Modelisation de Ligne de Transport Electrique

RÉPUB L I Q U E A L G É R I EN N E DÉM O C RA T I Q UE ET PO P U LA I RE
M INI S T ÈR E D E L’ EN S EI G N EM EN T S UP ÉR I EU R E T D E L A
RE CH E RCH E S CI E N T IF I QU E
UN IV E RS I T É D ES FR ÈR E S M E N TO U R I CO NS T AN T IN E
FAC U L T É D E S SC I E NC E S D E L’ I N G ÉN I E UR
DE PA R T EM EN T D’ E L EC T RO T EC H N I Q UE
N° Ordre : ……………………
Série : …………………………
THÈSE
Présentée pour obtenir le diplôme de

DOCTORAT EN SCIENCE
En ELECTROTECHNIQUE
----------------------
RÉPARTITION OPTIMALE DES PUISSANCES
UTILISANT LES TECHNIQUES DE
L’INTELLIGENCE ARTIFICIELLE
----------------------
Option : ÉLECTROTECHNIQUE
Par :
Mr DRAIDI ABDELLAH
Date de Soutenance : 11 juillet 2016
Devant le jury :
Président BOUZID Aissa Prof. Université des Frères Mentouri Constantine

Rapporteur LABED Djamel MCA Université des Frères Mentouri Constantine
Examinateurs CHIKHI Khaled Prof. Université Batna 2
FETHA Cherif Prof. Université Batna 2
CHENNI Rachid Prof. Université des Frères Mentouri Constantine
Année 2016
Dédicaces
Dédicaces
Je dédie ce modeste travail à la mémoire de mon oncle Mohamed
À ma femme
À mon fils Dhia Eddine
À ma mère, À mon père
À mon frère Djamel et à ma sœur Imène
À toute ma famille et à tous mes amis...
I
Remerciements
Remerciements
Je tiens à exprimer ma profonde gratitude à Monsieur Labed
Djamel, Maître de conférences Classe A à l’université des Frères
Mentouri Constantine, Pour m’avoir accueilli et m’accepter au sein
de son équipe et pour avoir dirigé ce travail et m'avoir guidé,
encouragé et conseillé tout au long de ces années de Doctorat.
Je tiens à remercier Monsieur Aissa Bouzid
Professeur à l’université des Frères Mentouri Constantine, pour
m’avoir fait l’honneur de présider mon jury.
Mes remerciements vont aussi à Monsieur Chikhi Khaled,
Professeur à l’université Batna 2, pour m’avoir fait l’honneur
d’évaluer mon travail.
Je remercie également Monsieur Fetha Cherif, Professeur à
l’université Batna 2, pour avoir jugé ma thèse de Doctorat.
Je tiens à remercier aussi Monsieur Chenni Rachid, Professeur
à l’université des Frères Mentouri Constantine, pour avoir examiné
ma thèse.
II
Remerciements
Finalement et tout particulièrement je remercie mes parents,
et ma femme pour leur soutien inconditionnel tout au long de ces
longues années d’étude.
III
Table des Matières
Table des Matières

Dédicaces ......................................................................................................................................... I
Remerciements ............................................................................................................................... II
Table des Matières ........................................................................................................................ IV
Liste des Figures...........................................................................................................................VII
Liste des Tableaux .......................................................................................................................... X
Liste des Symboles ........................................................................................................................ XI
Introduction Générale................................................................................................................... 1
Chapitre 1 GÉNÉRALITÉS SUR LES RÉSEAUX ÉLECTRIQUES .................................. 4
1. GÉNÉRALITÉS SUR LES RÉSEAUX ÉLECTRIQUES.................................................. 5
INTRODUCTION ....................................................................................................... 5
PRODUCTION DE L’ENERGIE ELECTRIQUE ..................................................... 6
1.2.1. TYPES DE CENTRALES ELECTRIQUES ...................................................... 7
TRANSPORT DE L’ENERGIE ELECTRIQUE ...................................................... 14
1.3.1. LES POSTES DE LIVRAISON HTB .............................................................. 15
DISTRIBUTION DE L’ENERGIE ELECTRIQUE ................................................. 17
1.4.1. LES POSTES DE LIVRAISON HTA (POSTE SOURCE).............................. 18
CONCLUSION ......................................................................................................... 20
Chapitre 2 ÉCOULEMENT DE PUISSANCE ..................................................................... 21
2. ÉCOULEMENT DE PUISSANCE ................................................................................... 22
INTRODUCTION ..................................................................................................... 22
2.1.1. OBJECTIFS ...................................................................................................... 22
LA PUISSANCE DANS LES CIRCUITS ALTERNATIFS .................................... 23
2.2.1. LA PUISSANCE COMPLEXE ........................................................................ 25
2.2.2. LA CONSERVATION DE L’ÉNERGIE ......................................................... 25
REPARTITION DE LA PUISSANCE DANS UNE BRANCHE NODALE ........... 26
2.3.1. SIMPLIFICATION DE L’ECOULEMENT DE PUISSANCE DE LA
LIGNE 28
2.3.2. REGULATION DE LA TENSION .................................................................. 28
LES CONSTANTES ABCD ..................................................................................... 29
LES MODELES DES LIGNES DE TRANSMISSION ........................................... 30
2.5.1. LIGNE MOYENNE DE TRANSMISSION ..................................................... 30
2.5.2. LIGNE LONGUE DE TRANSMISSION......................................................... 31
2.5.3. COEFFICIENT DE REFLEXION .................................................................... 34
2.5.4. DIAGRAMME EN TREILLIS ......................................................................... 35
2.5.5. IMPEDANCE CARACTERISTIQUE .............................................................. 36
2.5.6. LONGUEUR D’ONDE..................................................................................... 36
LIGNE D'ALIMENTATION REGLÉE.................................................................... 37
IV
Table des Matières
L’EFFET FERRANTI ............................................................................................... 38

MODELISATION DES ELEMENTS DE RESEAU ............................................... 39
2.8.1. MODELISATION D’UN TRANSFORMATEUR A DEUX
ENROULEMENTS ........................................................................................................... 39
2.8.2. GENERATEURS ET CHARGES .................................................................... 40
LES VARIABLES SYSTEMES DANS L’ECOULEMENT DE PUISSANCE ...... 41
METHODES DE RESOLUTION DE L’ECOULEMENT DE PUISSANCE ......... 42
2.10.1. TYPE DE JEUX DE BARRES ......................................................................... 43
2.10.2. METHODES DE GAUSS-SEIDEL UTILISANT LA MATRICE-Y .............. 44
2.10.3. METHODE DE GAUSS–SEIDEL UTILISANT LA MATRICE Z ................ 50
2.10.4. LA MÉTHODE DE NEWTON-RAPHSON .................................................... 51
2.10.5. SOLUTION DE L’ECOULEMENT DE PUISSANCE UTILISANT
LA METHODE DE NEWTON RAPHSON ..................................................................... 55
2.10.6. MÉTHODE D'ÉCOULEMENT DE PUISSANCE DÉCOUPLÉ RAPIDE ..... 59
2.10.7. MODELE D'UN TRANSFORMATEUR DEPHASEUR ................................ 61
ECOULEMENT ET CONTROLE DE LA PUISSANCE REACTIVE ................... 62
2.11.1. REGLAGE DE LA TENSION ......................................................................... 63
2.11.2. COMPENSATION DE L’ENERGIE REACTIVE........................................... 64
CONCLUSION ......................................................................................................... 65
Chapitre 3 RÉSEAUX DE NEURONES ET LOGIQUE FLOUE ..................................... 66
3. RÉSEAUX DE NEURONES ET LOGIQUE FLOUE ..................................................... 67
INTRODUCTION ..................................................................................................... 67
LES RESEAUX DE NEURONES ............................................................................ 67
3.2.1. MODELE D’UN NEURONE ........................................................................... 67
3.2.2. FONCTIONS DE TRANSFERT ...................................................................... 69
3.2.3. APPRENTISSAGE D’UN RESEAU DE NEURONES ................................... 70
3.2.4. ARCHITECTURE DE RESEAU...................................................................... 71
3.2.5. RETROPROPAGATION DE L’ERREUR (BACKPROPAGATION) ............ 72
LA LOGIQUE FLOUE ............................................................................................. 74
3.3.1. LES ENSEMBLES FLOUS (FUZZY SETS) ................................................... 75
3.3.2. FONCTIONS D’APPARTENANCE ................................................................ 75
3.3.3. TYPES DE FONCTIONS D’APPARTENANCE ............................................ 76
3.3.4. LES VARIABLES LINGUISTIQUES ............................................................. 77
3.3.5. OPERATEURS FLOUS ................................................................................... 78
3.3.6. SYSTEME DE COMMANDE FLOU .............................................................. 79
ANFIS (ARTIFICIAL NEURO FUZZY INFERENCE SYSTEMS) ....................... 81
3.4.1. INTRODUCTION ............................................................................................. 81
3.4.2. ARCHITECTURE DES ANFIS ....................................................................... 82
3.4.3. COMPLEXITE DE CALCUL DES ANFIS ..................................................... 84
3.4.4. DIAGRAMME DE FLUX DE BASE DES CALCULS DANS ANFIS .......... 85
CONCLUSION ......................................................................................................... 85
Chapitre 4 APPLICATION DES ANFIS AUX RESEAUX ELECTRIQUES ................... 86
V
Table des Matières
4. APPLICATION DES ANFIS AUX RÉSEAUX ÉLECTRIQUES................................... 87

INTRODUCTION ..................................................................................................... 87
ECOULEMENT DE PUISSANCE UTILISANT LES ANFIS ................................ 87
4.2.1. LA SIMULATION UTILISANT LES TECHNIQUES
CONVENTIONNELLES .................................................................................................. 89
4.2.2. ESTIMATION DE L’AMPLITUDE DES TENSIONS UTILISANT LES
ANFIS 91
4.2.3. ESTIMATION DES ANGLES DE PHASE DES TENSIONS ........................ 95
ESTIMATION DE LA CONSOMMATION (LOAD FORECASTING)
UTILISANT LES ANFIS ..................................................................................................... 98
4.3.1. LES METHODES DE RESOLUTION DE L’ESTIMATION DE LA
CONSOMMATION (LOAD FORECASTING) .............................................................. 99
4.3.2. APERÇU SUR LE RESEAU ELECTRIQUE ALGERIEN ........................... 101
4.3.3. PREPARATION DES DONNEES ................................................................. 102
4.3.4. ARCHITECTURE DE L’ANFIS .................................................................... 103
4.3.5. TEST DE L’ANFIS ......................................................................................... 107
CONCLUSION ....................................................................................................... 108
Conclusion Générale ................................................................................................................. 109
Annexes ...................................................................................................................................... 110
Annexe 1 ............................................................................................................................. 110
A1. FORMATION DES MATRICES DE RÉSEAU.......................................................... 110
A1.1. FORMATION DE LA MATRICE D’ADMITTANCE Ybus ................................ 110
A1.2. FORMATION DE LA MATRICE D’IMPEDANCE Zbus .................................... 111
A1.3. EXEMPLE DE CONVERSION DE LA MATRICE Y A LA MATRICE Z ....... 114
Annexe 2 ............................................................................................................................. 116
Références Bibliographiques .................................................................................................... 121
VI
LISTE DES FIGURES
Liste des Figures
Chapitre 01 GÉNÉRALITÉS SUR LES RÉSEAUX ÉLECTRIQUES
Figure 1-1 Réseau de production et de transport Algérien 6

Figure 1-2 Principe de fonctionnement d’une centrale à cycle combiné. 8
Figure 1-3 Principe d’une centrale nucléaire 9
Figure 1-4 Principe d’une centrale solaire thermique 11
Figure 1-5 Principe d’une centrale solaire photovoltaïque 12
Figure 1-6 Diagramme du compartiment essentiel d’une large turbine 13
éolienne
Figure 1-7 Architecture générale d’un réseau électrique 14
Figure 1-8 Niveaux de tension sur le réseau électrique 15
Figure 1-9 Alimentation simple antenne d’un poste de livraison HTB 16
Figure 1-10 Alimentation double antenne d’un poste de livraison HTB 16
Figure 1-11 Structure générale d'un réseau privé de distribution 17
Figure 1-12 Départ en simple dérivation des postes source 18
Figure 1-13 Départ en coupure d’artère des postes source 19
Figure 1-14 Départ en double dérivation des postes source 19
Chapitre 02 ÉCOULEMENT DE PUISSANCE

Figure 2-1 Écoulement de puissance sur une ligne à deux extrémités 26
Figure 2-2 (a) représentation schématique d'un réseau à deux extrémités 29
utilisant des constantes ABCD (b) deux extrémités en série (c)
deux extrémités en parallèle
Figure 2-3 Représentation d’une ligne de transmission en π avec son 31
diagramme vectoriel
Figure 2-4 Représentation d’une ligne de transmission en T avec son 31
diagramme vectoriel
Figure 2-5 Modèle d’une section élémentaire d’une ligne longue de 32
transmission
Figure 2-6 (a) l’ondes incidente et réfléchie à un changement d'impédance 35
dans une ligne longue de transmission ; (b) le renforcement des
ondes incidentes et réfléchie ; (c) onde incidente et réfléchie
traversant l'une et l'autre.
VII
LISTE DES FIGURES
Figure 2-7 (a) Un point P à l'instant t’ sur un signal d'impulsion appliquée à 36

l'extrémité d'envoi d'une ligne de transmission ; (b) diagramme
de treillis.
Figure 2-8 (a) circuit équivalent d'un transformateur à rapport réglable en 40
ignorant les éléments shunts ; (b) impédance équivalente du
réseau ; (c) admittance équivalente de réseau.
Figure 2-9 Illustration du processus itératif numérique pour la valeur finale 44
d'une fonction
Figure 2-10 Organigramme du processus itératif de base des itérations de 45
type Jacobi
Figure 2-11 Organigramme de la méthode de Gauss- Seidel d'écoulement de 49
puissance
Figure 2-12 Illustration graphique de la méthode de Newton-Raphson 53
Figure 2-13 Nœud typique d’un réseau électrique 56
Figure 2-14 (a) diagramme de l’injection de la tension d’un transformateur 61
déphaseur, (b) schéma d’un transformateur déphaseur
Chapitre 03 RÉSEAUX DE NEURONES ET LOGIQUE FLOUE

