimisation serait susceptible d'être piégé dans un environnement optimal local, en
particulier sur des paysages multimodaux, robustes et non séparables [23]. Ainsi, l'algorithme
sera vulnérable au problème de la convergence prématurée
26
Fig. II.4. Organigramme du PSO standard [20]
4. Optimisation par colonie d’abeilles artificiels

L’algorithme de colonie d’abeille artificielle (ABC) a été introduit par Karaboga [Kar05] pour
l’optimisation de fonction. Chaque solution représente Une position de nourriture potentielle
dans l’espace de recherche et la qualité de la solution correspond à la qualité de la position
27
alimentaire. Agents (abeilles artificielles) recherche d’exploiter les sources de nourriture dans
l’espace de recherche.
FigureII.5. Essaim des abeilles

Dans leur comportement intelligent, les abeilles utilisent deux concepts fondamentaux : l’auto-
organisation et la division de travail [17].
4.1. Auto-organisation :
Peut être définie comme un ensemble des mécanismes dynamiques qui établissent les règles de
bases concernant l’interaction entre les composantes du système. Les règles font en sorte que
les interactions soient exécutées sur la base des informations purement locales sans aucun
rapport avec le schéma global. Les quatre propriétés fondamentales sur lesquels repose l’auto-
organisation des abeilles dans la ruche sont :
 Rétroaction positive :
Comme la quantité de nectar des sources de nourritures augmente, le nombre de leurs visites
par les abeilles augmente aussi.
 Rétroaction négative :
Le processus d’exploitation des sources de nourriture pauvres est arrêté par les abeilles.
 Fluctuations :
Les scouts mènent un processus de recherche aléatoire pour découvrir des nouvelles sources de
nourriture.
 Interaction multiples :
Les abeilles partagent leurs informations sur les sources de nourriture avec les onlookers sur la
piste de danse.
4.2. Division de travail :
Différentes tâches sont exécutées simultanément par des agents spécialisés.
4.3. Modèle de comportement d’abeille :
Le modèle qui décrit le comportement des abeilles se compose de trois éléments essentiels : les
sources de nourriture, les abeilles employées et les abeilles non employées et il définit
28
deux modes principaux du comportement : le recrutement d’une source de nectar et l’abandon

d’une source [17].
Sources de nourriture :
La valeur d’une source de nourriture dépend de nombreux facteurs tels que sa proximité de la
ruche, sa richesse, le gout de son nectar ou la concentration de son énergie et la facilité
d’extraction de cette énergie.
Abeilles employées :
Elles sont associées à des sources de nourriture particulière dont elles en sont actuellement
exploitantes, elles transportent avec elles et partagent avec une certaine probabilité des
informations à propos de cette source, sa direction, sa distance de la ruche et la rentabilité.
Abeilles non employées :
Elles cherchent sans cesse des sources de nourriture à exploiter. Il existe deux types des abeilles
non employées : les éclaireuses(scouts) qui recherchent dans l’environnement entourant la
ruche pour des nouvelles sources de nourriture et les spectatrices(onlookers) qui attendant dans
la ruche et choisissent une source de nourriture par le bais des informations partagées par les
abeilles employées.
4.4. Analogie entre la nature et l’optimisation :
Pour faire l’analogie entre les abeilles à la recherche de nourriture dans la nature et les abeilles
dans les problèmes d’optimisation, les principales idées utilisées pour la conception du méta
heuristique sont identifiées dans le tableau II.1.
Ces analogies permettent d’adapter les caractéristiques naturelles d’auto-organisation et de
partage de rôles aux problèmes d’optimisation pour garantir la performance globale de la
colonie d’abeilles artificielles. [17].
Nature Optimisation
Abeilles butineuse(scout) Recherche aléatoire
Abeilles actives(employed) Meilleures solutions
Abeilles réceptrices(onlookers) Solution issus de la recherche au voisinage
des meilleures solutions
Dance frétillante Communiquer les espaces promoteurs pour
une recherche locale
Source de nourriture Une solution
Abondance de la source de nourriture Abandonner l’espace de recherche en
absence d’amélioration de solution
Qualité, proximité et facilité d’extraction de Fitness de la solution
la source de nourriture
Tableau II.1: Analogie entre les abeilles en nature et les abeilles en optimisation [17]
29
4.5. Structure algorithmique :
La colonie d'abeilles artificielles (ABC) contient trois groupes d’abeilles : les abeilles
Employées associées à des sources alimentaires spécifiques, les abeilles spectateurs observant
la danse des abeilles Employées dans la ruche pour choisir une source de nourriture, et les
éclaireuses (scouts) qui cherchent de nouvelles sources de nourriture de façon aléatoire. Les
spectateurs et les éclaireuses sont aussi appelées abeilles non Employées. Initialement, toutes
les positions des sources de nourriture sont découvertes par les éclaireuses. Par la suite, le nectar
des sources de nourriture est exploité par les abeilles Employées et les abeilles spectateurs. Si
la source de nourriture ne contient plus de nectar, l'abeille employée devient une abeille
éclaireuse. Le tableau (II.2) illustre sommairement les déférent phases de l’algorithme ABC.
1.Initialisation
2.REPETER
-Phase employed : Envoyer les abeilles employeuses aux sources de nourriture et
actualiser chaque solution
-Phase onloooker : Réaliser une solution base sur la fonction d’adéquation puis
actualiser chaque solution(recherche des nouvelles solutions)
-Phase scout : Répéter la solution la plus inactive (épuisement de site), et la remplacer
par une nouvelle solution générée aléatoirement
3.JUSQU’A (satisfaire le conditions d’arrêt)
Tableau II.2: les déférent phases de l’algorithme ABC [17].
Comme représenté en tableau (II.2) chaque cycle de recherche se fond sur trois étapes : phase
Employed, phase Onlooker, phase Scout. Dans cette structure, la position d'une source de
nourriture représente une solution possible au problème et la quantité de nectar d'une source de
nourriture correspond à la qualité (fitness) de la solution associée. Dans la forme de base, le
nombre d'abeilles empoyed est égal au nombre de sources de nourriture (solutions) puisque
chaque abeille Employée est associée à une et une seule source de nourriture. Les onlookers
sont affectés aux sources de nourritures en se basant sur un processus de sélection dit
gourmande qui utilise un mécanisme probabiliste. La teneur en nectar d’une source est élevée
d’autant sa probabilité de sélection par onlooker est augmenté. Chaque colonie possède des
30
scouts qui sont les explorateurs de la colonie les scouts n’ont pas d’orientation particulière, elle
se contentent de prospecter le voisinage de la ruche à la recherche éventuelle sources.
Dans l’algorithme ABC une abeille employed est remplacé par une scout lorsque la solution
représentée par cette abeille n’est pas améliorée. Cette situation fait référence à l’épuisement
de la source de nourriture qui est contrôlée par un paramètre de contrôle appelé ‘’limit’’ en
d’autre terme au cas où une solution représentant une source de nourriture donnée n’est pas
améliorée après un nombre prédétermine d’essais ou d’itération, cette source de nourriture sera
alors abandonnée par l’abeille employed qui deviendra par la suite un scout. Le nombre d’essais
nécessaire à l’abandon d’une source de nourriture est égal à la valeur de seuil ‘’limit’’qui est
un paramètre de contrôle important de l’algorithme ABC [24].
4.6. Les paramètres de l’algorithme ABC :

Les paramètres esse tiels pou ue l’algo ith e ABC tou e so t ep ése tées da s le
tableau suivant :
Tableau II.3: Les paramètres de l’algorithme ABC [24]
4.7. Modèle de base de l’algorithme ABC
Comme tous les autres algorithmes basés sur la population, ABC a un processus itératif. Les
étapes de l'ABC de base peuvent être expliquées comme suit :
1. Initialisation de la population
L’algorithme génère aléatoirement une population initiale de SN solutions. Soit xi (i=1,

2,…….SN) représente la i ème source de nourriture dans la population. Chaque source de
nourriture est générée comme suit :
(II.4)
31
Ou i=1,2,…,SN, j=1,2,…,n. xmax,j, et xmin,j sont les limites inférieures et supérieures de la
dimension j . Ces sources de nourritures sont réparties au hasard sur le nombre d'abeilles
employées et leur fitness sont évalués.
2. Etape des abeilles employées
Dans cette étape, chaque abeille employée Xi génère une nouvelle source de nourriture Vi dans
le voisinage de sa position actuelle à l'aide de l'équation suivante :
(II.5)
Où k ∈ {1, 2,. . ., SN} et j ∈ {1, 2,. . ., n} sont des indexes choisis aléatoirement; k doit être
différent de i ; est un nombre aléatoire dans l’intervalle[-1, 1].
Une fois que Vi est obtenue, elle sera évaluée et comparée à Xi. Si la valeur de fitness de Vi est
égale ou supérieure à celle de Xi, Vi remplacera pour devenir un nouveau membre de la
population, sinon Xi est conservée. En d'autres termes, un mécanisme de sélection est utilisé
entre l'ancienne solution et la solution candidate.
3. Calcul des valeurs de probabilité impliquées dans la sélection probabiliste
Après que toutes les abeilles employées complètent leurs recherches, ils partagent leurs
informations relatives aux quantités de nectar et les positions de leurs sources avec les abeilles
spectateurs sur la piste de danse. L’abeille spectateur évalue les informations de nectar tiré de
toutes les abeilles employées et choisit une source de nourriture avec une probabilité liée à sa
quantité de nectar. Cette sélection probabiliste dépend des valeurs de la fonction d’évaluation
des solutions dans la population
Dans l’algorithme de base, le schéma de sélection de la roue de roulette, dans lequel chaque
tranche est proportionnelle à la taille de la valeur de fitness est utilisée comme suit :
(II.6)
Ou Fiti est la valeur de fitness de la solution xi. Évidemment, plus le Fiti est grand, plus la
probabilité que la ieme source de nourriture est sélectionnée. [32]
32
4. Etape d’abeille spectateur

L’abeille spectateur évalue les informations de nectar tiré de toutes les abeilles employées et
sélectionne une source de nourriture Xi en fonction de sa valeur de probabilité Pi. Une fois que
le spectateur a choisi sa source de nourriture Xi, elle produit une modification de Xi en utilisant
l’Equation (II.5). Comme dans le cas des abeilles employées, si la source de nourriture modifiée
a une quantité de nectar meilleure ou égale à Xi, la source de nourriture modifiée remplacera
Xi pour devenir un nouveau membre dans la population.
5. Etape d’abeille éclaireuse
Si une source alimentaire Xi ne peut être encore améliorée par un nombre prédéterminé et
limité d'essais, la source de nourriture est censée être abandonnée, et l'abeille employée
correspondante devient une abeille éclaireuse. L’abeille éclaireuse produit une source de
nourriture au hasard comme suit :
(II.7)
Afin de décider si une source de nourriture est abandonnée ou pas, le paramètre de contrôle
‘’limit’’ est utilisé. A la fin des itérations, des valeurs limite sont comparée avec le nombre
d’essai non améliorés de chaque solution. Il y’a un compteur pour chaque solution qui est
incrémenté par la valeur‘’1’’ après chaque échec ou est mis à zéro à la suite d’un essai mené
avec succès soit par une abeilles employed ou par une abeille onlooker.
La structure générale de la démarche d'optimisation par l’algorithme ABC est donnée comme
suit :
1 : Paramètres d’initialisation :
Nombre de solution : SN, nombre de Cycle : C Le paramètre (limit).
2 : Initialiser la population des solutions xi ; i=1; ….;SN Utilisant l’équation (II.4)
3 : Évaluer la fonction d’adéquation fit (xi) de la population
4 : C=1
Répéter
{--phase des abeilles employeuses--}
5 : Produire une nouvelle solution (vi) Pour les abeilles employées et les évaluer (fit (vi)) utilisé
l’équation (II.5)
6 : Appliquer le processus de sélection gourmand pour les abeilles employées
7 : Calculer les valeurs de probabilité pi pour les solutions xi par l'équation (II.6)
{-- phase des abeilles spectateurs--}
33
8 : Sélectionner une solution xi en fonction de pi

9 : Produire les nouvelles solutions vi en utilisant l'équation (II.5) [32]
Sélectionner et ’évalué la solution (fit (vi))
10 : Appliquer le processus de sélection gourmand pour les spectateurs

{-- Phase des abeilles éclaireuses --}
11 : Déterminer la solution abandonnée pour le scout, s'il existe, et le remplacer par une nouvelle
solution produite au hasard xi utilisant l’équation (II.4)
12 : Mémorisez la meilleure solution jusqu'à présent
13 : C = C + 1
Jusqu'à (C = nombre de cycle maximal
4.8. Applications des algorithmes ABC
L'ABC a été utilisé dans de nombreux domaines ; Mais sa présence dans le cadre de
l'ingénierie de contrôle est assez limitée. En fait, dans le sondage mentionné ci-dessus, seuls
neuf documents de recherche ont été classés dans le domaine du contrôle des systèmes. De plus,
les deux tiers de ces documents traitent uniquement de la conception du contrôleur différentiel
proportionnel (PID) et de ses paramètres d'accord. En voyant les bonnes performances de
l'algorithme ABC et son implémentation réussie dans de nombreux domaines d'ingénierie [26-
32], et le fait que la communauté de contrôle n'a pas encore exploité pleinement l'algorithme
ABC pour résoudre les différents problèmes d'ingénierie de contrôle, en particulier le contrôle
prédictif non linéaire Un, on s'attend à ce que son utilisation dans le contrôle prédictif donne de
bons résultats.
34
Fig. II.2. Organigramme du PSO standard [11]
Fig. II.6. Organigramme du ABC standard [24]
35
5.Exemples d’optimisation en utilisant les deux méthodes PSO et ABC

Dans cette partie, nous utilisons les deux algorithmes pour optimiser un maximum global
d’une fonction de cout qui possède plusieurs maximums locaux. Nous avons utilisé le logiciel
MATLAB pour coder les deux algorithmes PSO et ABC. Les programmes obtenus sont
exécutés dans les trois cas 10000 fois :
(a). 𝑥 = . ∗ sin 𝜋𝑥 + + . sin . π𝑥 + . sin 𝜋𝑥
avec F(x)max=149.1 (figure II.7)
(b). 𝑥 = . ∗ sin 𝜋𝑥 + sin . π𝑥 + sin . 𝜋𝑥 + +

. sin π𝑥 + . sin π𝑥 F(x)max=96.83 (figure II.8)
c. 𝑥 = . ∗ sin . 𝜋𝑥 + sin . π𝑥 + sin . 𝜋𝑥 + . sin π𝑥 +

+ . sin . π𝑥 + . sin π𝑥 F(x)max=31.91 (figure
II.9)
X
Figure.II.7. Courbe de la fonction cout (a)
36
X
Figure.II.8. Courbe de la fonction cout (b)
X
Figure.II.9. Courbe de la fonction cout (c)
5.1. Résultats obtenus

Les résultats obtenus de l’application d’algorithme PSO et ABC pour trouver le maximum
global des trois fonctions (a), (b)et (c), sont donnés dans les tableaux suivants, la figure (II.10)
montre le taux de craquage des doux algorithmes dans le premier maximum local (cas de la
troisième fonction).
37
fonction Algor- robustesse moyen de précision moyen de Temps de Max de

Rithme succès convergence convergence convergence
convergence des Cycle (s) des Cycle
1 PSO 100 148.7944 99.8620 9.0893 8.1430 27
ABC 99.9800 148. 7361 99. 8229 9.3660 22.3115 29
2 PSO 89.4100 94.4973 98.1076 9.1736 8.2258 23
ABC 99.1400 95.9548 99.6208 10.0542 25.415 29
3 PSO 72.5300 29.7065 93.0945 7.7605 5.9760 22
ABC 96.200 31.4179 98.4578 9.6324 24.79 28
Tableau.II.5. Résultats d’optimisation en utilisant la méthode PSO et ABC pour les trois
fonctions
Y Y
a. (ABC) X b. (PSO) X
Figure.II.10. Représentation des fitness pour les deux algorithmes
D’après ces résultats, la méthode ABC a donnée des bons résultats de maximisation dans les
trois cas (un, deux et trois sommets).
Une baisse de précision est remarquée lors de l’augmentation de la complexité du problème
d’optimisation en utilisant PSO.
5.2. Influence de paramètres sur l’ABC :