Figure 3-1 Modèle d’un neurone artificiel 68
Figure 3-2 Représentation matricielle d’un neurone artificiel 69
Figure 3-3 Fonction de transfert log-sigmoïde 69
Figure 3-4 Fonction de transfert tan-sigmoïde. 69
Figure 3-5 Fonction de transfert linéaire 70
Figure 3.6 Représentation matricielle d’un réseau de trois couches. 71
Figure 3-7 Types de fonctions d’appartenance : (a) Γ-fonction (b) fonction 77
en S, (c) fonction en L (d) fonction en Λ ;(e) fonction gaussienne
; (f) fonction en π
Figure 3-8 Schéma d'un contrôleur flou typique 79
Figure 3-9 La fonction d'appartenance des valeurs linguistiques de sortie 80
Figure 3-10 Distribution de La possibilité d'une condition de sortie 80
Figure 3-11 Structure du system ANFIS 83
Figure 3-12 Diagramme de flux de base des calculs dans anfis 85
Chapitre 04 APPLICATION DES ANFIS AUX RÉSEAUX

ÉLECTRIQUES
Figure 4-1 Réseau IEEE 39 bus system 88
Figure 4-2 Architecture de l’ANFIS utilisé 91
Figure 4-3 Données d’apprentissage en fonction de la sortie ANFIS 92
Figure 4-4 Données de test (testing) en fonction de la sortie ANFIS 93
VIII
LISTE DES FIGURES
Figure 4-5 . Données de vérification (cheking) en fonction de la sortie 93

ANFIS
Figure 4-6 Architecture de l’ANFIS utilisé 95
Figure 4-7 Données d’apprentissage en fonction de la sortie ANFIS 96
Figure 4-8 Données de test (testing) en fonction de la sortie ANFIS 97
Figure 4-9 Données de vérification (cheking) en fonction de la sortie ANFIS 97
Figure 4-10 L'évolution historique de la demande maximale de 2000 à Août 101
2011
Figure 4-11 Comparison between load curves of two days with maximum 102
demand
Figure 4-12 Architecture de l’ANFIS 104
Figure 4-13 Réponse de l’ANFIS de Mars 2010 à Février 2012 106
Figure 4-14 Test de réseau à l'aide des données Mars 2012 107
Annexe 01
Figure A1-1 Élément du réseau (ligne, câble) 110
Figure A1-2 Partie de réseau 111
Figure A1-3 Ajout de branche et /ou corde 112
Annexe 02
Figure. A2.1 Trajectoire de la descente du gradient 119
IX
LISTE DES TABLEAUX
Liste des Tableaux
Chapitre 02 ÉCOULEMENT DE PUISSANCE
Tableau 2-1 Constantes ABCD des lignes de transmission 34
Tableau 2-2 Type de jeux de barres 43
Chapitre 03 RÉSEAUX DE NEURONES ET LOGIQUE FLOUE
Tableau 3-1 Comparatif des avantages et des inconvénients des SIF et RN 82
Tableau 3-2 Les caractéristiques des couches 84
Chapitre 04 APPLICATION DES ANFIS AUX RÉSEAUX

ÉLECTRIQUES
Tableau.4-1 Résultats de PowerWorld Simulator 89
Tableau 4-2 Exemple de la matrice input 103
X
LISTE DES SYMBOLES
Liste des Symboles
HTB Haute tension de classe B
HTA Haute tension de classe A
BTB Basse tension de classe B
BTA Basse tension de classe A
TBT Très basse tension
HT Haute tension
MT Moyenne tension
BT Basse tension
𝜃 Angle de déphasage entre tension et courant
cos 𝜃 Le facteur de puissance
S Puissance apparente
P Puissance active
Q Puissance réactive
𝐹𝑃𝑎𝑚𝑙 Facteur de puissance amélioré
𝐹𝑃𝑒𝑥𝑖 Facteur de puissance existant
𝑘𝑉𝐴𝑑𝑖𝑠𝑝 Puissance apparente rendu disponible à partir de celle existante
𝑝𝑒𝑟𝑡𝑒𝑟𝑒𝑑 La réduction des pertes en P.U
𝐹𝑃𝑎𝑚𝑙 Facteur de puissance amélioré
𝑃𝑟𝑠 Puissance active à l’extrémité de réception
𝑄𝑟𝑠 Puissance réactive à l’extrémité de réception
𝑌𝑠𝑟 Admittance série
𝑔𝑠𝑟 Conductance série de la ligne
𝑏𝑠𝑟 Susceptance série de la ligne
XI
LISTE DES SYMBOLES
𝑅𝑠𝑟 Résistance de la ligne
𝑋𝑠𝑟 Réactance série de la ligne
𝑉𝑠 ∠𝜃𝑠 Tension de l’extrémité d’envoi
𝑉𝑟 ∠𝜃𝑟 Tension de l’extrémité de réception
δ Angle de transmission
|∆V| Chute de tension dans la ligne
𝑉𝑅 % Régulation de la tension
𝑉𝑟𝑠𝑐 Tension de réception sans charge
𝑉𝑟𝑝𝑐 Tension de pleine charge à un facteur de puissance spécifié
𝛾 Constante de propagation
𝑔𝑠ℎ Conductance shunt
𝑏𝑠ℎ Susceptance shunt
𝑥𝑠ℎ Réactance capacitive shunt
𝑌 Admittance shunt
𝛼 Constante d’atténuation
𝛽 Constante de phase
𝑍0 Impédance caractéristique
𝑉𝑥 Tension à un point x
𝐼𝑥 Courant à un point x
𝜌𝐿 Coefficient de réflexion
SIL Surge impedance loading
λ Longueur d'onde
𝜇0 Perméabilité du vide
𝑘0 Permittivité du vide
v Vitesse de propagation
𝑝𝐷1 , 𝑝𝐷2 Puissances actives demandées par les deux jeux de barres 1 et 2.
XII
LISTE DES SYMBOLES
𝑄𝐷1 𝑒𝑡 𝑄𝐷2 Puissances réactives demandées par les deux jeux de barres 1 et 2.
𝜀 Tolérance spécifiée
𝐽(𝑘) Matrice Jacobéenne

(𝑘) Résidus de puissance active
Δ𝑃𝑖
(𝑘) Résidus de puissance réactive
Δ𝑄𝑖
𝑃𝑖𝑝𝑙𝑎𝑛 Valeurs planifiées de 𝑃𝑖

(𝑘)
𝑄𝑖𝑝𝑙𝑎𝑛 Valeurs planifiées de 𝑄𝑖

(𝑘)
B’ et B’’ Partie imaginaire de matrice d’admittance nodale 𝑌𝑏𝑢𝑠
n Rapport des prises de réglage de la tension
𝑃(𝑠𝑝𝑒𝑐) Écoulement spécifiée de la puissance active
𝑃𝑗 Entrées du neurone
𝑤𝑖,𝑗 Poids du neurone i
𝑛 Niveau d’activation du neurone
b Biais ou seuil d’activation
f Fonction de transfert
a Sortie de neurone
e(𝑡) Erreur d’apprentissage
𝐹̂ L’indice de performance
𝜂 Taux d’apprentissage
sik Sensibilité du neurone i de la couche k
F Ensemble flou
𝜇𝐹 ( 𝑥) Fonction d’appartenance
𝛼; 𝛽, 𝛾 Valeurs linguistiques
𝑋𝑖 Variable linguistique
FLC Fuzzy logic controller
ANFIS Adaptive Neuro Fuzzy Inference System
XIII
LISTE DES SYMBOLES
𝑂𝑖𝑘 Degré d'appartenance (couche k)
SIF Système à inférence floue
input Entrée
inputmf Entrée de la fonction d’appartenance
rule Règle
outputmf Sortie de la fonction d’appartenance
output Sortie
𝑦𝑖𝑗 Admittance reliant le nœud i au nœud j
Ei Tension complexe qui apparait aux nœuds i
Ii Courant injecté au nœud i
Ybus Matrice d’admittance nodale
Zbus Matrice d’impédance nodale
XIV
INTRODUCTION GENERALE
Introduction Générale
Les réseaux électriques ont connu un énorme essor suite au développement de
l’informatique et des logiciels de commande, on parle aujourd’hui des ‘smart grids’ ou
réseaux intelligents. C’est-à-dire l’automatisation et le contrôle informatique de la
production de l’énergie électrique, de toutes les opérations du réseau de transport, de
distribution et la gestion de comptage pour les différents types de charges électriques sur
tous les niveaux de tensions et pour d’éventuelle productions décentralisées.
L’étude de l’écoulement de puissance est procédée, pour que le réseau électrique soit
stable, économique et fiable. Le calcul de l’écoulement de puissance est nécessaire pour
définir l'état du réseau électrique en termes de charges connectées, des amplitudes de
courants dans chaque partie du réseau (lignes, câbles, transformateurs ...), l’évaluation des
pertes et, éventuellement, la modification du plan de tension pour réduire ces pertes. Il est
nécessaire de définir des stratégies de contrôle et de gestion pour déterminer la tension au
niveau de chaque nœud, la puissance active et réactive permet de déterminer les instructions
de réglage pour les machines du réseau.
L’optimisation de la capacité de transit ou le dispatching économique et l’engagement

propre de toutes les unités de générateurs d'un réseau afin de servir les exigences de toutes
les charges d'une manière optimale et économique.
L’estimation de la consommation électrique ou ‘load forecasting’ est une procédure

nécessaire pour effectuer de nombreuses fonctions d'électricité, y compris l'engagement des
unités de générateurs, la coordination hydro-thermique, l'entretien, la puissance d'échange,
l'évaluation de la transaction, ainsi que des fonctions d'analyse de réseau, de la protection et
l’écoulement de puissance, la planification de contingence, le délestage des charges, et les
stratégies de sécurité de charge.
L’introduction des techniques de l’intelligence artificielle dans les logiciels de

commande et de décision, est un élément essentiel dans la recherche et dans le
développement des réseaux modernes. Dans cette thèse on va introduire une méthode
hybride entre deux techniques d’intelligence artificielle (les réseaux de neurones et la
logique floue) pour l’optimisation de la répartition des puissances dans les réseaux
électriques et pour l’estimation de la consommation des différentes charges.
1
Les réseaux de neurones ont la capacité de traiter des problèmes divers et variés. Le
résultat peut être une prédiction, une classification ou une analyse de données. Ils permettent
de traiter des problèmes non structurés, c'est-à-dire des problèmes sur lesquels on ne dispose
d'aucune information au préalable. Les réseaux de neurones donnent de bons résultats car
mêmes dans des domaines très complexes, ils sont plus performants que les statistiques ou
les arbres de décisions. En découvrant les relations entre les variables, ce système ne nous
oblige pas à s'interroger sur la forme de la fonction à estimer.
La logique floue permet de raisonner non pas sur des variables numériques, mais sur
des variables linguistiques, c'est-à-dire, sur des variables qualitatives (grand, petit, moyen,
loin, près, fort, etc.). Le fait de raisonner sur ces variables linguistiques va permettre de
pouvoir manipuler des connaissances en langage naturel. Tout ce que l'on fait de rentrer au
système, ce sont des règles d'inférences exprimées en langage naturel. Il y a donc un avantage
certain à travailler en logique floue. Cette méthode est très utile lorsque l'on se trouve
confronté à des systèmes qui ne sont pas, ou difficilement modélisables. De même, cette
méthode est très avantageuse si l'on possède un bon niveau d'expertise humaine. En effet, il
faut fournir au système flou toute une base de règle exprimé en langage naturel pour
permettre de raisonner et de tirer des conclusions. Plus l'expertise humaine d'un système est
importante plus on est capable d'ajouter des règles d'inférences au système.
Les systèmes d’inférence neuro-flou artificiels ou ‘Artificial Neuro Fuzzy Inference

System’ ANFIS est une méthode hybride qui associe les avantages des deux techniques sans
en présenter leurs inconvénients.
La structure générale de notre thèse est divisée en quatre chapitres :
Le premier chapitre présente une vue générale sur le réseau électrique et ces trois
majeures parties à savoir, la production, le transport, la distribution de l’énergie électrique.
On a étudié les types de centrales électriques entre autres les centrales conventionnelles et
celles à énergie renouvelable, puis les techniques de transport et de distribution de l’énergie
produite.
Dans le deuxième chapitre, on a procédé à une étude détaillée sur l’écoulement de la

puissance active dans le réseau électrique et ces méthodes de résolution présentes dans la
littérature, telles que la méthode de Gauss-Seidel et la méthode de Newton-Raphson, ainsi
que des notions sur le contrôle de la puissance réactive.
2
Le chapitre trois, présente deux techniques d’intelligence artificielle ont été présentées
à savoir : les réseaux de neurones et la logique floue, et la combinaison entre ces deux
méthodes, les systèmes à inférence neuro-flou (ANFIS).
Le dernier chapitre comporte la partie de notre programmation qui est divisée en deux
parties :
- La première partie consiste à introduire les ANFIS dans l’écoulement de puissance

où on a prédit les valeurs des tensions nodales en matière d’amplitude et angle de
phase en se basant sur les résultats du programme conventionnel de l’écoulement
de puissance pour l’apprentissage.
- La deuxième partie consiste à prédire les pics de consommation de la puissance