Dans le tableau suivant, en premier cas nous avons fixé la taille de population à 6 abeilles et
testé Plusieurs valeurs pour le nombre maximal des itérations et dans le deuxième cas nous
avons fixé le nombre d’itérations à 30 et essayé plusieurs tailles de la population (PN) Pour
chaque essai le programme est exécuté 10000 fois.
38
No du PN Meilleure moyen de précision moyen de Temps de Max de

cycle solution succès convergence convergence convergence
(W) convergence des Cycle (s) des Cycle
5 6 90.6300 30.4623 95.4631 5 12.609 5
10 6 95.8000 31.2253 97.8542 7.5336 20.128 10
30 6 95.8000 31.3942 98.5556 9.5908 22.546 25
30 8 97.2900 31.5540 98.8844 9.5064 24.2362 30
30 12 98.7800 31.7194 99.4026 9.0226 28.9797 25
Tableau.II.6. Résultats d’optimisation en utilisant la méthode ABC pour plusieurs population et

itérations
Y Y
X X
a. (6 abeilles) b. (12 abeilles)
Figure.II.11. Représentation des fitness pour les deux cas (6 et 12 abeilles) pour 30 itérations
39
Y Y
X X
a. (5 itérations) b. (30 itérations)
Figure.II.12. Représentation des fitness pour les deux cas (5 et 30 itérations) pour PN=6
Les résultats obtenus, montrent une amélioration au niveau de la précision lors de l’augment-
ation du nombre d’itérations et celui d’individus de la population. Comme le montre le dernier
cas de 12 individus, quand le nombre d’agents de recherche devient important, la complexité
du problème ne présente aucun obstacle à l’algorithme. La précision du résultat dépend du
nombre d’individus et d’itérations utilisé
6.Conclusion
Dans ce chapitre, nous avons présenté le concept d’optimisation. Tout d’abord, nous avons
donné la définition d’un problème d’optimisation et les étapes d’un processus d’optimisation. Puis
nous avons présenté une famille de méthodes de résolution de problèmes d’optimisation : les méta-
heuristiques et plus particulièrement les méthodes basées sur la population. Enfin, les algorithmes
(optimisation par essaim particulaire et colonie d’abeilles artificielles) sont décrits en détail.
. En utilisant le logiciel MatLab, nous avons codé et testé l’algorithme PSO et ABC en
considérant l’optimisation de deux fonctions mathématiques possédants plusieurs maxima.
Dans le chapitre suivant, nous motive à développer des commande MPPT à base de ces
algorithmes pour déterminer le point de puissance maximum d’un système photovoltaïque en
présence du problème de shading.
40
Chapitre III:
Commande MPPT :
Etude et Simulation
Chapitre III Commande MPPT : Etude et simulation
I. Introduction
L’objectif de notre travail est d’utiliser la technique ABC présenté dans le chapitre précédent
pour déterminer le point de puissance maximale d’un système de production photovoltaïque
(SPP) fonctionnant dans des conditions d’ombrage partielle. La courbe P-V présente dans ce
cas, de multiples points de puissance maximale locaux et les algorithmes classiques de la
commande MPPT ne peuvent pas converger vers le maximum global. En premier lieu, le
principe de la commande MPPT sera donné et les algorithmes classiques de cette commande
seront rappelés. Ensuite, nous considérons la mise en œuvre de l’algorithme de la commande
MPPT en utilisant l’algorithme ABC, nous présentons une étude sur le convertisseur DC-DC
utilisé pour la poursuite du point de puissance maximale.
2.Principe de la recherche du point de puissance maximal

Des lois de commandes spécifiques existent pour amener des dispositifs à fonctionner à des
points maximums de leurs caractéristiques (sans qu’a priori ces points soient connus à l’avance,
ni sans que l’on sache à quel moment ils ont n’été modifiés ni qu’elles sont les raisons de ce
changement). Pour le cas de sources énergétiques, cela se traduit par des points de puissance
maximum. Ce type de commande est souvent nommé dans la littérature « Recherche du Point
de Puissance Maximum » ou bien « Maximum Power Point Tracking » en anglo-saxon (MPPT).
Le principe de ces commandes est d’effectuer une recherche du point de puissance maximal
tout en assurant une parfaite adaptation entre le générateur et sa charge de façon à transférer le
maximum de puissance [27].
La figure (III.1) représente une chaîne de conversion photovoltaïque élémentaire associée à une
commande MPPT. Pour simplifier les conditions de fonctionnement de cette commande, une
charge DC est choisie. Comme nous pouvons le voir sur cette chaîne, la commande MPPT est
nécessairement associée à un quadripôle possédant des degrés de liberté qui permettent de
pouvoir faire une adaptation entre le GPV et la charge. Dans le cas de la conversion solaire, le
quadripôle peut être réalisé à l’aide d’un convertisseur DC-DC de telle sorte que la puissance
fournie par le GPV corresponde à la puissance maximale (PMAX) qu’il génère et qu’elle puisse
ensuite être transférée directement à la charge.
41
La figure.III.1 : chaîne élémentaire de conversion photovoltaïque
La technique de contrôle généralement utilisée consiste à agir sur le rapport cyclique de l’étage
d’adaptation de telle manière à amener le générateur PV à sa puissance maximale qu ’elles que
soient les instabilités météorologiques ou variations brutales de charges qui peuvent survenir à
tout moment.
En résumé, le suivi du PPM est réalisé au moyen d’une commande spécifique nommée MPPT
qui agit essentiellement sur le rapport cyclique du convertisseur statique (CS) pour rechercher
et atteindre le PPM du GPV. La figure (III.3, III.4) montre le principe de recherche et de
recouvrement du Point de Puissance Maximal [27].
Figure III.3: a.variation d’ensoleillement b. charge variable avec Tet E constants
42
Figure III.4 : charge fixe, insolation constantes et température variable

Les trois méthodes les plus couramment rencontrés sont communément appelés respectivement
Hill Climbing, Pertub and Observe (P&O) et l’incrément de conductance (IncCond).
3. Les convertisseur statique DC-DC (Hacheur)

Une commutation d'un convertisseur est constituée de condensateurs, des inductances et des de
la haute efficacité de commutation des convertisseurs. L'interrupteur est réalisé avec un
interrupteurs. Tous ces dispositifs idéalement ne consomment pas d'énergie, qui est la raison
dispositif à semi-conducteurs en mode commuté, généralement un MOSFET. Dans cette partie,
le principe de la conversion de la puissance de commutation est introduit et ses détails sont
discutés. Le modèle mathématique pour le convertisseur boost est dérivé de représenter l'état
stable du circuit et du comportement dynamique.
Dans cette partie nous présentons le principe de convertisseurs DC/DC (Buck-Boost), utilisés
fréquemment dans les systèmes photovoltaïques pour générer les tensions et les courants
souhaités. Ce type de convertisseurs n'est constitué que par des éléments réactifs (Selfs,
Capacités) qui, dans le cas idéal, ne consomment aucune énergie [31]. C’est pour cette raison
qu'ils sont caractérisés par un grand rendement. L’interrupteur du convertisseur est attaqué par
un signal MLI (Modulation Large Impulsion), avec une fréquence Fs fixe et un rapport cyclique
D variable.
3.1. Le convertisseur Buck-boost

La topologie de base de ce convertisseur est donnée par la figure (III.5). 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. Dans le cas où le transistor est sur la
43
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.
Figure III.5 Système PV conçu autour d’un hacheur survolteur/dévolteur [28]
3.1.1. Valeur moyenne de la Tension de sortie de l’hacheur
Afin de déterminer l’expression de VSO nous commençons par calculer la valeur moyenne
de la tension au borne de l’inductance L, nous avons :
(III.1)
(III.2)
(III.3)
(III.4)
On sait que la tension moyenne aux bornes de l'inductance est toujours nulle donc on a, en
conduction continue la valeur moyenne de tension de sortie :
(III.5)
Donc le Courant moyen de sortie égale à :
(III.6)
44
3.1.2. Ondulation du courant dans l’inductance
Pendant la phase ou le transistor est passant la tension au borne de l’inductance s’écrit :
(III.7)
(III.8)
Cette ondulation permet de dimensionner l’inductance L pour assurer le mode de conduction

continue.
3.1.3. Ondulation de la tension de sortie
de à 𝛼𝑇 l'interrupteur commandé est fermé, la diode est ouverte et la bobine stocke l'énergie
fournie par le générateur d'entrée. On aura :
(III.9)
(III.10)
De αT à T, l'interrupteur commandé est ouvert et la diode devient passante, la bobine restitue

alors son énergie à la charge
(III.11)
(III.12)
La variation VS de la tension de sortie sont défini par :
(III.13)
45
Compte tenu des hypothèse adopté le courant dans le condensateur varie linéairement ce qui
permet d’écrire :
(III.14)
(III.15)
(III.16)
3.1.4. Ondulation de la tension d’entrée
Le courant dans l’inductance peut être décomposé en courant continu égale au courant d’entre
superpose à un courant alternatif triangulaire Il alt. [28]
(III.17)
L’ondulation de la tension d’entre PV se déduit de l’équation différentielle régissant la tension

et le courant dans le condensateur, soit
(III.18)
En développant : (III.19)
Ou Vpv0 tension à l’entré a un instant donné
L’intégration sur une demi période de la tension nous donne
(III.20)
En tenant compte de l’équation (III.8) on obtient
(III.21)
46
3.1.5. Condition d’adaptation pour un hacheur buck-boost
Dans ce qui suit nous allons déterminer la plage de variation de la résistance d’entre d’un
hacheur buck-boost connecte à un générateur PV
En régime continu nous avons
(III.22)
A partir des équations (III.5) et (III.6) l’équation (III.22) devient
(III.23)
la résistance d’entre d’un hacheur buck-boost peut donc prendre n’importe quelle valeur entre
0 et ∞ par voie de conséquence l’hacheur buck-boost est affranchi des restrictions impose aux
deux autre convertisseur [28]
Le point de puissance maximale peut donc être atteint quelle que soit la valeur de la charge par
contre pour un Convertisseur Buck on a :
La résistance d’entre du convertisseur est donne par :
(III.24)
Cette résistance varie donc dans l’intervalle [RL ∞]. De par son concept, le système de
poursuite de point de puissance va modifier la valeur de La résistance d’entre du convertisseur

dans le but d’avoir
Si la valeur de RPPM n’est pas dans l’intervalle défini, le point de fonctionnement optimale ne
sera jamais atteint
On définit pour RL >RPPM zone de « non capture » de PPM
47
Et la même chose peut être constaté avec un Convertisseur boost ou La résistance d’entré du
convertisseur est donne par :
(III.25)
Cette résistance varie donc dans l’intervalle [0 RL].
On définit pour RL <RPPM zone de « non capture » de PPM
Pour un fonctionnement correct de système PV il faut que la charge soit supérieur a la charge
optimale RPPM
3.2. Dimensionnement du convertisseur Buck-Boost
Le dimensionnement des éléments de chaque convertisseur est depend de l’application et des

caractéristiques du générateur PV utilisé, dans notre cas le panneau photovoltaïque utilisé
contient 60 cellules en série avec 3 diodes by-pass. Le choix de la valeur de la tension de sortie
dépend de ce que nous voulons faire (cahier de charge). Pour notre application nous l’avons
choisie égale à 30V (nous prenons une charge résistive R=10Ω).
a. Caractéristiques du panneau
Les Caractéristiques du panneau photovoltaïque utiliser dans notre travail sont donnés dans le
tableau suivant :
Tableau III.1. Caractéristiques électriques du panneau SLK60P6 de Siliken.
𝐕 𝐯 =𝐕 = . Vet 𝐕 = V.
48
En appliquant l’équation (III.5), nous trouverons :
𝐕
𝛅 𝐢 𝐚 = = = .
𝐕 +𝐕 𝐯 + .
b. Fréquence de commutation
La fréquence de découpage des convertisseurs DC-DC se situe généralement dans la gamme de
20kHz à 1MHz au-delàs des fréquences audibles, en fonction de la vitesse des dispositifs semi-
conducteurs. Dans notre travail, nous avons choisi d’opérer à une fréquence de commutation
de 20kHz.
c. Ondulations de courant et de tension
Il a été recommandé dans des études pareilles de prendre une ondulation de tension (entrée ou
sortie) égale à 1% de la tension globale et une ondulation du courant dans la bobine égale à
10% du courant d’entré [14], [29].
Nous avons :
∆𝐢𝐋 = % = % . = . 𝐀
D’après l’équation (III.8) nous aurons :
𝐕 𝐯∗𝛅 . ∗ .
𝐋= = = .
∆𝐢𝐋 ∗ . ∗ ∗
Il s’agit de la valeur minimale de l’inductance qui assure le mode de conduction continue, pour
éviter de sortir de l’intervalle de garantie
∆V = %V = . V.
D’après l’équation (III.16) :
δV . 9 ∗
C = = 3
= . μF
∆V ∗ R ℎ𝑎𝑟𝑔 ∗ f . ∗ ∗ ∗
49
∆V v = %V v = %∗ . = . V
D’après l’équation (III.21)
𝛅𝐕 𝐯 . ∗ .
𝐂 = = − ∗
= . 𝛍𝐅
∗ ∆𝐕 𝐯 ∗ 𝐋 ∗ ∗ . ∗ ∗
3.3. Plage de variation du rapport cyclique

Dans ce qui suit, la valeur 𝑉 doit être compriseentre 0 et 𝑉 _ 𝑎𝑥 et le rapport cyclique doit
être dans l’intervalle [0 1]. En pratique, avoir des informations sur la localisation du point de
puissance maximale global permet de réduire l’espace de recherche et donc de fixer les limites
de la plage de variation du rapport cyclique [𝛅 𝑖 𝛅 𝑎𝑥 ]avec 𝛅 𝑖 > et𝛅 𝑎𝑥 < . La figure
(III.6) donne la caractéristique I-V relevée sous des conditions extrêmes [14]. En prenant
comme conditions minimales 200W/m² et 7°C, et conditions maximales 1000W/m² et
′
65°C, les valeurs limites (V _ x, V _ i ,I _ x et I′ _ i sont déterminées alors par
l’intersection des droites de charge avec les courbes I-V.
Icc-max 8
1000W/m²-7°C
1000W/m²-65°C
200W/m²-7°C
7
1/Rpv-min 1000W/m²-25°C
200W/m²-65°C
5
Courant(A)
Icc-min 1/Rpv-max
1
I'cc-min
0
0 5 10 15 20 25 30 35 40 45
V 'oc-min Vco-max
Vco-min Tension(V)
Fig. III.6. Courbes I(V) et droites de charge maximale et minimale sous des conditions
extrêmes [14].
50
D’après la figure (III.6),nous pouvons calculer 𝑅 𝑣_ 𝑖 et 𝑅 𝑣_ 𝑎𝑥 comme suit :
𝐕′ _ 𝐢 (III.26)
𝐑 𝐯_ 𝐢 = = = . 𝛀
_ 𝐚𝐱 .
(III.27)
𝐕 _ 𝐚𝐱 .
𝐑 𝐯_ 𝐚𝐱 = = = . 𝛀
′ _ 𝐢 .
A partir de l’équation (III.23), nous trouvons :
√𝐑 𝐋 (III.28)
𝛅=
√𝐑 𝐯 + √𝐑 𝐋
De l’équation (III.25),nous pouvons déterminer les expressions de 𝛂 𝒊 et 𝛂 𝒂𝒙 :
√𝐑 𝐋 (III.29)
𝛅 𝐢 = = .
√𝐑 𝐯_ 𝐚𝐱 + √𝐑 𝐋
√𝐑 𝐋 (III.30)
𝛅 𝐚𝐱 = = .
√𝐑 𝐯_ 𝐢 + √𝐑 𝐋
4. Algorithmes classiques de la commande MPPT