électrique active dans le réseau Algérien (load peak forecasting) en utilisant les
ANFIS.
3
Chapitre 1
GÉNÉRALITÉS SUR LES
RÉSEAUX ÉLECTRIQUES
CHAPITRE 01 GÉNERALITÉS SUR LES RÉSEAUX ÉLECTRIQUES
1. GÉNÉRALITÉS SUR LES RÉSEAUX

ÉLECTRIQUES
INTRODUCTION
L’énergie électrique constitue un élément essentiel et vital pour la vie humaine

moderne, on ne peut pas imaginer le monde actuel sans électricité.
Un réseau électrique est un ensemble d'infrastructures permettant d'acheminer

l'énergie électrique des centrales de production vers les consommateurs. Il est constitué
de lignes électriques exploitées à différents niveaux de tension, connectées entre elles
avec des postes électriques. Les postes électriques permettent de répartir et de faire passer
l'électricité d'une tension à une autre grâce aux transformateurs. Un réseau électrique doit
aussi assurer la gestion dynamique de l'ensemble production - transport - consommation,
mettant en œuvre des réglages ayant pour but d'assurer la stabilité de l'ensemble.
Thomas Edison fut le premier fondateur du réseau électrique, il développa un réseau

électrique à courant continu alimenté par des générateurs à courant continu entrainés par
des moteurs à vapeur. Les systèmes de production d'électricité en courant alternatif sont
devenus répandus un peu plus tard. La principale raison de la conversion en courant
alternatif est l’emploi des transformateurs utilisés pour augmenter ou diminuer les
niveaux de tension alternative pour le transport et la distribution de l’énergie électrique.
Actuellement, presque tout l’appareillage du réseau électrique produit et distribue le
courant alternatif triphasé. Les transformateurs augmentent la tension produite par les
alternateurs tout en diminuant le courant électrique, cela permet de réduire les pertes de
puissance active par effet Joule.
L'expansion de la consommation d'énergie électrique a engendré une forte demande

sur le système de distribution, ou les préoccupations sont non seulement asservir plus de
clients, mais fournir l'équipement qui exige plus d'attention aux variations de la tension
et moins d’interruptions de service. [1]
Le réseau électrique est toujours composé de trois grandes parties telles que : la
production de l’énergie électrique, le transport, la distribution. Parfois, dans la littérature,
5
une quatrième partie telle que la consommation est ajouter comme une partie distincte
derrière la distribution au réseau électrique.
La figure 1-1 montre un schéma global du réseau électrique de production et de

transport algérien avec ces différentes centrales de production, poste de livraison HTB et
lignes de transport.
Figure 1-1. Réseau de production et de transport Algérien
PRODUCTION DE L’ENERGIE ELECTRIQUE
Aujourd’hui, le réseau électrique est compliqué, interconnecté et change en

dimension et en configuration. Une large gamme d’électricité est générée dans des
centrales thermiques, hydrauliques et nucléaires ; ces centrales sont connues comme
sources d’énergie électrique conventionnelles. Une autre partie d’électricité est générée
par des sources d’énergie non-conventionnelles ; cette énergie est nommée énergie verte
parce qu’elle émet moins de polluants. [2]
6
L’emplacement des centrales de génération, des lignes de transport et des postes de

transformation demande toujours une analyse détaillée pour arriver à une solution
acceptable et économique. Parfois, on peut placer une centrale à côté de la source
d’énergie primaire et utiliser des lignes pour transporter l’énergie électrique. Quand cela
n’est pas pratique ou économique, on doit transporter la matière première à la centrale.
[3]
Les sources d’énergie renouvelable impliquent des nouvelles architectures des

réseaux électriques, on associe souvent le concept de la production décentralisée à ces
sources non-conventionnelles. L'efficacité de la production décentralisée est directement
dépendante de l'évolution des réseaux de transport d'énergie intelligents de type Smart
grid, capables de gérer la variété et la variabilité des sources.
1.2.1. TYPES DE CENTRALES ELECTRIQUES
CENTRALES ELECTRIQUE S UTILISANT DES SOUR CES

D’ENERGIE CONVENTION NELLES
A. LES CENTRALES THERMIQUES
Les centrales thermiques produisent l’électricité à partir de la chaleur qui se dégage

de la combustion du charbon, du mazout ou du gaz naturel. La plupart ont une capacité
comprise entre 200 MW et 2000 MW. Ci-dessous quelques types de centrales
thermiques :
Les centrales à cycle combiné

Les centrales à cycle combiné se sont développées suite au développement des
turbines à gaz. La centrale à cycle combiné utilise le gaz naturel comme combustible dans
un système de production en deux étapes (voir fig. 1-2) : Une première turbine à gaz met
l'alternateur en mouvement grâce à la combustion de gaz naturel pour générer de
l'électricité dans un premier cycle. Dans un deuxième cycle, la chaleur issue du premier
cycle est récupérée au maximum pour générer de la vapeur qui fait tourner une seconde
turbine, à vapeur, pour générer de l'électricité supplémentaire. La puissance totale est
générée à deux tiers par la turbine à gaz et à un tiers par la turbine à vapeur. La
combinaison de ces deux cycles augmente le rendement électrique de la centrale qui se
situe aux alentours de 58.5 %. [5]
7
Figure 1-2. Principe de fonctionnement d’une centrale à cycle combiné. [6]
B. LES CENTRALES HYDRAULIQUES
La production d'énergie hydroélectrique implique le stockage d'un fluide

hydraulique (l’eau) la conversion de l’énergie (potentielle) hydraulique du fluide en
énergie (cinétique) mécanique dans une turbine hydraulique et la conversion de l’énergie
mécanique en énergie électrique dans un générateur électrique.
Les premières centrales hydroélectriques sont entrées en service dans les années
1880 et représentent maintenant environ 20 % (875 GW) de capacité de production
installée dans le monde (World Energy Council 2010) L'hydroélectricité est une source
importante d'énergie renouvelable, bien que le coût d'investissement initial est élevé, la
simplicité des centrales hydroélectriques, associés avec leurs coûts d'exploitation et de
maintenance réduits, leur longue durée de service et sa grande fiabilité, leur fait une
source très économique effective et flexible de production d'électricité.
Les unités hydroélectriques ont été installées avec des capacités allant de quelques
kilowatts à environ 1 GW. L’unité de génération peut avoir son arbre orienté en verticale,
horizontale ou d’une direction inclinée dépendant de la condition physique du site et du
type de turbine utilisée. On constate trois types de centrales hydraulique :
- Large centrales hydrauliques (≥30 MW)
- Petites hydroélectrique (100 kW à 30 MW)
- Micro hydroélectrique (<100 kW) [7]
8
C. LES CENTRALES NUCLEAIRES
Les centrales nucléaires produisent de l’électricité à partir de la chaleur libérée par

une réaction nucléaire. Ce phénomène est provoqué par la division du noyau d’un atome,
procédé qu’on appelle fission nucléaire.
Une centrale nucléaire est identique à une centrale thermique, sauf que la chaudière
brulant le combustible est remplacée par un réacteur contenant le combustible nucléaire
en fission (voir fig. 1-3). Le rendement global est entre 30 % à 40 % et l’on doit encore
prévoir un système de refroidissement important, ce qui nécessite un emplacement près
d’un cours d’eau ou la construction d’une tour de refroidissement.
Figure 1-3. Principe d’une centrale nucléaire
Type de réacteurs nucléaires

Il existe plusieurs types de réacteurs ; en voici les principaux :
- Réacteur à eau pressurisée (pressure water reactor)
- Réacteur à eau bouillante (boiling water reactor)
- Réacteur à gaz à haute température (high temperature gaz reactor)
- Réacteur à neutrons rapides
- Réacteur à eau lourde [3] [8]
9
CENTRALES ELECTRIQUE S UTILISANT DES SOUR CES

D’ENERGIE NON -CONVENTIONNELLES OU
RENOUVELABLES
Plusieurs méthodes de production de l’énergie électrique sont soit à utilisation
limitée ou à l’étape expérimentale. Des méthodes montrent une capabilité d’être une
possible méthode de production dans le futur.
Les méthodes de production alternative sont :
- Les systèmes à énergie solaire thermique ;
- Énergie solaire photovoltaïque ;
- Les systèmes hybrides à énergie solaire ;
- Les systèmes d‘énergie éolienne ;
- Les systèmes d’énergie géothermique ;
- Les systèmes Magnétohydrodynamiques (MHD) ;
- Système à fusion nucléaire ;
- Pile à combustible ;
- Énergie marémotrice ;
- La gazéification du charbon ;
- La biomasse.
Parmi ces sources, on cite quelques types potentiels de sources d’énergie

renouvelable :
A. LES SYSTEMES A ENERGIE SOLAIRE THERMIQUE
Le soleil fournit un flux constant d'énergie rayonnante. La quantité d'énergie solaire

qui arrive sur la terre dans une journée est égale à l'énergie produite par la combustion de
plusieurs millions de tonnes de charbon. De par sa situation géographique, l'Algérie
dispose d'un des gisements solaires les plus élevés au monde. La durée d'insolation sur la
quasi-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
Algérien, soit près de 1700 kWh/m2/an au Nord et 2263 kWh/ m2/an au Sud du pays.
10
C’est pour cela l'énergie solaire est une source majeure d’électricité pour nos besoins
croissants sans cesse. Il existe deux méthodes de collecte et de concentration de l'énergie
solaire actuellement en usage. Ces deux méthodes impliquent une surface réfléchissante
comme un miroir. La première méthode utilise des miroirs paraboliques pour capter
l'énergie du soleil. Ces miroirs concentrent l'énergie du soleil en focalisant la lumière sur
une surface de réception opaque. La chaleur focalisée sur les tubes pourrait transformer
l'eau en vapeur. Puis la vapeur d'eau pourrait entraîner une turbine pour produire de
l'énergie électrique. Les miroirs peuvent être tournés pour les maintenir en bonne position
pour la meilleure réflexion de la lumière. La deuxième méthode utilise un capteur solaire
thermique. Des couches de verre sont posées sur une plaque de métal noirci, avec un
espace d'air entre chaque couche. Les couches de verre constituent un piège à chaleur. Ils
laissent les rayons du soleil entrer, et gardent la majorité de la chaleur à l’intérieur. Le
type d’application peut aller du chauffage d’une piscine avec un capteur léger, à une
centrale solaire thermodynamique produisant de l’électricité. [9] Dans une centrale
solaire thermique (ou thermodynamique voir fig. 1-4), c'est la vapeur d'eau sous pression
qui actionne une turbine reliée à un générateur électrique. La chaleur nécessaire pour
transformer l'eau en vapeur est fournie par les rayons du Soleil1.
Figure 1-4. Principe d’une centrale solaire thermique [10]
1
Centrale solaire Noor (Ouarzazate, Maroc) est entrée en service en février 2016 avec 160 MW (Noor I),
à sa finition totale (Noor II et Noor III), elle sera la plus grande centrale solaire au monde avec 500 MW
comme puissance totale de l'ensemble.
11
B. ÉNERGIE SOLAIRE PHOTOVOLTAÏQUE
L’énergie solaire photovoltaïque est une énergie électrique produite à partir du

rayonnement solaire. (Voir fig. 1-5). La cellule photovoltaïque est le composant
électronique de base. Elle utilise l'effet photoélectrique pour convertir les ondes
électromagnétiques émises par le soleil en électricité. Plusieurs cellules reliées entre elles
forment un module solaire photovoltaïque. Plusieurs modules regroupés forment une
installation solaire. L'électricité est soit consommée ou stockée sur place, soit transportée
par le réseau de distribution ou le réseau de transport.
Figure 1-5. Principe d’une centrale solaire photovoltaïque
C. ENERGIE SOLAIRE HYBRIDE
Le concept de centrale solaire hybride existe pour des centrales de grandes

puissances. L’intérêt de cette technique est de combiner l’énergie solaire (avec une
conversion par la voie thermique) et une centrale à énergie fossile afin d’assurer la
disponibilité de l’électricité en toute heure et indépendamment des conditions
d’ensoleillement. Deux turbines à gaz, deux chaudières de récupération, une turbine à
vapeur et des lignes de production et d‘évacuation d‘énergie. Donc la vapeur est produite
par deux sources : il y a le gaz naturel, dans le cadre du cycle combiné normal, et la vapeur
produite par le champ solaire. Ces deux vapeurs convergent vers la turbine à vapeur et
s’intègrent en même temps pour produire de l‘énergie électrique.2
2
Centrale hybride solaire-gaz de Hassi R’Mel, avec une capacité de production de 150 mégawatts (MW)
dont 120 mégawatts produits à partir du gaz et 30 mégawatts par l’énergie solaire.
12
D’autre type de centrale hybride PV-CSP (PhotoVoltaic- Concentrated Solar