4.1. Principe des techniques Hill Climbing (H.C)
La technique de contrôle nommée Hill Climbing consiste à faire monter le point de fonctionn-
ement le long de la caractéristique du générateur présentant un maximum.
Pour cela, deux pentes sont possibles. La recherche s’arrête théoriquement quand le point de
puissance maximal est atteint. Cette méthode est basée sur la relation entre la puissance du
panneau et la valeur du rapport cyclique applique au Convertisseur. Mathématiquement, le PPM
𝑃 𝑣
est atteinte lorsque ( ) est forcé à zéro par la commande.
𝛅
51
Figure III.7. Relation entre P(V) et le rapport cyclique D du convertisseur statique [29].
4.2. Principe des techniques "Incrément de conductance" (Inc.CoN)

Pour localiser le PPM, la deuxième technique se base sur la connaissance de la variation de
conductance du GPV et des conséquences sur la position du point de fonctionnement par rapport
à un PPM. [29]. Ainsi, la conductance du module photovoltaïque est définie par le rapport entre
le courant et la tension du GPV comme indiqué ci-dessous.
I v
𝐺= (III.31)
𝑉 𝑣
Et une variation élémentaire (incrément) de conductance peut être définie par :
∆I v
∆G = III.
∆V v
D’autre part, l’évolution de la puissance du module (PPV) par rapport à la tension (VPV) donne
la position du point de fonctionnement par rapport au PPM. Lorsque la dérivée de puissance est
nulle, cela signifie que l’on est sur le PPM, si elle est positive le point d’opération se trouve à
gauche du maximum, lorsqu’elle est négative, on se situe à droite. La figure (III.8) permet
d’écrire les conditions suivantes :
𝐏 𝐯
-si > le point de fonctionnement est à gauche de PPM.
𝐕 𝐯
𝐏 𝐯
-si 𝐕 𝐯
= , le point de fonctionnement est sur le PPM.
52
𝐏 𝐯
-si < , le point de fonctionnement est à droite de PPM.
𝐕 𝐯
Figure III.8: Trajectoire par Incrémentation de Conductance
4.3. Algorithme Perturber et observer, ‘P&O’

Le principe de cet algorithme est d’effectuer une perturbation sur la tension du panneau PV tout
en agissant sur le rapport cyclique D comme illustré sur la figure (III.9). En effet, suite à cette
perturbation, on calcule la puissance fournie par le panneau PV à l’instant k, puis on la compare
à la précédente de l’instant (k-1), si la puissance augmente, on s’approche du point de puissance
maximale, ‘PMP’ et la variation du rapport cyclique est maintenue dans le même sens.au
contraire, si la puissance diminue, on s’éloigne du point de puissance maximale,
‘PMP’. Alors, on doit inverser le sens de la variation du rapport cyclique [30]
Figure III.9 : Puissance disponible en fonction de la tension aux bornes d’un panneau solaire
[30].
53
FigIII.10. Organigramme de l’algorithme P&O [30]
5. Algorithmes intelligentes de la commande MPPT

Les méthodes classiques rond efficace dans le cas où la caractéristique p(v)d’un seul point
optimal (absence d’ombrage). Dans le cas contraire, l’application de ces algorithmes pour
localiser le point de puissance maximale en présence des conditions d’ombrage (régime
dynamique) donne des résultats non satisfaisantes, l’algorithme trempe dans la recherche plus
précisément il converge vers premier maximum local. Pour faire face au problème d’existence
de plusieurs maxima locaux, nous envisageons ici la mise en œuvre d’une commande MPPT
basée sur les techniques intelligentes PSO et ABC.
54
Fig. III.11. Schéma de principe du système proposé.
La technique de contrôle généralement utilisée dans Le système considéré (Fig. III.11) consiste
à agir sur le rapport cyclique commandant le convertisseur DC-DC de manière automatique
pour amener le générateur à sa valeur optimale de fonctionnement qu’elles que soient les
instabilités météorologiques ou les variations brutales de charges qui peuvent survenir à tout
moment. Autrement dit, faire un balayage par la droite de charge sur toute la caractéristique I-
V. Le convertisseur DC-DC utilisé dans notre travail est de type Buck-Boost qui est capable de
fonctionner dans une large gamme de tensions de sortie et pour des charges différentes.
5.1. Commande MPPT en utilisant la technique PSO

L’algorithme de commande MPPT basée sur la technique PSO que nous avons mis en œuvre
est donné par l’organigramme de la figure (III.12). Les étapes principales de cet algorithme sont
décrites comme suit :
Etape 1 : La position des particules est définie comme étant la valeur du rapport cyclique α du
convertisseur DC-DC, et la fonction coût est choisie en tant que la puissance P v générée de
l'ensemble du système de production photovoltaïque.
Etape 2 : En phase d'initialisation du PSO, les particules peuvent être placées sur des positions
fixes dans l'espace de recherche de manière aléatoire. Fondamentalement, s’il y a des
informations disponibles concernant la localisation du point de puissance maximale global
55
PPMG dans l'espace de recherche, il est plus logique d’initialiser les particules autour de ce
point. Les particules sont initialisées sur des positions fixes qui couvrent l'espace de
recherche[α i ,α x ]. α x et α i Représentent le rapport cyclique maximal et le rapport
cyclique minimal du signal PWM à appliquer sur le convertisseur DC-DC utilisé,
respectivement.
Etape 3 : Pour chaque particule i, mesurer la tension VPV et le courant IPV du panneau
photovoltaïque, ensuite évaluer la fonction coût donnée par la puissanceP v , Le but de
l'algorithme MPPT est de maximiser la puissance générée par le panneau photovoltaïque
correspondante. Il convient de noter que, dans le but d'acquérir des échantillons corrects,
l'intervalle de temps entre deux évaluations successives de particules doit être supérieur au
temps de stabilisation du convertisseur de puissance.
Etape 4 : Mettre à jour les meilleures données individuelles et globales. Si la valeur de la

fonction coût (fitness) de la particule i est meilleure que la meilleure valeur de la fonction coût
dans la mémoire p e , définissez la valeur actuelle comme une nouvellep e . Ensuite,
choisissez la particule avec la meilleur valeur de la fonction coût de toutes les particules
commeg e .
Etape 5 : Mettre à jour la vitesse et la position de chaque particule. Après que toutes les
particules soient évaluées, la vitesse et la position de chaque particule dans l'essaim doivent être
mises à jour.
56
Fig. III.12. Organigramme de l'algorithme proposé PSO
5.2. Commande MPPT en utilisant la technique ABC