Power) combine l’énergie solaire photovoltaïque avec l’énergie solaire thermique.
D. ÉNERGIE EOLIENNE
Une éolienne (aérogénérateurs) est constituée d’un ensemble de dispositifs qui

transforment l'énergie cinétique du vent en énergie mécanique, laquelle est ensuite
transformée en énergie électrique. (Voir fig. 1-6). Le rendement énergétique de même
que la puissance développée des éoliennes sont fonction de la vitesse du vent ; dans la
plage de fonctionnement de l'éolienne, la puissance est approximativement
proportionnelle au cube de cette vitesse. Les éoliennes fonctionnent pour des vitesses de
vent généralement comprises entre 14 et 90 km/h. Au-delà, elles sont progressivement
arrêtées pour sécuriser les équipements et minimiser leur usure.
L'énergie éolienne des parcs éoliens est devenue un élément majeur pour les
nouvelles installations électriques dans de nombreuses régions du monde. Le facteur de
charge est aux alentours de 20 %. [7]
Figure 1-6. Diagramme du compartiment essentiel d’une large turbine éolienne [7]
13
TRANSPORT DE L’ENERGIE ELECTRIQUE
Le réseau de transport achemine l’énergie électrique sur de longues distances via

des lignes haute tension de type HTB. Ces lignes sont interconnectées pour assurer
l’approvisionnement indépendamment de la disponibilité des moyens de production. La
figure 1-7 précise que le réseau de transport se situe en amont des postes sources. [11]
Les lignes HTB sont souvent aériennes et sont portées par des pylônes. La distance
entre conducteurs et entre conducteurs et le sol varie proportionnellement avec la tension.
Poste source Poste de distribution
G
TRANSPORT
PRODUCTION DISTRIBUTION DISTRIBUTION
REPARTITION
HTA BT
HTB
Figure 1-7. Architecture générale d’un réseau électrique
Impressionnantes par leurs dimensions, les lignes très haute tension (HTB), sont
conçues pour transporter de grandes puissances, en toute sécurité pour les personnes, et
résister à des conditions climatiques sévères. La nouvelle norme française en vigueur
UTE C 18-5103 [12] définit les niveaux de tension alternative comme suit :
- HTB : pour une tension composée supérieure à 50 kV
- HTA : pour une tension composée comprise entre 1 kV et 50 kV
- BTB : pour une tension composée comprise entre 500 V et 1 kV
- BTA : pour une tension composée comprise entre 50 V et 500 V
- TBT : pour une tension composée inférieure ou égale à 50 V.
3 Le recueil UTE C 18-510 est destiné à faire connaître les prescriptions à observer en vue d'éviter les accidents
corporels au cours des opérations entreprises lors de la construction, de l'exploitation ou de l'entretien des ouvrages
électriques, quelle que soit la tension.
14
La figue 1-8 montre un comparatif entre l’ancienne norme (CEI 38 4) et la nouvelle

norme (NFC 18-510 5) qui régissent les niveaux de tension.
230 V 225 kV 400 kV

BT 400 V 20 kV Très Très
BT Moyenne 63 kV
mono- haute haute
triphasée Haute
phasée tension tension tension
tension
50 V 500 V 1 kV 50 kV
TBT BTA BTB HTA HTB NF C 18-510
CEI 38
BT MT HT
100 V 1 kV 35 kV
Figure 1-8. Niveaux de tension sur le réseau électrique
La tension de la source d'alimentation est liée à la puissance de livraison tel que :
- HTB (225 kV) : puissance de livraison supérieur à 40000 kVA
- HTB (63 kV ou 90 kV) : puissance de livraison comprise entre 10000 kVA et

40000 kVA
- HTA : puissance de livraison comprise entre 250 kVA et 10000 kVA
- BTA : puissance de livraison Inférieure à 250 kVA.
1.3.1. LES POSTES DE LIVRAISON HTB
Ils concernent généralement les puissances supérieures à 10 MVA. L'installation

du poste de livraison est comprise entre :
- d'une part, le point de raccordement au réseau de distribution HTB
- d'autre part, la borne aval du ou des transformateurs HTB / HTA
Les schémas électriques des postes de livraison HTB les plus couramment
rencontrés sont les suivants :
4
CEI 38: 1983, Tensions normales de la Commission électrotechnique internationale.
5
La norme NF C18-510 regroupe un ensemble de prescriptions pour la prévention des risques électriques
lors des opérations sur les ouvrages ou installations électriques ou dans un environnement électrique.
15
SIMPLE ANTENNE
Source
d alimentation
NF
Jeux de barres
HTB
NF NF
NF NF
Vers tableau principal HTA
Figure 1-9. Alimentation simple antenne d’un poste de livraison HTB
Le schéma simple antenne ou simple dérivation est un schéma simple (fig. 1-9), il
fournit de la haute tension HTB à partir d’une seule l’alimentation aux différents jeux de
barres. Son inconvénient majeur est la discontinuité de service en cas de défaut.
DOUBLE ANTENNE
Source 1 Source 2
Appareils
manœuvrés
Par le
NF NF
distributeur
NF
Jeu de barres
HTB
NF NF
HTB HTB
HTA HTA
NF NF
Figure 1-10. Alimentation double antenne d’un poste de livraison HTB
Le schéma de l’alimentation double antenne est donné à la figure 1-10. En mode

d'exploitation normal, les deux disjoncteurs d'arrivée des sources sont fermés, ainsi que
le sectionneur de couplage. Les transformateurs sont donc alimentés par les 2 sources
simultanément. En cas de perte d'une source, l'autre source assure la totalité de
l'alimentation. Leurs avantages est la bonne disponibilité, dans la mesure où chaque
16
source peut alimenter la totalité du réseau et la possibilité de la maintenance du jeu de

barres avec un fonctionnement partiel de celui-ci. En revanche, c’est une solution plus
coûteuse que l'alimentation simple antenne et qui ne permet qu'un fonctionnement partiel
du jeu de barres en cas de maintenance de celui-ci.
DISTRIBUTION DE L’ENERGIE ELECTRIQUE
Le réseau de distribution amène l’électricité chez les différents consommateurs. La

distribution est assurée par des lignes moyenne tension HTA et basse tension. Le réseau
de distribution se situe en aval du poste source. Les lignes HTA (souvent 20 kV) sont
réalisées en aérien (milieu rural) et en souterrain (milieu urbain) la figure 1-11 montre la
structure général d’un réseau de distribution privé.
Source d alimentation
Poste de
livraison
Production
HTB
interne
HTB
HTA
Tableau principal de distribution HTA
Récepteur Récepteur Récepteur

HTA HTA HTA
Réseau de distribution
Interne HTA
Tableaux secondaire
De distribution HTA
HTA HTA HTA HTA
BT BT BT BT
Tableau BT
Distribution BT
Récepteur Récepteur
BT BT
Figure 1-11. Structure générale d'un réseau privé de distribution
17
1.4.1. LES POSTES DE LIVRAISON HTA (POSTE SOURCE)
Ils comportent des transformateurs HTB/HTA à partir desquels la HTB est

distribuée en triphasé sans neutre et entre 5 et 33 kV (souvent 20 kV). Les transformateurs
HTB/HTA peuvent être couplés. En aval des transformateurs, la partie HTA est constituée
de cellules d’arrivée, de couplage et de départ. A partir de ces départs, on réalise des
schémas : en Antenne ou Simple dérivation, en Boucle ou Coupure d’Artère et en Double
dérivation, selon les besoins de continuité de service et de contraintes de coût.
DISTRIBUTION EN ANTENNE OU SIMP LE

DER IVATION
NF HTA
NF NF
Poste Poste
livraison livraison
client 1 HTA
client 2 HTA
BTA BTA
NF NF
BT BT
Figure 1-12. Départ en simple dérivation des postes source
Le schéma de la distribution en antenne ou simple dérivation est illustré à la figure

1-12, ce schéma est principalement utilisé dans les zones rurales, en réseau aérien. En cas
de défaut sur un tronçon de câble ou dans un poste, les utilisateurs sont privés
d'alimentation le temps de la réparation. [13] [14]
18
DISTRIBUTION EN COUPURE D'ARTERE OU EN

BOUC LE
NF HTA
NF HTA
NF NF NF NF
Poste Poste
livraison livraison
client 1 client 2
NF NF
HTA HTA
BTA BTA
NF NF
BT BT
Figure 1-13. Départ en coupure d’artère des postes source
Il est utilisé dans les zones urbaines (fig. 1-13), En cas de défaut sur un tronçon de
câble ou dans un poste, on isole le tronçon en défaut par l'ouverture des 2 appareils de
protection ou de sectionnement qui l'encadrent et on réalimente la boucle en refermant le
disjoncteur.
DISTRIBUTION EN DOUBLE DER IVATION
NF HTA
NF HTA
NF NO NF NO
Poste Poste
livraison livraison
client 1 client 2
NF NF
HTA HTA
BTA BTA
NF NF
BT BT
Figure 1-14. Départ en double dérivation des postes source
19
Il est utilisé pour assurer une continuité de service optimale (fig. 1-14). En cas de
défaut sur l'une des lignes, l'alimentation de l'abonné est permutée sur la seconde. Les
deux arrivées sont différentes mais peuvent être issues du même poste source. On ne peut
se connecter sur les deux arrivées en même temps grâce au verrouillage mécanique
présents entre les deux appareils de sectionnement. Il est possible que la seconde arrivée
(ou la troisième) soit un groupe électrogène (diesel, gaz, autre). [13]
CONCLUSION
Nous pouvons conclure à partir de ce chapitre que derrière la prise de courant il y a

tout un processus de conduite de réseau électrique à savoir la production, le transport et
la distribution de l’énergie électrique. La tendance actuelle est penchée vers les réseaux
intelligents ou smart grids ou les parties production, transport et distribution sont
commandées par des technologies d’informatique afin d’optimiser l’ensemble des mailles
de réseau d’électricité et en conséquent optimiser l’efficacité énergétique du réseau
global. Le réseau va donc émerger de la centralisation vers la décentralisation c’est-à-dire
l’ouverture du marché d’électricité ou le client peut devenir fournisseur d’énergie grâce
aux compteurs intelligents smart meters.
20
Chapitre 2
ÉCOULEMENT DE
PUISSANCE
CHAPITRE 02 ÉCOULEMENT DE PUISSANCE
2. ÉCOULEMENT DE PUISSANCE
INTRODUCTION
Le calcul d'écoulement de puissance est une étude en régime permanent du réseau

électrique qui consiste à déterminer, en premier lieu, à chaque jeu de barres, l'amplitude
et la phase de la tension ainsi que les puissances active et réactive injectées. Connaissant
les tensions (amplitude et phase) aux jeux de barres ainsi que les puissances injectées
(active et réactive), nous pouvons calculer, en deuxième lieu, les courants et les
puissances dans les lignes et ceux fournis par les sources. [15]
2.1.1. OBJECTIFS
DEFINITION DE L’ETAT DU RESEAU

Le calcul de la répartition des charges au sein d’un réseau a pour objet de déterminer
l’état du réseau en fonction des charges qui sont connectées et de la répartition de la
consommation sur l’ensemble des nœuds du réseau. Ce calcul se fait en supposant que le
réseau fonctionne en régime permanent et que les générateurs fournissent la puissance
électrique sous forme d’un système de tensions et de courants alternatifs sinusoïdaux
triphasés équilibrés directs. Le but du calcul est de fournir une image exacte de la
répartition des puissances actives et réactives sur l’ensemble des éléments de transmission
du réseau.
CALCULER L’AMPLITUDE DES COURANTS DE

TRANSIT
La connaissance de la valeur de l’intensité du courant de transit dans chacun des
composants du réseau, ligne, câble ou transformateur permet de s’assurer que dans chacun
de ces composants de l’intensité ne dépasse pas la valeur limite compatible avec un bon
fonctionnement de ce composant.
EVALUER LES PERTES

De même, la connaissance des courants de transits permet d’avoir une évaluation
des pertes en lignes et éventuellement de modifier le plan de tension afin de minimiser
les pertes sur l’ensemble du réseau.
22
DEFINIR UNE STRATEGIE DE REGLAGE ET DE

CONDUITE
La capacité de détermination des tensions en chaque nœud et des puissances active
et réactive que doit fournir la machine concernée, afin d’assurer le transport et la
fourniture en chaque nœud consommateur de la puissance demandée, permet de définir
les consignes de réglage à appliquer au niveau de chacune des machines connectées au
réseau. Un tel calcul est utilisé également pour des analyses de stabilité.
OPTIMISER LA CAPACIT E DE TRANSIT

Enfin, il est possible d’introduire la notion de contrainte et de fonction objectif afin
d’optimiser le trajet des flux de puissance pour augmenter ainsi la capacité de transit de
puissance disponible du réseau. [16]
LA PUISSANCE DANS LES CIRCUITS

ALTERNATIFS
Les concepts de puissance instantanée, puissance moyenne, puissance apparente et

puissance réactive sont fondamentales et sont brièvement abordées dans ce paragraphe.
Considérons une impédance localisée Zejθ alimentée par une tension sinusoïdale 𝐸 ∠0° à
fréquence constante. La charge linéaire absorbe un courant sinusoïdal. La puissance
variant avec le temps peut être écrite comme suit :
𝑝(𝑡) = 𝑅𝑒(√2 𝐸Ɛ𝑗𝑤𝑡 )𝑅𝑒(√2 𝐼Ɛ𝑗(𝜔𝑡−𝜃) )
= 2𝐸𝐼𝑐𝑜𝑠𝜔𝑡. cos(𝜔𝑡 − 𝜃)
= 𝐸𝐼𝑐𝑜𝑠𝜃 + 𝐸𝐼 cos(2𝜔𝑡 − 𝜃) (2.1)
Le premier terme est la puissance moyenne dépendant du temps, lorsque la tension

et le courant (formes d'onde) se composent uniquement d'éléments fondamentaux. Le
deuxième terme est l’amplitude d’oscillation de puissance. L'équation (2.1) peut être
écrite comme :
𝐸𝐼𝑐𝑜𝑠𝜃(1 + 𝑐𝑜𝑠2𝜔𝑡) + 𝐸𝐼𝑠𝑖𝑛𝜃. 𝑠𝑖𝑛2𝜔𝑡 (2.2)
Le premier terme (puissance active) est la puissance réellement consommée dans le

circuit et le deuxième terme (puissance réactive) est la puissance échangée entre la source
et le circuit, mais pas consommée dans le circuit.
23
La puissance active est mesurée en Watts, et est définie comme
𝑃 = 𝐸𝐼 cos 𝜃 (1 + cos 2𝜔𝑡) ≈ 𝐸𝐼 cos 𝜃 (2.3)
La puissance réactive est mesurée en VAR et définit par :
𝑄 = 𝐸𝐼 sin 𝜃 . sin 2𝜔𝑡 ≈ 𝐸𝐼 sin 𝜃 (2.4)
cos 𝜃 est appelé le facteur de puissance ( power factor PF) du circuit, et 𝜃 est l'angle
du facteur de puissance.
La puissance apparente en VA (Voltampère) est donnée par :

𝑃
𝑆 = √𝑃2 + 𝑄 2 = √𝑃2 + (𝑃 tan 𝜃)2 = 𝑃√1 + tan2 𝜃 = 𝑃 sec 𝜃 = cos 𝜃 (2.5)
L’angle du facteur de puissance est généralement donné par :

𝑄
𝜃 = tan−1 (𝑃 ) (2.6)
Si cos 𝜃 ≅ 1 ⇒ 𝑄 ≅ 0 Une telle charge est une charge de facteur de puissance

𝑎𝑙𝑜𝑟𝑠
unitaire, ce cas est observé pour un petit pourcentage de charges (un chauffage par
résistance et des lampes à incandescence). Les charges industrielles, commerciales ou
résidentielles fonctionnent à facteur de puissance inductif. Comme l’équipement
électrique est évalué sur une base kVA, un facteur de puissance inférieure limite la
capacité de l'équipement à fournir de la puissance active. Le flux et le contrôle de la
puissance réactive est un aspect important de l’écoulement de puissance et sera étudié
ultérieurement dans ce chapitre.
L’importance du contrôle du facteur de puissance (puissance réactive) a pour but :
- L'amélioration de la capacité de manipuler la puissance active des lignes de

transmission.
- L’amélioration de la limite de stabilité de tension.
- L'augmentation de la capacité des systèmes existants : l'amélioration du facteur

de puissance pour la libération de certaines kVA qui peuvent être calculés à partir
de l’équation (2.5) :
𝐹𝑃
𝑒𝑥𝑖
𝐹𝑃𝑎𝑚𝑙 = 1−𝑘𝑉𝐴 (2.7)
𝑑𝑖𝑠𝑝
Où 𝐹𝑃𝑎𝑚𝑙 est le facteur de puissance amélioré, 𝐹𝑃𝑒𝑥𝑖 est le facteur de puissance

existant, et 𝑘𝑉𝐴𝑑𝑖𝑠𝑝 est une kVA (per unit P.U) rendu disponible à partir de kVA existant.
24
- Réduction des pertes : les pertes de puissance active sont réduites (elles sont
proportionnelles au carré du courant). Avec l'amélioration de PF, le courant en
P.U pour la même livraison de la puissance active est réduit. La réduction des
pertes est donnée par l’expression :
𝐹𝑃 2
𝑝𝑒𝑟𝑡𝑒𝑟𝑒𝑑 = 1 − (𝐹𝑃 𝑒𝑥𝑖 ) (2.8)
𝑎𝑚𝑙
Où 𝑝𝑒𝑟𝑡𝑒𝑟𝑒𝑑 est la réduction des pertes en P.U avec l'amélioration de

facteur de puissance de 𝐹𝑃𝑒𝑥𝑖 à 𝐹𝑃𝑎𝑚𝑙 . Une amélioration de facteur de puissance de 0,7
à 0,9 réduit les pertes de 39,5%.
- Amélioration de la régulation de la ligne de transmission : l'amélioration du

facteur de puissance améliore la régulation de ligne en réduisant les chutes de
tension dans la répartition des charges.
2.2.1. LA PUISSANCE COMPLEXE
Si le vecteur de tension est exprimé en 𝐴 + 𝑗𝐵 et le vecteur courant 𝐶 + 𝑗𝐷 donc

par convention sont les voltampères dans les circuits à courant alternatif qui sont
vectoriellement exprimés en :
𝐸𝐼 ∗ = (𝐴 + 𝑗𝐵)(𝐶 − 𝑗𝐷) = 𝐴𝐶 + 𝐵𝐷 + 𝑗(𝐵𝐶 − 𝐴𝐷) = 𝑃 + 𝑗𝑄 (2.9)
Où 𝑃 = 𝐴𝐶 + 𝐵𝐷 est la puissance active et 𝑄 = 𝐵𝐶 − 𝐴𝐷 est la puissance

réactive ; 𝐼 ∗ est le conjugué de I.
Le facteur de puissance est donné par :

𝐴𝐶+𝐵𝐷
cos 𝜃 = √𝐴2 (2.10)
+𝐵2 √𝐶 2 +𝐷 2
2.2.2. LA CONSERVATION DE L’ÉNERGIE
La notion de la conservation de l'énergie (théorème de Tellegen) est basée sur les

lois de Kirchhoff et indique que la puissance générée est égale à la puissance consommée
(y compris la demande et les pertes d’énergie). Si 𝑖1 , 𝑖2 , 𝑖3 . .. 𝑖𝑛 sont des courants et
𝑣1 , 𝑣2 , 𝑣3 . .. 𝑣𝑛 sont des tensions de n éléments :
𝑘=𝑛
∑ 𝑉𝑘 𝐼𝑘 = 0 (2.11)
𝑘=1
25
Dans un système linéaire d’éléments passifs, la somme de la puissance complexe,

active et réactive égale à zéro
𝑘=𝑛 𝑘=𝑛 𝑘=𝑛
∑ 𝑆𝑛 = 0 ; ∑ 𝑃𝑛 = 0 ; ∑ 𝑄𝑛 = 0 (2.12)
𝑘=1 𝑘=1 𝑘=1
REPARTITION DE LA PUISSANCE DANS UNE

BRANCHE NODALE
La modélisation des lignes de transmission est unique dans le sens où la capacité

joue un rôle important et ne peut pas être ignorée, sauf pour les lignes de longueur courtes
inférieure à 50 miles (80 km).
Prenons le flux d'énergie sur une ligne de transmission courte. Comme il n'y a pas
d'éléments de dérivation (shunt), la ligne peut être modélisée par sa résistance et réactance
série et par la charge. Ce système peut être appelé une branche nodale dans l’écoulement
de puissance. La somme des puissances actives et réactives de l'envoi et de la réception
d'une branche nodale n'est pas nul, due aux pertes de l’admittance série 𝑌𝑠𝑟 (Fig. 2-1).
Figure 2-1. Écoulement de puissance sur une ligne à deux extrémités
Nous définissons 𝑌𝑠𝑟 , l'admittance des éléments série 𝑌𝑠𝑟 = 𝑔𝑠𝑟 − 𝑗𝑏𝑠𝑟 où :
𝑔𝑠𝑟 est la conductance série de la ligne [siemens]6 ; 𝑏𝑠𝑟 est la susceptance série de
la ligne [siemens] ; 𝑍 = 𝑧𝑙 = 𝑙(𝑟𝑠𝑟 − 𝑗𝑥𝑠𝑟 ) = 𝑅𝑠𝑟 − 𝑋𝑠𝑟 = 1⁄𝑌 où l est la longueur de
𝑠𝑟
la ligne. La puissance de l’extrémité d'envoi est :
𝑆𝑠𝑟 = 𝑉𝑠 𝐼𝑠∗ (2.13)
6L'ancien nom de cette unité est le [mho] Ʊ ohm épelé à l'envers dont le symbole est un Ω renversé dans le sens de la
hauteur ce qui équivaut encore à Ʊ−1 . Ce terme a été suggéré par William Thomson.
26
Où 𝐼𝑠∗ est le conjugué de 𝐼𝑠 , cela donne :
𝑆𝑠𝑟 = 𝑉𝑠 [𝑌𝑠𝑟 (𝑉𝑠 − 𝑉𝑟 )]∗
= [𝑉𝑠2 − 𝑉𝑠 𝑉𝑟 𝜀 𝑗(𝜃𝑠 −𝜃𝑟 ) ](𝑔𝑠𝑟 − 𝑗𝑏𝑠𝑟 ) (2.14)
Où 𝑉𝑠 ∠𝜃𝑠 est le voltage de l’extrémité d’envoi et 𝑉𝑟 ∠𝜃𝑟 est le voltage de l’extrémité

de réception, la puissance complexe dans l’équation (2,14) peut être divisée en
composante active et réactive dans l’extrémité d’envoi :
𝑃𝑠𝑟 = [𝑉𝑠2 − 𝑉𝑠 𝑉𝑟 cos(𝜃𝑠 − 𝜃𝑟 )]𝑔𝑠𝑟 − [𝑉𝑠 𝑉𝑟 sin(𝜃𝑠 − 𝜃𝑟 )]𝑏𝑠𝑟 (2.15)
𝑄𝑠𝑟 = [−𝑉𝑠 𝑉𝑟 sin(𝜃𝑠 − 𝜃𝑟 )]𝑔𝑠𝑟 − [𝑉𝑠2 − 𝑉𝑠 𝑉𝑟 cos(𝜃𝑠 − 𝜃𝑟 )]𝑏𝑠𝑟 (2.16)
Et dans la réception
𝑃𝑟𝑠 = [𝑉𝑟2 −𝑉𝑟 𝑉𝑠 cos(𝜃𝑟 − 𝜃𝑠 )]𝑔𝑠𝑟 − [𝑉𝑟 𝑉𝑠 sin(𝜃𝑟 − 𝜃𝑠 )]𝑏𝑠𝑟 (2.17)
𝑄𝑟𝑠 = [−𝑉𝑟 𝑉𝑠 sin(𝜃𝑟 − 𝜃𝑠 )]𝑔𝑠𝑟 − [𝑉𝑟2 − 𝑉𝑟 𝑉𝑠 cos(𝜃𝑟 − 𝜃𝑠 )]𝑏𝑠𝑟 (2.18)
Si on néglige 𝑔𝑠𝑟
|𝑉𝑠 ||𝑉𝑟 | sin(δ)

𝑃𝑟𝑠 = (2.19)
𝑋𝑠𝑟
|𝑉𝑠 ||𝑉𝑟 | cos(δ) − |𝑉𝑟 |2

𝑄𝑟𝑠 = (2.20)
𝑋𝑠𝑟
Où δ est la différence entre l’angle de la tension de l’émission et la réception δ =

𝜃𝑠 − 𝜃𝑟 . Pour des petites valeurs de δ l’équation de la puissance réactive devient :
|𝑉𝑟 | |𝑉𝑟 |
𝑄𝑟𝑠 = (|𝑉𝑠 | − |𝑉𝑟 |) = |∆V| (2.21)
𝑋𝑠𝑟 𝑋𝑠𝑟
Où |∆V| représente la chute de tension de la ligne.
Pour une ligne courte :
(𝑃𝑟𝑠 − 𝑗𝑄𝑟𝑠 )
|∆𝑉| = 𝐼𝑟 𝑍 = 𝐼𝑟 (𝑟𝑠𝑟 + 𝑗𝑥𝑠𝑟 ) = (𝑅𝑠𝑟 + 𝑗𝑋𝑠𝑟 )
𝑉𝑟
𝑅𝑠𝑟 𝑃𝑟𝑠 + 𝑗𝑋𝑠𝑟 𝑄𝑟𝑠

≈ (2.22)
|𝑉𝑟 |
Par conséquent, l’écoulement de la puissance active (réelle) dépend de l'angle δ,

appelé l’angle de transmission, et des amplitudes relatives des tensions des terminaux de
l'envoi et de la réception. Comme ces tensions seront maintenues près de la tension
27
nominale, la puissance active dépends surtout de l’angle δ . Le transfert de puissance

maximale se produit à δ = 90° (limite de stabilité du régime permanent).
Le flux de la puissance réactive est dans la direction de la tension la plus faible et

il est indépendant de δ. Les conclusions suivantes peuvent être tirées :
- Pour des lignes de petites résistances, l’écoulement de la puissance active est

proportionnel à sin(δ), son maximum est à δ = 90°. Pour des raisons de stabilité,
la valeur est limitée à moins de 90°. Le transfert de la puissance active augmente
avec l'augmentation de la tension de transmission.
- L'écoulement de la puissance réactive est proportionnel à la chute de tension dans

la ligne, et est indépendant de δ. La tension de réception chute avec l'augmentation
de la demande de puissance réactive.
2.3.1. SIMPLIFICATION DE L’ECOULEMENT DE