L'optimisation ABC décrite dans le chapitre précédent est maintenant appliqué au sein d’une
technique MPPT avec un léger changement dans la phase des éclaireurs.
Pour réaliser le MPPT basé sur ABC, chaque candidat Solution est définie comme la valeur de
rapport cyclique D du convertisseur DC-DC, Donc le problème d'optimisation a un paramètre
à optimiser (D = 1). Ainsi, les Eq. (II.4) et (II.5) deviennent :
(III.33)
(III.34)
57
L'aptitude de chaque solution (rapport cyclique) est choisie comme puissance générée Ppv de
panneau. Ainsi, l'équation (II.6) devient :
(III.35)
Pour évaluer les rapports cycliques, le contrôleur numérique produit successivement le signal
PWM selon la valeur de Di, puis les valeurs de la tension Vpv et de courant Ipv peuvent être
mesurés et la Puissance (Ppv) peut être calculée à chaque valeur de rapport cyclique Di.
Il convient de noter que, pour obtenir des échantillons corrects, l'intervalle de temps entre deux
évaluations successives du rapport cyclique (Ts) doit être supérieur au temps de stabilisation du
convertisseur de puissance.
La procédure d’application de la méthode proposée peut être divisé en quatre phases :
- Phase d'initialisation
Définir les paramètres de l'algorithme en incluant le nombre de solutions SN, le nombre
maximal de cycles MCN et le temps d'échantillonnage Ts. Ensuite, on génère des rapports
cycliques SN exclusifs répartis de manière décalée à l'aide de l'équation (III.36) et évalués.
Di (i = 1, 2,. . ., SN) (III.36)
Phase des abeilles employées
Les rapports cycliques des abeilles employées sont mis à jour en utilisant (III.4) puis évalués.
Ensuite, le processus de sélection gourmand est appliqué et la valeur de probabilité Pi pour
chaque rapport cyclique (d) en utilisant l'équation (III.35) est calculée.
Phase des spectateurs
La sélection de la roulette est utilisée pour recruter les abeilles spectateurs pour la recherche
locale autour de la valeur du rapport cyclique choisie qui dépend de la probabilité calculée Pi.
Les nouveaux rapports cycliques sont évalués puis le processus de sélection gourmand est
appliqué.
Phase des éclaireurs
L'équation (III.33) est utilisée pour remplacer le rapport cyclique, ce qui donne moins de
puissance avec le nouveau rapport cyclique choisi au hasard. L'évaluation du rapport cyclique
généré est ensuite évaluée.
À la fin de chaque cycle de recherche, l'algorithme mémorise la meilleure solution jusqu'à
présent et répète la procédure à partir de la phase d'abeilles employée jusqu'à ce que le numéro
de cycle maximum (MCN) soit atteint ou jusqu'à ce que la valeur de puissance reste inchangée
dans un nombre de cycles spécifié.
58
L'organigramme de l’ABC de l’MPPT de systèmes PV proposé est illustré à la figure (III.13).
Fig. III.13. Organigramme de l'algorithme proposé ABC [26]
59
6. Simulation des commande MPPT

Dans le cadre de cette étude, la simulation est réalisée à l’aide de deux logiciels :
• Le simulateur Psim pour la simulation de la partie électronique (Hacheur buck-Boost et
Panneaux solaires). Le schéma de simulation est donné par la figure (III.14).
• SimuLink/MatLab pour programmer l’algorithme de la commande MPPT. Le schéma de
simulation est donné par la figure (III.15).
Où
- le couplage entre les deux logiciels est fait par le bloc SimCoupler.
- le bloc « MatLab Function » permet de faire appel à un fichier m-file (.m) contenant le
programme de la commande MPPT utilisé.
Présentation du logiciel de simulation

Le Psim (power simulation) est un logiciel de simulation de l’électronique et
l’électrotechnique, il représente le comportement réel des composants électriques. Il contient
aussi une bibliographie relative aux énergies renouvelables contenant les panneaux solaires et
les aérogénérateurs.
Figure III.14 La partie électronique de la simulation à l’aide du logiciel Psim
60
Fig. III.15. La partie commande de la simulation dans l’environnement SimuLink/MatLab
6.1. Conditions de simulation

Dans les exemples de simulation suivantes, nous allons faire une comparaison entre la puissance
délivrée par le générateur photovoltaïque en cas d’absence et celle en présence d’ombrage en
appliquant la technique classique de la commande MPPT à base de P&O et les techniques méta-
heuristique à base de l’ABC et PSO.
6.1.1. Cas d’un seul maximum
Dans un premier temps, nous avons soumis le système à une radiation de 1000w/m et une
température égale à 25 degrés, et la puissance maximale dans ces conditions est de 210w (figure
(III.16))
On note que le rapport cyclique (𝜹)est représenté par temps (T) dans tous les cas suivants.
210w
Fig. III.16. Courbe P(t) avec éclairement uniforme de 1000W/m²

61
6.1.2. Cas de deux maximums
Dans un deuxième test nous considérons le changement de la valeur de l’ensoleillement

(400 w/m2 ,1000 w/m2 ,400w/m2) ce qui va donner une courbe PV à deux maximums La
puissance maximale délivrée par le GV dans ce cas est 90 W.
90w
70w
Fig. III.17. Courbe P(t) avec des conditions d’ombrage (cas de deux maximums, le max
global se trouve avant le max local)
Pour montrer l’insensibilité de l’algorithme de la commande MPPT à la position du

maximum global, nous considérons la courbe P-V donnée par la figure (III.18), nous sommes
toujours dans le cas de deux maximums, la différence par rapport à l’exemple précédent est la
position du maximum global (1000 w/m2 ,400 w/m2 ,1000w/m2), ou (max local=97.1w) et (max
globale=142.57w)
142.57w
97.1w
Fig. III.18. Courbe P(t) avec des conditions d’ombrage (cas de deux maximums, le max
global se trouve après le max local)
62
6.1.3. Cas de trois maximums
Dans le 3ème test, les radiations pour les trois panneaux donnés par 400 w/m2, 700 w/m2, 900
w/m2 (Figure III.19). La puissance maximale dans ces conditions est de 105.57 W et la figure
de la caractéristique P(t) aura trois maximums. (Le premier max local= 64.15W)
105.57w 97.1w
64.15w
Fig. III.19. Courbe P(t) avec des conditions d’ombrage (cas de trois maximums)
6.2. Résultats de la simulation
6.2.1. Techni que P&O
Les résultats de la simulation qui sont la variation de la puissance et du rapport cyclique(d) (cas
d’un seul sommet, deux sommets ; max global avant max local, max local avant max global et
trois sommets) lors de l’application de l’algorithme sont représentés par les Figures III.20 (a –
d)
210w
(a)
63
90w
(b)
97.1w
(c)
70w
(d)
Fig. III.20. Puissance du GV, (a : un seul sommet, b : 2 sommets max global avant max local,
c : 2sommets max local avant max global, d : 3 sommets).
64
Remarque
La variation de rapport cyclique se fait de la droite vers la gauche (de 0.72 à 0.29)
Les résultats donnés par la figure (a), cas d’un seul sommet (Pmax=210w) et la figure (b) cas
de deux maximums ou le max global se trouve avant le max local (Pmax=90w), montrent qu’il
y a toujours convergence vers le maximum global. Par contre, la courbes de la figure (c) cas de
deux maximums, ou le max global se trouve après le max local montrent que l’algorithme P&O
ne converge pas vers le maximum global (145W), il converge plutôt vers un maximum
local(97.1w).et la même remarque être donné pour la figure (d) cas de 3 maximum, l’algorithme
P&O n’a pas pu converger vers le maximum global (95w).
Ceci, montre clairement l’efficacité de la méthode P&O dans le cas d’un seul point optimal
(absence d’ombrage). Dans le cas contraire, l’application de l’algorithme P&O dans l’extraction
d’un point de puissance maximale en présence des conditions d’ombrage (régime dynamique)
donne des mauvais résultats, en réalité, on peut clairement voir que l’algorithme P&O converge
toujours vers le premier optimum qu’il rencontre soit un global optimum où. Donc ces résultats
ont montré l’importance d’aller vers des technique d’optimisation plus intelligente et efficaces
dans le cas d’ombrage
6.2.2. Technique PSO et ABC
6.2.3. Paramétrages des algorithmes
Les algorithmes ABC et PSO comportent des paramètres à ajuster avant de les utiliser dans la
commande MPPT. La qualité des résultats va dépendre essentiellement des valeurs des
paramètres choisis. Nous avons effectué plusieurs tests afin de pouvoir parvenir à des résultats
acceptables. Le temps de réponse et l’efficacité de la recherche sont pris en considération lors
du paramétrage des algorithmiques ABC et PSO.
Les valeurs choisies des paramètres pour chaque technique sont données dans le tableau suivant
:
technique PS O ABC
paramètre Nombre de Population Nombre de Population Limit
cycle cycle
valeur 30 6 30 6 30
Tableau III.2. Valeurs choisies des paramètres dans la simulation
Lors de la simulation, la comparaison entre les deux méthodes est basée principalement sur
deux caractéristiques :
65
1- Temps moyen de convergence : le temps nécessaire pris par l’algorithme pour converger
vers la valeur finale.
2- Le rendement : les puissances trouvées après convergence de l’algorithme pour chaque
test sont devisées par la valeur de la puissance maximale.
Pour faire cette comparaison on simule les deux algorithmes ABC & PSO en langage Matlab,
sur un même Pc (Intel® Core ™ i3-4005U (1.7GHz,3MB L3) en utilisant les mêmes paramètres
pratiqués pour la simulation (comme indique le tableau si dessus).
Les résultats de la simulation des deux algorithmes PSO et ABC (cas d’un seul sommet, deux
sommets et trois sommets) sont représentés respectivement par les figures III.22 (a – c) et
figures III.23 (a– c).
210w
(a)
66
140w
(b)
104w
(c)