PUISSANCE DE LA LIGNE
En générale, la conductivité série est inférieure à la susceptance série, la différence

d'angle de phase est faible, et les tensions de l’extrémité d'envoi et de réception sont
proches de la tension nominale :
𝑔𝑠𝑟 ≪ 𝑗𝑏𝑠𝑟 ; sin(𝜃𝑠 − 𝜃𝑟 ) ≈ 𝜃𝑠 − 𝜃𝑟 ; cos(𝜃𝑠 − 𝜃𝑟 ) ≈ 1 ; 𝑉𝑠 ≈ 𝑉𝑟 ≈ 1 𝑃𝑈 (2.23)
Si ces relations sont utilisées, on aura :
𝑃𝑠𝑟 ≈ (𝜃𝑠 − 𝜃𝑟 )𝑏𝑠𝑟 ;𝑄𝑠𝑟 ≈ (𝑉𝑠 − 𝑉𝑟 )𝑏𝑠𝑟 ;𝑃𝑟𝑠 ≈ −(𝜃𝑟 − 𝜃𝑠 )𝑏𝑠𝑟 ;𝑄𝑟𝑠 ≈ −(𝑉𝑟 − 𝑉𝑠 )𝑏𝑠𝑟 (2.24)
2.3.2. REGULATION DE LA TENSION
La régulation de la tension est définie comme étant l'augmentation de la tension au

niveau de l'extrémité de réception, exprimée en pourcentage de la tension de pleine charge
par rapport à la tension lorsque la charge totale est enlevée (à un facteur de puissance
spécifié). La tension de l’extrémité d'émission est maintenue constante. La régulation de
tension est exprimée en pourcentage ou en PU per unit de la tension de l’extrémité de
𝑉𝑟𝑠𝑐 −𝑉𝑟𝑝𝑐
réception en pleine charge : 𝑉𝑅 % = × 100 (2.25)
𝑉𝑟𝑝𝑐
Où : 𝑉𝑟𝑠𝑐 est la tension de réception sans charge, 𝑉𝑟𝑝𝑐 est la tension de pleine charge
à un facteur de puissance spécifié.
28
LES CONSTANTES ABCD
Une ligne de transmission de longueur quelconque peut être représentée par un

réseau à quatre bornes, Fig. 2-.2 (a). Pour les constantes A, B, C et D, la relation entre
tensions et courants des bornes de l'envoi et de la réception peut être exprimé sous la
forme :
Figure 2-2. (a) représentation schématique d'un réseau à deux extrémités utilisant des constantes
ABCD (b) deux extrémités en série (c) deux extrémités en parallèle
𝑉 𝐴 𝐵 𝑉𝑟
| 𝑠| = | || | (2.26)
𝐼𝑠 𝐶 𝐷 𝐼𝑟
Dans le cas où les tensions et les courants de d'extrémité d'envoi sont connus, la
tension et le courant de réception peuvent être trouvés par :
𝑉 𝐷 −𝐵 𝑉𝑠
| 𝑟| = | || | (2.27)
𝐼𝑟 −𝐶 𝐴 𝐼𝑠
En outre, 𝐴𝐷 − 𝐵𝐶 = 1 (2.28)
La signification de ces constantes est donnée par :
29
𝑉
𝐴 = 𝑠⁄𝑉 , si 𝐼𝑟 = 0 , i.e., l’extrémité de réception est en circuit ouvert. A est donc
𝑟
un rapport de deux tensions (sans dimension).
𝑉
𝐵 = 𝑠⁄𝐼 , si 𝑉𝑟 = 0 , i.e., l’extrémité de réception est en court-circuit. B a une
𝑟
dimension d’une impédance (en ohm).
𝐼
𝐶 = 𝑠⁄𝑉 , si 𝐼𝑟 = 0 , i.e., l’extrémité de réception est en circuit ouvert. C donc a
𝑟
une dimension d’une admittance.
𝐼
𝐷 = 𝑠⁄𝐼 , si 𝑉𝑟 = 0 , i.e., l’extrémité de réception est en court-circuit. D a est donc
𝑟
un rapport de deux courants (sans dimension).
Deux réseaux ABCD en série (fig 2-2.b) peuvent être réduits en un seul réseau
équivalent, tel que :
𝑉𝑠 𝐴 𝐵1 𝐴2 𝐵2 𝑉𝑟 𝐴 𝐴 + 𝐵1 𝐶2 𝐴1 𝐵2 + 𝐵1 𝐷2 𝑉𝑟
| |=| 1 || || | = | 1 2 || | (2.29)
𝐼𝑠 𝐶1 𝐷1 𝐶2 𝐷2 𝐼𝑟 𝐶1 𝐴2 + 𝐷1 𝐶2 𝐶1 𝐵2 + 𝐷1 𝐷2 𝐼𝑟
(𝐴1 𝐵2 +𝐴2 𝐵1 ) 𝐵 𝐵
𝐴= ; 𝐵 = (𝐵 1+𝐵2 ) ;
(𝐵1 +𝐵1 ) 1 1
(𝐴1 =𝐴2 )(𝐷2 =𝐷1 ) 𝐵2 𝐷1 +𝐵1 𝐷2

𝐶 = (𝐶1 + 𝐶2 ) + ;𝐷 = [17] (2.30)
(𝐵1 +𝐵1 ) (𝐵1 +𝐵1 )
LES MODELES DES LIGNES DE TRANSMISSION
2.5.1. LIGNE MOYENNE DE TRANSMISSION
Avec l’augmentation de la distance de la ligne, le courant de charge devient

appréciable et la capacité shunt doit être considérée, ligne supérieure à 80 km (50 miles)
est inférieur à 250 km (150 miles) de longueur sont définit comme lignes de distance
moyenne. [18]
Il existe deux modèles pour la modélisation, le modèle de circuit T nominal et le

modèle de circuit 𝜋 nominal. Dans le circuit en T l’admittance shunt est connectée au
milieu de la ligne, cependant dans le circuit en 𝜋 la moitié des capacités shunt peuvent
être considérée comme étant localisées à chaque extrémité de la ligne, le modèle de circuit
en 𝜋 est le diagramme vectoriel sont représentés dans la figure 2-3. Le modèle de circuit
en T est le diagramme vectoriel sont représentés dans la figure 2-4.
30
Figure 2-3. Représentation d’une ligne de transmission en π avec son diagramme vectoriel
Figure 2-4. Représentation d’une ligne de transmission en T avec son diagramme vectoriel
2.5.2. LIGNE LONGUE DE TRANSMISSION
Pour les lignes de longueur courtes et moyennes, des modèles précis sont obtenus
en faisant des approximations telles que les impédances shunt soient localisées, alors que
ceci n’était pas le cas pour les lignes longues de 250 km (150 miles) et plus. [18]. Chaque
section élémentaire de la ligne a sa propre impédance série et admittance shunt.
Considérons une section élémentaire d’une impédance 𝑧 𝑃𝑈 et d’une admittance 𝑦 𝑃𝑈.
L’impédance de la section élémentaire de longueur 𝑑𝑥 est 𝑧𝑑𝑥 est l’admittance 𝑦𝑑𝑥. En
se référant à la figure 2.5 et en appliquant la loi de Kirchhoff des tensions on aura :
31
𝜕𝑉
𝑉 = 𝐼𝑧𝑑𝑥 + 𝑉 + 𝜕𝑥 𝑑𝑥 (2.31)
𝜕𝑉
= −𝐼𝑍
𝜕𝑥
La loi des nœuds donne également :

𝜕𝐼
𝐼 = 𝑉𝑦𝑑𝑥 + 𝐼 + 𝜕𝑥 𝑑𝑥 (2.32)
𝜕𝐼
= −𝑉𝑦
𝜕𝑥
Dérivons les équations 2.30 et 2.31 :
𝜕 2𝑉
= 𝑦𝑧𝑉 (2.33)
𝜕𝑥 2
Figure 2-5. Modèle d’une section élémentaire d’une ligne longue de transmission
𝜕2 𝐼
= 𝑦𝑧𝐼 (2.34)
𝜕𝑥 2
Ces équations différentielles ont des solutions de la forme :
𝑉 = 𝑉1 𝑒 𝛾𝑥 + 𝑉2 𝑒 −𝛾𝑥 (2.35)
Où 𝛾 est la constante de propagation. Elle est définie par : 𝛾 = √𝑧𝑦
Définissons l’élément shunt suivant, pour le distinguer de l’élément série de la

ligne : 𝑔𝑠ℎ est la conductance shunt, 𝑏𝑠ℎ est la susceptance shunt, 𝑥𝑠ℎ est la réactance
capacitive shunt et 𝑌 = 𝑦𝑙 est l’admittance shunt où l est la longueur de la ligne. La
𝑗
conductance shunt est négligeable donc : 𝑦 = 𝑥 ; 𝑦 = 𝑗𝑏𝑠ℎ ; 𝑦𝑧 = −𝑏𝑠ℎ 𝑥𝑠𝑐 + 𝑗𝑟𝑠𝑐 𝑏𝑠ℎ
𝑠ℎ
1
|𝛾| = √𝑏𝑠ℎ (𝑟𝑠𝑐2 + 𝑥𝑠𝑐
2 )4
(2.36)
32
La constante de propagation complexe peut être écrite sous :
𝛾 = 𝛼 + 𝑗𝛽 (2.37)
Où 𝛼 est définit comme la constante d’atténuation. Les unités communes sont

Nepers/mile ou Nepers/km.
1 −𝑟
𝛼 = |𝛾| cos [2 tan−1 ( 𝑥 𝑠𝑐)] (2.38)
𝑠𝑐
1 −𝑟
𝛽 = |𝛾| sin [2 tan−1 ( 𝑥 𝑠𝑐)] (2.39)
𝑠𝑐
Où 𝛽 est la constante de phase [𝑟𝑎𝑑/𝑘𝑚]
𝑧
L’impédance caractéristique est : 𝑍0 = √𝑦 (2.40)
En négligeant encore la conductance shunt :
𝑧 𝑟𝑠𝑐 + 𝑗𝑥𝑠𝑐
= = 𝑥𝑠𝑐 𝑥𝑠ℎ − 𝑗𝑟𝑠𝑐 𝑥𝑠ℎ
𝑦 𝑗𝑏𝑠ℎ
1
𝑍0 = √𝑥𝑠ℎ (𝑟𝑠𝑐2 + 𝑥𝑠𝑐
2 )4
(2.41)
1 −𝑟
∠ 𝑍0 = 2 tan−1 ( 𝑥 𝑠𝑐) (2.42)
𝑠𝑐
La tension à un point x peut être écrite comme :

𝑉𝑟 +𝑍0 𝐼𝑟 𝑉𝑟 −𝑍0 𝐼𝑟
𝑉𝑥 = | | 𝑒 𝛼𝑥+𝑗𝛽𝑥 + | | 𝑒 −𝛼𝑥−𝑗𝛽𝑥 (2.43)
2 2
Cette équation représente une équation d’une onde progressive. La solution consiste
à deux termes, chacun est lui-même fonction de deux variables, de temps et de distance.
A chaque instant, le premier terme, qui représente l’onde incidente est distribué
sinusoïdalement tout au long de la ligne avec l’amplitude qui croît exponentiellement
depuis l’extrémité de réception.
La même explication pour le courant :

𝑉𝑟 /𝑍0 +𝐼𝑟 𝑉𝑟 /𝑍0 −𝐼𝑟
𝐼𝑥 = | | 𝑒 𝛼𝑥+𝑗𝛽𝑥 + | | 𝑒 −𝛼𝑥−𝑗𝛽𝑥 (2.44)
2 2
Ces équations peuvent être écrites comme :
𝑒 𝛾𝑥 +𝑒 −𝛾𝑥 𝑒 𝛾𝑥 −𝑒 −𝛾𝑥
𝑉𝑥 = 𝑉𝑟 ( ) + 𝑍0 𝐼𝑟 ( )
2 2
𝑉 𝑒 𝛾𝑥 −𝑒 −𝛾𝑥 𝑒 𝛾𝑥 +𝑒 −𝛾𝑥
𝐼𝑥 = 𝑍𝑟 ( ) + 𝐼𝑟 ( ) (2.45)
0 2 2
33
Ou sous forme matricielle :
𝑉𝑠 cosh 𝛾𝑙 𝑍0 sinh 𝛾𝑙 𝑉𝑟
| |=| 1 || | (2.46)
𝐼𝑠 sinh 𝛾𝑙 cosh 𝛾 𝐼𝑟
𝑍 0
Finalement, les constantes ABCD pour tous les types de ligne sont représentées
dans le tableau 2-1
Tableau 2-1. Constantes ABCD des lignes de transmission
CONSTANTES ABCD DES LIGNES DE TRANSMISSION
Longueur de COURTE MOYENNE MOYENNE LONGUE

la ligne
Circuit Impédance 𝜋 T Paramètres

équivalent équivalente distribuées
seulement
A 1 1 1 cosh γl
1 + 𝑌𝑍 1 + 𝑌𝑍
2 2
B Z Z 1 𝑍0 sinh γl
𝑍 [1 + (𝑌𝑍)]
4
C 0 1 Y sinh γl
𝑌 [1 + (𝑌𝑍)]
4 𝑍0
D 1 1 1 cosh γl
1 + 𝑌𝑍 1 + 𝑌𝑍
2 2
2.5.3. COEFFICIENT DE REFLEXION
Les valeurs relatives de 𝑉1 et 𝑉2 dépendent des conditions aux extrémités de la

ligne. Le coefficient de réflexion à l’extrémité de la charge est défini comme le ratio des
amplitudes de l’onde progressive émise et réfléchie. Pour une ligne qui se termine par une
𝑍 −𝑍
charge 𝑍𝐿 : 𝑉2 = (𝑍𝐿+𝑍0 ) 𝑉1 (2.47)
𝐿 0
Donc, le coefficient de réflexion du voltage à l’extrémité de la charge est :

𝑍 −𝑍
𝜌𝐿 = 𝑍𝐿+𝑍0 (2.48)
𝐿 0
Le coefficient de réflexion du courant égale à la négation de celui de la tension.
34
Pour une ligne court-circuitée, le courant double et pour une ligne à circuit ouvert
le voltage double. La figure 2-6 montre le phénomène de l’onde progressive. L’onde
réfléchis dans une discontinuité d’impédance est l’image miroir de l’onde incidente
mouvant dans la direction opposée. Chaque point de l’onde réfléchis correspond à celui
de l’onde incidente multiplié par le coefficient de réflexion (image miroir). A chaque
instant le voltage total est la somme de l’onde incidente et réfléchis. La figure 2-6(b)
montre le renforcement de l’onde incidente et réfléchis. L’onde réfléchie se déplace vers
la source et elle est aussi réfléchie. Le coefficient de réflexion de la source est défini par :
𝜌𝑠 = 𝑍𝑠 − 𝑍0 ⁄𝑍𝑠 + 𝑍0 (2.49)
L’onde incidente apparaisse dans la source, alors que l’onde réfléchis apparaisse
dans la charge. A chaque instant, le voltage ou le courant à chaque point est la somme de
tous les voltages et tous les courants existant dans la ligne dans ce point et temps.
Figure 2-6. (a) L’ondes incidente et réfléchie à un changement d'impédance dans une ligne longue
de transmission ; (b) le renforcement des ondes incidentes et réfléchie ; (c) onde incidente et
réfléchie traversant l'une et l'autre.
2.5.4. DIAGRAMME EN TREILLIS
Les ondes (émise et réfléchie) qui circulent peuvent être représentés sur un
diagramme en treillis (Fig. 2-7). L'axe horizontal est la distance de la ligne de la source
et l'axe vertical est marqué par incréments de temps. Chaque incrément étant le temps
nécessaire à l’onde pour parcourir la ligne dans une direction, à savoir la source à la
charge. Considérons un point P dans la forme d'impulsion de la figure. 2-7 (b) à l'instant
35
t’, le temps de se déplacer dans une direction est 𝑙⁄𝑢 où u est proche de la vitesse de la
lumière. Le point P atteint alors la fin de charge à 𝑡 ′ + 𝑙⁄𝑢𝑠 et est réfléchie. Le point
correspondant sur l'onde réfléchie est P𝜌𝐿 . A l’extrémité d'envoi, il est ré-réfléchi en
P𝜌𝐿 𝜌𝑠 , Fig. 2-7 (b).
Figure 2-7 (a) Un point P à l'instant t’ sur un signal d'impulsion appliquée à l'extrémité d'envoi
d'une ligne de transmission ; (b) diagramme de treillis.
2.5.5. IMPEDANCE CARACTERISTIQUE
Le charge de l’impédance de surtension The surge impedance loading (SIL) de la

ligne est définie comme étant la puissance délivrée à une charge purement résistive de
valeur égale à l'impédance de surtension de la ligne :
𝑆𝐼𝐿 = 𝑉𝑟2 /𝑍0 (2.50)
Pour une impédance caractéristique de 400 ohms, SIL en kW est 2,5 multipliée par
le carré de la tension de l’extrémité de réception en kV. L'impédance caractéristique est
un nombre réel et donc le facteur de puissance le long de la ligne égal à l'unité, à savoir,
aucune compensation de puissance réactive est nécessaire. La charge SIL est aussi
appelée la charge naturelle de la ligne de transmission.
2.5.6. LONGUEUR D’ONDE
Un cycle complet de tension ou de courant le long de la ligne, correspond à un

changement de 2𝜋 radians dans un argument angulaire de β est définie comme la longueur
d'onde λ. Si β est exprimée en rad /mile : 𝜆 = 2𝜋/𝛽
36
Pour une ligne sans pertes : 𝛽 = 𝜔√𝐿𝐶

1 1 1
Donc : 𝜆 = 𝑓√𝐿𝐶 et la vitesse de propagation de l'onde est 𝑣 = 𝑓𝜆 = ≈
√𝐿𝐶 √𝜇0 𝑘0
Où 𝜇0 = 4𝜋 × 10−7 est la perméabilité du vide, et 𝑘0 = 8,854 × 10−12 est la

1 𝑐𝑚 𝑚𝑖𝑙𝑒𝑠
permittivité du vide. Donc, = 3 × 1010 𝑜𝑟 186000 =
[√(𝜇0 𝑘0 )] 𝑠 𝑠
𝑣𝑖𝑡𝑒𝑠𝑠𝑒 𝑑𝑒 𝑙𝑎 𝑙𝑢𝑚𝑖è𝑟𝑒.
LIGNE D'ALIMENTATION REGLÉE
Dans le modèle de ligne de transmission longue, si la conductance shunt et la

résistance série sont négligées, alors :
𝛾 = √𝑌𝑍 = 𝑗𝜔√𝐿𝐶 (2.51)
cosh 𝛾𝑙 = cosh 𝑗𝜔𝑙√𝐿𝐶 = cos 𝜔𝑙√𝐿𝐶 (2.52)
sinh 𝛾𝑙 = sinh 𝑗𝜔𝑙√𝐿𝐶 = 𝑗 sin 𝜔𝑙√𝐿𝐶 (2.53)
Où l est la longueur de la ligne. Cela simplifie les constantes ABCD et en résulte la

prochaine relation :
𝑉𝑠 cos 𝜔𝑙√𝐿𝐶 𝑗 𝑍0 sin 𝜔𝑙√𝐿𝐶 𝑉𝑅

| |=| 𝑗 || | (2.54)
𝐼𝑠 sin 𝜔𝑙√𝐿𝐶 cos 𝜔𝑙√𝐿𝐶 𝐼𝑅
𝑍 0
Si 𝜔𝑙√𝐿𝐶 = 𝑛𝜋 (𝑛 = 1,2,3 … ) (2.55)
Puis |𝑉𝑠 | = |𝑉𝑟 | et |𝐼𝑠 | = |𝐼𝑟 | (2.56)
Ce sera une situation idéale pour l'exploitation d'une ligne de transmission. La

tension et le courant d'extrémité de réception sont égales à la tension et au courant de
2𝜋𝑓 2𝜋
l’extrémité d'envoi. La ligne a un profil de tension plat. 𝛽= = (2.57)
𝑣 𝜆
Comme 1/√LC ≈ vitesse de la lumière, la longueur d’onde de la ligne λ est 3100,

6200…miles ou 𝛽 = 0,116 ° par mile. La quantité 𝛽1 est appelée la longueur électrique
de la ligne. La longueur calculée ci-dessus est trop longue pour profiter de cette propriété
idéale et suggère que les lignes électriques peuvent être réglés avec des condensateurs en
série pour annuler l'effet de l'inductance et des inductances shunt pour neutraliser l'effet
de la capacité de la ligne.
37
L’EFFET FERRANTI
Lorsque la longueur de la ligne de transmission augmente, la tension de l'extrémité

de réception dépasse celle de l'envoi, en raison de la capacité de la ligne. Ceci est appelé
l'effet Ferranti. Dans un modèle de ligne longue à vide (𝐼𝑅 = 0), la tension de l’extrémité
𝑉𝑟 𝑉𝑟
d'envoi est : 𝑉𝑠 = 𝑒 𝛼𝑙 𝑒 𝑗𝛽𝑙 + 𝑒 −𝛼𝑙 𝑒 −𝑗𝛽𝑙 (2.58)
2 2
A 𝑙 = 0, les deux ondes incidentes et réfléchies sont égales à 𝑉𝑟 ⁄2. Quand l

augmente, l’onde incidente augmente de façon exponentielle, alors que l'onde réfléchie
diminue. Ainsi, la tension de l’extrémité de réception augmente. Une autre explication de
la montée de la tension peut être fournie en considérant que la capacité de la ligne est
localisée à l'extrémité de réception. Soit la capacité 𝐶𝑙; ensuite, le courant d'envoi en
1
circuit ouvert est : 𝐼𝑠 = 𝑉𝑠 ⁄(𝑗𝜔𝐿𝑙 − 𝑗𝜔𝐶𝑙) (2.59)
(C) est faible devant L. Ainsi, 𝜔𝐿𝑙 peut être négligé. La tension d'extrémité de
réception peut alors être écrite comme suit :
𝑉𝑟 = 𝑉𝑠 − 𝐼𝑠 (𝑗𝜔𝐿𝑙) = 𝑉𝑠 + 𝑉𝑠 𝜔2 𝐶𝐿𝐼2 = 𝑉𝑠 (1 + 𝜔2 𝐶𝐿𝐼 2 ) (2.60)
Cela donne une augmentation de la tension à l'extrémité de réception de :

2
|𝑉𝑠 |𝜔2 𝐶𝐿𝐼 2 = |𝑉𝑠 |𝜔2 𝐼 ⁄ 2 (2.61)
𝑣
Où v est la vitesse de propagation. Considérant que v est constante, la tension

augmente avec l'augmentation de la longueur de la ligne.
En outre, à partir de l'équation. (2.54), la tension à toute distance x en termes de la

tension de l’extrémité d'envoi, avec la ligne en circuit ouvert et en négligeant la résistance,
cos 𝛽(𝑙−𝑥)
est : 𝑉𝑥 = 𝑉𝑠 (2.62)
cos 𝛽𝑙
𝑉 sin 𝛽(𝑙−𝑥)
Et le courant est 𝐼𝑥 = 𝑗 𝑍𝑠 cos 𝛽𝑙
(2.63)
0
[17]
38
MODELISATION DES ELEMENTS DE RESEAU
2.8.1. MODELISATION D’UN TRANSFORMATEUR A DEUX

ENROULEMENTS
Un transformateur peut être modélisé par son impédance de fuite comme dans les
calculs de court-circuit ; Cependant, dans les calculs d'écoulement de puissance le
transformateur peut agir comme un élément de commande.
La régulation de tension est obtenue par un commutateur à gradin sur les

enroulements, pour changer le rapport de transformation. Les gradins peuvent être ajustés
en charge, fournissant une commande automatique de la tension. En charge les gradins
fournissent généralement ± 10 à 20% d’ajustements de tension autour de la tension
nominale du transformateur, dans 16 ou 32 étapes. Les gradins hors tension off-load taps
fournissent ± 5% de réglage de tension, deux gradins de 2,5% en dessous de la tension
nominale et deux gradins de 2,5% en dessus la tension nominale. Ces gradins doivent être
fixés à un niveau optimal avant la mise sous tension, car ceux-ci ne peuvent pas être
ajustés en charge.
Les transformateurs peuvent fournir un contrôle de déphasage pour améliorer les

limites de stabilité. L’ajustement de tension fournit indirectement un contrôle de
puissance réactive. L'impédance d'un transformateur change avec la position du gradin.
Pour un autotransformateur il peut y avoir un changement de 50% dans l'impédance au
cours de réglage. La perte de puissance réactive dans un transformateur est importante, et
le rapport 𝑋/𝑅 doit être correctement modélisé dans l’écoulement de puissance.
Considérons un transformateur de rapport 1: 𝑛. Il peut être modélisé par un
transformateur idéal en série avec son impédance de fuite Z (les pertes par courant de
Foucault et le circuit de magnétisation shunt sont négligées), comme le montre la Fig. 2.8
(a). Avec les notations représentées sur cette figure :
39
Figure 2-8. (a) circuit équivalent d'un transformateur à rapport réglable en ignorant les éléments
shunts ; (b) impédance équivalente du réseau ; (c) admittance équivalente de réseau.
𝑉𝑠 = (𝑉𝑟 − 𝑍𝐼𝑟 )/𝑛 (2.64)

Comme la puissance dans le transformateur est invariante :
𝑉𝑠 𝐼𝑠∗ + (𝑉𝑟 − 𝑍𝐼𝑟 )𝐼𝑟∗ = 0 (2.65)
Substituent 𝐼𝑠 /(−𝐼𝑟 ) = 𝑛 les équations suivantes peuvent être écrites :
𝐼𝑠 = [𝑛(𝑛 − 1)𝑌]𝑉𝑠 + 𝑛𝑌(𝑉𝑠 − 𝑉𝑟 ) (2.66)

𝐼𝑟 = 𝑛𝑌(𝑉𝑟 − 𝑉𝑠 ) + [(1 − 𝑛)𝑌]𝑉𝑟 (2.67)
Les équations (2.65) et (2.66) donnent le circuit équivalent représenté dans la figure
2-8 (b) et 2.8(c), respectivement.
Le circuit équivalent en π du transformateur Fig. 2-8(c) donne :
𝑌𝑠𝑠 = 𝑛2 𝑌𝑠𝑟 𝑌𝑠𝑟 = 𝑌𝑟𝑠 = −𝑛𝑌𝑠𝑟 𝑌𝑟𝑟 = 𝑌𝑠𝑟 (2.68)
Si le rapport de transformation change par ∆𝑛:
𝑌𝑠𝑠 → 𝑌𝑠𝑠 + [(𝑛 + ∆𝑛)2 − 𝑛2 ]𝑌𝑠𝑟 ; 𝑌𝑠𝑟 → 𝑌𝑠𝑟 − ∆𝑛𝑌𝑠𝑟 ; 𝑌𝑟𝑟 → 𝑌𝑟𝑟 ( 2.69)
2.8.2. GENERATEURS ET CHARGES
Les générateurs et les charges sont définis à l’aide des grandeurs fondamentales
telles que les puissances actives et réactives et les deux composantes de la tension qui
sont l’amplitude et la phase. Lorsque l’on décrit une charge à un sommet dit
consommateur, cette dernière est représentée par la puissance complexe consommée
40
c’est-à-dire les valeurs P de la puissance active et les valeurs Q de la puissance réactive.