la méthode PSO
67
210w
(a)
142.57w
(b)
68
105.57w
(c)

la méthode ABC
6.2.4. Comparaison des résultats
Dans tous les cas les deux algorithmes de la commande MPPT convergence vers la valeur
maximale de la puissance. Le tableau suivant, montre les résultats de la simulation en exécutant
chaque algorithme 25 fois.
No du Algorithme Meilleure moyen de précision (%) ∆P(w)

sommets solution (W) convergence
1 ABC 210 209.90w 99.78 0.1

PSO 209.79w 99.50 0.21
2 ABC 90 89 98.55 1
PSO 86.32 97.75 3.68
3 ABC 142.57 140.65w 98.49 1.92
PSO 138.05w 97.80 4.52
4 ABC 105.572 104.31w 97.91 1.262
PSO 98.94w 91.8 6.632
Tableau III.3 résultats de la simulation
69
Contrôle Exécution time

Algorithme PN
6 10 16 24 36 48 72 100
ABC 31.7 51.4 80.8 120.4 179.3 237.7 356.2 493.2
PSO 37.3 60.2 94.9 141.8 213.1 280.6 420.8 581.3
Tableau III.4 Temps d'exécution des algorithmes ABC et PSO considérés (DSP). [32]
Les résultats obtenu dans le (tableau III.3) indique que dans le cas d’un seul sommet, nous
avons obtenu la moyenne de la puissance maximale pendant 25 simulation est de 212.90w et
une précision 99.78% en utilisant la méthode ABC, et une moyenne de la puissance maximale
de 212.79w et une précision de 99.50 % en utilisant la méthode PSO. Contrairement au cas de
la méthode ABC, une diminution importante de la valeur du la puissance maximale et de la
précision de la méthode PSO a été enregistrée dans les cas de deux et trois sommets.
Dans le tableau (III.4), nous remarquons aussi que quel que soit le nombre de la population
l’algorithme de la commande MPPT utilisant la technique ABC converge plus rapidement que
celui utilisant la méthode PSO.
Les résultats obtenus ont clairement indiqué que l’algorithmes basés sur ABC est plus efficaces
que ceux basés sur l'algorithme PSO. [32]
7. Conclusion
Dans ce chapitre, nous avons mis au point l’algorithme de la commande MPPT basé sur la
technique d’optimisation par essaim de particules et la technique des abeilles, étudié et
dimensionné, suivant un cahier de charge préalablement fixé, le convertisseur de type Buck-
Boost et effectué des simulations pour montrer l’efficacité de l’algorithme considéré. Dans cette
partie, nous allons effectuer une étude comparative des trois approches pour la poursuite de
PPM (P&O, PSO, et ABC) mettant ainsi en évidence l’efficacité de chaque technique pour
permettre à la fin de montrer la meilleure solution à adopter.
70
Conclusion générale
Les travaux présentés dans ce sujet concernent principalement la problématique de l’effet
de l’ombrage sur la courbe puissance-tension (P-V) d’un système photovoltaïque. Une
attention toute particulière doit être portée sur ce problème sous peine d’une forte réduction
de la productivité des systèmes rendant moins attractif le photovoltaïque d’un point de vue
économique. L’objectif était de proposer, à travers une étude comparative, un algorithme
MPPT qui permet de réduire au mieux les pertes dues à l’ombrage.
Au cours de ce travail nous avons développé des méthodes MPPT basée sur des différents
types d’algorithmes de maximisation. Les résultats de la simulation d’une technique classique
qui est ‘’perturbation et observation’’ ont montrés l’échec de ces méthodes lors de la
recherche du PPM sous des conditions d’ombrage expliquant la nécessité d’aller vers des
algorithmes plus efficaces d’optimisation.
A travers la comparaison entre les deux techniques méta heuristiques l'optimisation par
essaim de particules PSO et l'optimisation par colonies d’abeilles artificielles (ABC) et en
faisant des différentes simulations, nous avons démontrés, que le type d’algorithme ABC est
très utiles dans la poursuite du point de puissance maximal en présence des conditions
d’ombrage notons que le temps de convergence est moins rapide que celle pris par le type
d’algorithme PSO.
Ce mémoire représentera une base pour d’éventuels travaux futurs. On propose les
perspectives suivantes :
1. Implémentation de l’algorithme MPPT basé sur le ABC sur un banc d’essai.
2. Faire une étude afin de trouver la meilleure configuration des diodes bypass concernant leur
positionnement dans les cellules photovoltaïques afin de réduire au mieux les pertes de
puissance dues à l’ombrage.
71
Bibliographie
[1] La production d’électricité d’origine renouvelable dans le monde. Quinzième inventaire.
Observ’ER, 2013
[2] A. Bouden : ’ Analyse optimisée de système de pompage photovoltaïque’, Mémoire de
Magister, Université Mentouri de Constantine, 2008.
[3] Ministère de l’énergie et des mines Algérie, Guide des énergies renouvelables, édition
2007
[4] Programme National des Energies Renouvelables et de l’Efficacité Energétique. Ministère
des Energies et des Mines (MEM), Algérie.www.mem-algeria.org,
[5] Antonio Luque and Steven Hegedus,"Handbook of Photovoltaic Science and

Engineering", John Wiley & Sons Ltd, 2003
[6] F. Kininger, "Photovoltaic Systems Technology", University of Kassel, 2003
[7] 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.
[8] ZekaiSen, "Solar Energy Fundamentals and Modeling Techniques”; Springer-Verlag

London Limited, 2008.
[9] Boudjema Mohammed, Belhaouas Nasreddine : ‘Commande d’une poursuite du

point de puissance maximum (MPPT) par les Réseaux de Neurones et implémentation sur
FPGA et DSP’, Mémoire d’ingénieur, Ecole Nationale Polytechnique, 2007.
[10] O. BOUKLI-HACENE, "Conception et réalisation d’un générateur photovoltaïque muni

d’un convertisseur MPPT pour une meilleur gestion énergétique" mémoire de magister 2011
Université de TLEMCEN.
[11] M. ADOUANE ”Etude et conception d’une stratégie de commande d’un onduleur

Connecté au réseau électrique” mémoire de magister 2008, ENP, Alger Algérie.
[12] A. RUFER ”Cours d'Electronique de puissance Conversion DC/DC” Ecole

Polytechnique Fédérale de Lausanne
[13] M.Angel Cid Pastor, Conception et réalisation de modules photovoltaïques

électroniques, Thèse de doctorat, Institut National des Sciences Appliquées de Toulouse,
septembre 2006.
[14] Bendahou Djamel et Bourouis El-Abbes. Commande MPPT pour les systèmes
photovoltaïques en utilisant l'optimisation par essaim de particules. Mémoire de master,
Université SAAD DAHLAB de BLIDA, Blida, 2013.
[15] J. Charles Boisson, ꞌꞌ Algorithmes génétiques et calcul haute performanceꞌꞌ,

J.-C. Boisson Journée modélisation et calcul, université de Reims, 2011.
[16] Boudouani Yacine , Contribution a la synthese automatiques des systemes flous par
aproche metha heuristique, Mémoire de Magister Université M’hamed Bougara
Boumerdes 2015.
[17] RAIHANI Hind, Adaptation de l’algorithme des colonies d’abeilles pour l’optimisation
et le dimensionnement des circuits intégrés analogiques, mémoire d’Ingénieur d’Etat,
Université Sidi Mohamed Ben Abdellah FES MAROC
[18] Blum, C. and D. Merkle, Swarm Intelligence, Introduction and Applications. 2008,
Germany: Springer-Verlag Berlin Heidelberg.
[19] Mahamed G. H. Omran. Particle swarm optimization methods for pattern.

November 2004.
[20] Clerc, M. and J. Kennedy, The particle swarm - explosion, stability, and convergence in a
multidimensional complex space. Evolutionary Computation, IEEE Transactions on,
2002. 6(1): p. 58-73.
[21] Xinchao, Z., A perturbed particle swarm algorithm for numerical optimization. Applied
Soft Computing, 2010. 10(1): p. 119-124.
[22] Silva, A., A. Neves, and E. Costa, SAPPO: A Simple, Adaptable, Predator Prey
Optimiser, in Progress in Artificial Intelligence, F. Pires and S. Abreu, Editors. 2003,
Springer Berlin Heidelberg. p. 59-73.
[23] Nasir, M., S. Das, D. Maity, S. Sengupta, U. Halder, and P.N. Suganthan, A dynamic
neighborhood learning based particle swarm optimizer for global numerical
optimization. Information Sciences, 2012. 209(0): p. 16-36.
[24] Benyoucef Abousoufyane, Contribution to the development of real- time control of

Photovoltaic grid connected inverter, These de doctorat , University SAAD DAHLAB de
BLIDA, Blida, 2015.
[25] Chang W-D. Nonlinear CSTR control system design using an artificial bee colony
algorithm. Simulation Modeling Practice and Theory 2013;31:1-9.
[26] Benyoucef As, Chouder A, Kara K, Silvestre S, Ait sahed O. Artificial bee colony based
algorithm for maximum power point tracking (MPPT) for PV systems operating under partial
shaded conditions. Applied Soft Computing 2015;32:38-48.
[27] M.BOUDJEMA et N. BELHAOUAS ‘’ Commande d’une poursuite du point de
puissance maximum (MPPT) par les réseaux de neurones et implémentation sur FPGA et
DSP’’, thèse d’ingénieur, E.N.P, Alger 2007.
[28] M Ait-Chiekh ‘Etude, investigation et conception des algorithmes de commande

appliqués au system PV’, Thèse de doctorat d’Etat ENP D’Alger, 2007
[29] A. Chermitti, O. Boukli-Hacene and S. Mouhadjer, ‘Design of a Library of Components

for Autonomous Photovoltaic System under Matlab/Simulink’, International Journal of
Computer Applications, Vol. 53, N°14, 2012.
[30] J. H. Lee, H. B. Bo, H. Cho, “Advanced incremental conductance MPPT algorithm with
a variable step size”, Power Electronics and Motion Control Conference, 2006, EPE-PEMC
2006. 12th International, pp. 603-607, Aug. 2006.
[31] M. Moulay-Amar et M. Loghouini, « Etude et réalisation d’un système de poursuite de
point de puissance maximale à base de microcontrôleur destiné à une installation
photovoltaïque », Mémoire d’ingéniorat, université de Ouargla, Algérie, 2005.
[32] Ait Sahed Oussama, FUZZY PREDICTIVE CONTROL USING META-HEURISTIC

ALGORITHMS, THESE DE DOCTORAT, University SAAD DAHLAB de BLIDA, Blida,
2015.

Memoire Final Corrigé Original222

Transféré par

Droits d'auteur :

Formats disponibles

Memoire Final Corrigé Original222

Transféré par

Informations du document

Titre original

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

Memoire Final Corrigé Original222

Transféré par

Droits d'auteur :

Formats disponibles

‫اط ا‬ ‫ا‬ ‫ا ـ ر ا ا‬

République Algérienne démocratique et populaire

Mémoire de Projet de Fin d’Études

Option : conversion Photovoltaïque

Commande MPPT pour les systèmes photovoltaïques

Proposé par : Dr. Ait Sahed. O

Année Universitaire 2016-2017

Je tiens à remercier dieu de m’avoir donné la patience de terminer ce travail.

‫ ﺧﻠﯾﺔ اﻟﻧﺣل‬,‫ ﺳﺮب اﻟﺠﺴﯿﻤﺎت‬،‫ﺗﺘﺒﻊ ﻧﻘﻄﺔ اﻟﻄﺎﻗﺔ اﻷﻋﻈﻤﯿﺔ اﻟﻜﮭﺮوﺿﻮﺋﯿﺔ‬

GPV : Générateur Photovoltaïque,

C : Vitesse de la lumière [m/s],

h: Constante de Planck [6,62.10-34 J.s],

λ : Longueur d'onde lumineuse [m],

AM : Nombre de masse d’air,

I v : Courant fourni par la cellule,

I : Le photo-courant de la cellule dépendant de l’éclairement et de la température, il est

ID : Courant circulant dans la diode,

E : L’éclairement absorbé par la cellule,

E : L’éclairement de référence (1000W/m²),

I : Le courant de saturation inverse de la diode,

m : Facteur de non idéalité de la jonction (comprend entre 1 et 2 selon la technologie),

V v : La tension aux bornes de la cellule,

Tc : La température effective de la cellule en Kelvin,

q : La charge d’un électron ,6. − 9

Tc : Température de la cellule en Kelvin,

CHAPITRE I : Généralités sur les systèmes PV

Tableau I. Potentiel solaire en Algérie [3]……………………………………………………..4

CHAPITRE II : optimisation par colonies d’abeilles artificielles (ABC)

Tableau II.2: les déférent phases de l’algorithme ABC [17]…………………………………………...30

Tableau II.3: Les paramètres de l’algorithme ABC [24]………………………. ……………31

Tableau.II.6. Résultats d’optimisation en utilisant la méthode ABC pour plusieurs population et

Figure I.4: Programme des EnR en Algérie [4]………………………………………………..5

Figure 1.5 : Architecture d’un système PV isolé………………………………………………6

Figure 1.6 : Architecture d’un système PV connecté au réseau [5]……………………………7

Figure I.10 : Schéma équivalent d’une cellule idéale………………………………………...11

Fig. I.13: Caractéristiques I(V) et P(V) d’un générateur PV en fonction de différentes

FigI.16 : Caractéristiques du groupement série des modules photovoltaïques[11]…………..16

FigI.17 : Caractéristiques du groupement parallèle des modules photovoltaïques [11].……..16

CHAPITRE II : optimisation par colonies d’abeilles artificielles (ABC)

Figure II. 1 : Classification des méthodes d’optimisation [15]……………………………….21

Figure.II.7. Courbe de la fonction cout (a)…………………………………………………...36

CHAPITRE III : Commande MPPT étude et simulation

Figure III.8: Trajectoire par Incrémentation de Conductance………………………………...53

FigIII.10. Organigramme de l’algorithme P&O [30]…………………………………………54

Fig. III.11. Schéma de principe du système proposé…………………………………………55

Figure III.14 La partie électronique de la simulation à l’aide du logiciel Psim………………60

Fig. III.15. La partie commande de la simulation dans l’environnement SimuLink/MatLab..61

Fig. III.16. Courbe P-V avec éclairement uniforme de 1000W/m²…………………………...61

6. Générateur photovoltaïque (GPV) …………………………………………..15

Chapitre III : Commande MPPT : Etude et Simulation

Figure I.1. Contribution des différentes sources d’énergies dans la productiod’électricité

2.2. Le potentiel de rayonnement solaire en l’Algérie

Figure I.2 : Le potentiel de rayonnement solaire en l’Algérie (décembre, juillet)

Régions Région côtière Hauts plateaux Sahara

Durée moyenne d’ensoleillement 2650 3000 3500

Energie moyenne reçue 1700 1900 2650

Tableau I. Potentiel solaire en Algérie [3]

2.3 Programme des énergies renouvelables en Algérie

Figure I.4: Programme des EnR en Algérie [4]