Lorsque l’on décrit un sommet générateur leur fonctionnement est décrit par la puissance
active P délivrée et l’amplitude V de la tension en ce nœud. On définit aussi la fourchette
[𝑄𝑚𝑖𝑛 , 𝑄𝑚𝑎𝑥 ] de sa capacité de fourniture/absorption de la puissance réactive. Une
exception est cependant faite pour la machine la plus puissante connectée au réseau, que
l’on appelle nœud bilan qui servira comme référence pour la tension en module et en
phase et qui sera celle à laquelle seront affectées les pertes dans le réseau calculées a
posteriori.
LES VARIABLES SYSTEMES DANS

L’ECOULEMENT DE PUISSANCE
Dans l'analyse théorique, les courants sont calculés sur la base des impédances ou
admittances du système et des tensions supposées. Les puissances complexes ont été
calculés sur la base des tensions. En pratique, les tensions et les courants sont inconnues
dans les nœuds de charge. L'équilibre de puissance nécessaire est connu. Un bus peut
connecter des systèmes d’admittances, des admittances shunt, des générateurs, des
charges, ou des sources de puissance réactive. La demande des consommateurs à tout
instant est incontrôlable en termes de besoin en puissance active et réactive. Pour un
circuit à deux nœuds, ceci est représenté par un vecteur à quatre dimensions p :
𝑝1 𝑝𝐷1
𝑝 𝑄
𝑝 = |𝑝2 | = | 𝑝 𝐷1 | (2.70)
3 𝐷2
𝑝4 𝑄𝐷2
Où 𝑝𝐷1 , 𝑝𝐷2 , 𝑄𝐷1 𝑒𝑡 𝑄𝐷2 sont les puissance actives et réactives demandées par les
deux jeux de barres 1 et 2. Les amplitudes et les angles de phase des tensions sont
considérés des variables d’état et représenté par :
𝑥1 𝜃1
𝑥 |𝑉 |
𝑥 = |𝑥2 | = | 1 | (2.71)
3 𝜃2
𝑥4 |𝑉2 |
Finalement, la puissance active et réactive générées par les nœud 1 et 2 sont connues
par les variables de contrôle :
41
𝑢1 𝑝𝐺1
𝑢 𝑄
𝑢 = |𝑢2 | = | 𝑝 𝐺1 | (2.72)
3 𝐺2
𝑢4 𝑄𝐺2
Ainsi, pour un système à deux bus, nous avons 12 variables et pour les grands
réseaux électriques, il y aura des milliers de variables et le programme de l’écoulement
de puissance doit résoudre ces variables. Cette résolution sera examinée dans les calculs
de l’écoulement de puissance en régime permanent. 𝑓(𝑥, 𝑝, 𝑢) = 0
METHODES DE RESOLUTION DE
L’ECOULEMENT DE PUISSANCE
Les solutions de l’écoulement de puissance en fonction de la matrice d'impédance

nodale ont été brièvement expérimentées avec [19], mais les problèmes de stockage
informatique et la vitesse sont devenus des problèmes insurmontables à l'époque. Pour
surmonter ces limitations, la méthode de Newton-Raphson et ces formulations dérivées
ont été développées au début des années 1970 et sont devenus fermement établies dans
l'industrie des réseaux électrique [20] [21] [22] [23].
Du point de vue de modélisation mathématique, la solution de l’écoulement de

puissance consiste à résoudre l'ensemble des équations algébriques non linéaires, qui
décrivent le réseau électrique sous régime permanent stable. Au fil des ans, plusieurs
approches ont été proposées pour la solution des équations l’écoulement de puissance.
Les premières approches ont été basées sur les équations bouclées et les méthodes
numériques de type Gauss. La méthode était laborieuse parce que les boucles de réseau
devaient être précisées au préalable. L’amélioration de ces techniques ont vu
l'introduction de l'analyse nodale en faveur de l'analyse de la boucle, ce qui conduit à une
réduction considérable de la préparation des données. Néanmoins, la fiabilité de la
convergence était encore la principale préoccupation. D'autres développements ont abouti
à la mise en place de la méthode de Gauss-Seidel avec des facteurs d'accélération. L'appel
de cette génération de méthodes d'écoulement de puissance est leurs exigences minimales
de stockage et le fait qu'ils sont faciles à comprendre et à coder sous forme de programmes
informatiques. L'inconvénient est que ces algorithmes présentent une mauvaise
caractéristique de convergence lorsqu'elles sont appliquées à la solution des réseaux de
taille réaliste [24] [25].
42
2.10.1. TYPE DE JEUX DE BARRES
Pour résoudre un problème de flux de puissance, le système est supposé être opérant
dans des conditions d’équilibre en utilisant le modèle monophasé. Quatre quantités sont
associées à chaque bus. Ce sont l’amplitude de la tension |𝑉|, l'angle de phase 𝛿 , la
puissance active P et la puissance réactive Q. Les jeux de barres (bus) de système sont
généralement classés en trois types :
NŒUD DE REFEREENCE
Ce jeu de barres est pris comme référence où l’amplitude et l'angle de phase de la
tension sont spécifiés. Ce bus fait la différence entre les charges prévues et l'énergie
produite qui est causée par les pertes dans le réseau.
NŒUD DE CHARGE
Dans ces jeux de barres, les puissances actives et réactives sont spécifiées.
L'amplitude et l'angle de phase des tensions de bus sont inconnus. Ces bus sont appelés
bus P-Q.
NŒUD DE REGULATION (GENERATION)

Ces nœuds sont des bus de génération. Ils sont également connus comme barres de
tension contrôlée. Dans ces nœuds, la puissance active et l’amplitude de tension sont
spécifiées. L’angle de phase de la tension et la puissance réactive sont à déterminer. Les
limites de la valeur de la puissance réactive sont également spécifiées. Ces bus sont
appelés bus P-V.
Tableau 2-2. Type de jeux de barres
Type de
Variables connues Variables inconnues
nœuds
Les puissances active et Tension amplitude et angle de

PQ
réactive (P,Q) phase (V,δ)
Puissance active et la Angle de phase de tension et
PV
tension (P,V) puissance réactive (δ,Q)
Tension amplitude et angle Le courant, Les puissances active
Référence
de phase (V,δ) et réactive (P,Q)
43
2.10.2. METHODES DE GAUSS-SEIDEL UTILISANT LA

MATRICE-Y
Le principe des itérations de Jacobi est montré dans la figure. 2-9. Le programme
commence par un réglage des valeurs initiales de la tension, généralement égale à la
tension au niveau du nœud de référence. Dans un réseau bien conçu, les tensions sont
proches des valeurs nominales et en l'absence d'une meilleure estimation, toutes les
tensions peuvent être réglés égal à 1 par unité. Depuis les contraintes des nœuds de
puissance, les courants sont connus et remplacés dans les équations de la matrice Y, une
meilleure estimation de tensions est obtenue. Ces nouvelles valeurs de tensions sont
utilisées pour trouver de nouvelles valeurs de courants. L'itération se poursuit jusqu'à ce
que la tolérance requise sur les flux de puissance soit obtenue. Ceci est schématiquement
illustré à la Fig. 2-9. A partir d'une estimation initiale de X0, la valeur finale de X* est
obtenu par un certain nombre d'itérations. L'organigramme de base du processus
d'itération est représenté sur la Fig. 2-10.
Figure 2-9. Illustration du processus itératif numérique pour la valeur finale d'une fonction
TECHNIQUE ITERATIVE DE JACOBI

Considérant n équations linéaires avec n inconnues (𝑥1 . . . ; 𝑥𝑛) comme données.
Les coefficients a et les variables dépendantes b sont connus :
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
… … … … … … … ….
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛 (2.73)
Ces équations peuvent être écrites sous :
44
1
𝑥1 = (𝑏 − 𝑎12 𝑥2 − 𝑎13 𝑥3 − ⋯ − 𝑎1𝑛 𝑥𝑛 )
𝑎11 1
1
𝑥2 = (𝑏 − 𝑎21 𝑥1 − 𝑎23 𝑥3 − ⋯ − 𝑎2𝑛 𝑥𝑛 )
𝑎22 2
… … … … … … … ….
1
𝑥𝑛 = (𝑏𝑛 − 𝑎𝑛1 𝑥1 − 𝑎𝑛2 𝑥2 − ⋯ − 𝑎𝑛,𝑛−1 𝑥𝑛−1 ) (2.74)
𝑎𝑛𝑛
Une valeur initiale pour chacune des variables dépendantes 𝑥1; 𝑥2 . . . ; 𝑥𝑛 est
assumée. Désignant ces valeurs par 𝑥10 , 𝑥20 , 𝑥30 … 𝑥𝑛0
Les valeurs initiales sont estimées par :

𝑦 𝑦 𝑦
𝑥10 = 𝑎 1 ; 𝑥20 = 𝑎 2 ;… … … 𝑥𝑛0 = 𝑎 𝑛 (2.75)
11 22 𝑛𝑛
Substituant dans l’équation (2.74) :

1
𝑥11 = (𝑏 − 𝑎12 𝑥20 − 𝑎13 𝑥30 − ⋯ − 𝑎1𝑛 𝑥𝑛0 )
𝑎11 1
1
𝑥21 = (𝑏 − 𝑎21 𝑥10 − 𝑎23 𝑥30 − ⋯ − 𝑎2𝑛 𝑥𝑛0 )
𝑎22 2
… … … … … … … ….
1
𝑥𝑛 = 𝑎 (𝑏𝑛 − 𝑎𝑛1 𝑥10 − 𝑎𝑛2 𝑥20 − ⋯ − 𝑎𝑛,𝑛−1 𝑥𝑛−1
1 0
) (2.76)
𝑛𝑛
Début
Valeurs initiales
des tensions
Depuis les contraintes des nœuds de

puissances Ikk est connu
K=K+1
Depuis les équations de performance de réseau VY=I

Vkk est connue
convergence
non
oui
Stop
Figure 2-10. Organigramme du processus itératif de base des itérations de type Jacobi
45
Ces nouvelles valeurs de 𝑥11 , 𝑥21 , … 𝑥𝑛1 sont substituées dans la prochaine itération.
En générale dans la kième itération :
1
𝑥1𝑘 = (𝑏 − 𝑎12 𝑥2𝑘−1 − 𝑎13 𝑥3𝑘−1 − ⋯ − 𝑎1𝑛 𝑥𝑛𝑘−1 )
𝑎11 1
1
𝑥2𝑘 = (𝑏 − 𝑎21 𝑥1𝑘−1 − 𝑎23 𝑥3𝑘−1 − ⋯ − 𝑎2𝑛 𝑥𝑛𝑘−1 )
𝑎22 2
… … … … … … … ….
1
𝑥𝑛𝑘 = (𝑏 − 𝑎𝑛1 𝑥1𝑘−1 − 𝑎𝑛2 𝑥2𝑘−1 − ⋯ − 𝑎𝑛,𝑛−1 𝑥𝑛−1
𝑘−1
) (2.77)
𝑎𝑛𝑛 𝑛
ITERATION DE GAUSS–SEIDEL
Au lieu de remplacer les 𝑘 − 1 approximations dans toutes les équations dans la
kième itération, les kième itérations sont immédiatement utilisées. Cela devrait réduire le
nombre d'itérations.
1
𝑥1𝑘 = (𝑏 − 𝑎12 𝑥2𝑘−1 − 𝑎13 𝑥3𝑘−1 − ⋯ − 𝑎1𝑛 𝑥𝑛𝑘−1 )
𝑎11 1
1
𝑥2𝑘 = (𝑏 − 𝑎21 𝑥1𝑘 − 𝑎23 𝑥3𝑘−1 − ⋯ − 𝑎2𝑛 𝑥𝑛𝑘−1 )
𝑎22 2
1
𝑥3𝑘 = (𝑏 − 𝑎31 𝑥1𝑘 − 𝑎32 𝑥2𝑘 − ⋯ − 𝑎3𝑛 𝑥𝑛𝑘−1 )
𝑎33 3
… … … … … … … ….
1
𝑥𝑛𝑘 = (𝑏𝑛 − 𝑎𝑛1 𝑥1𝑘 − 𝑎𝑛2 𝑥2𝑘 − ⋯ − 𝑎𝑛,𝑛−1 𝑥𝑛−1
𝑘
) (2.78)
𝑎𝑛𝑛
LA CONVERGENCE
La convergence peut être définie comme : 𝜀 𝑘 = |𝑉𝑠𝑘−1 − 𝑉𝑠𝑘 | < 𝜀 (2.79)
La procédure de calcul est répétée jusqu'à ce que la tolérance spécifiée soit atteinte.
La valeur de Ɛ est arbitraire. Pour Gauss-Seidel 𝜀 = 0.00001 𝑎𝑢 0.0001 est commun.
C’est le plus grand changement de tension permis sur n’importe quel bus entre deux
itérations successives avant que la solution finale soit atteinte. Environ 50 à 150 itérations
sont communes, en fonction du nombre de bus et des impédances du système.
METHODE DE GAUSS–SEIDEL DE LA MATR ICE Y

Dans les calculs de l’écoulement de puissance les équations du système peuvent
être écrites en termes de courant, de tension ou de puissance au niveau du nœud k.
L'équation de la matrice en termes de tensions inconnus, en utilisant la matrice
d'admittance nodale pour le nième nœud est :
46
𝐼1 𝑌11 𝑌12 … 𝑌1𝑛 𝑉01

𝐼 𝑌
[ …2 ] = [ …
21 𝑌22 … 𝑌2𝑛 ] [ 𝑉02 ] (2.80)
… … … …
𝐼𝑘 𝑌𝑛1 𝑌𝑛2 … 𝑌𝑛𝑛 𝑉0𝑛
Où 0 est le nœud commun. Les courants entrant les nœuds depuis les générateurs
et les charges sont inconnus, cela peut être écrit en termes de P,Q et V :
𝑃𝑘 −𝑗𝑄𝑘
𝐼𝑘 = (2.81)
𝑉𝑘∗
La convention de courant et de l’écoulement de puissance est importante. Les

courants entrant les nœuds sont considérés positifs, donc la puissance dans le nœud est
également positive. La charge est alimentée par le nœud donc la puissance active et
réactive sont entrées comme : :−𝑃 − 𝑗(−𝑄) = −𝑃 + 𝑗𝑄. Le courant est alors (−𝑃 +
𝑗𝑄)/𝑉 ∗ . L’équation nodale du courant au kième nœud devient :
𝐼𝑘 = = 𝑌𝑘1 𝑉1 + 𝑌𝑘2 𝑉2 + 𝑌𝑘3 𝑉3 + ⋯ + 𝑌𝑘𝑘 𝑉𝑘 + ⋯ + 𝑌𝑘𝑛 𝑉𝑛 (2.82)
𝑉𝑘∗
cette équation peut être écrite sous :
1 𝑃𝑘 −𝑗𝑄𝑘
𝑉𝑘 = 𝑌 [ − 𝑌𝑘1 𝑉1 − 𝑌𝑘2 𝑉2 − 𝑌𝑘3 𝑉3 − ⋯ − 𝑌𝑘𝑛 𝑉𝑛 ] (2.83)
𝑘𝑘 𝑉𝑘∗
en général, pour le nœud k:
𝑉𝑘 = [ 𝑉∗ − ∑𝑛𝑖=1 𝑌𝑘𝑖 𝑉𝑖 ] 𝑝𝑜𝑢𝑟 𝑖 ≠ 𝑘 (2.84)
𝑌𝑘𝑘 𝑘
La tension du kième nœud dans l’itération r+1 peut être écrite sous :
𝑉𝑘𝑘+1 = 𝑌 [ 𝑉𝑘∗
− ∑𝑘−1
𝑖=1 𝑌𝑘𝑖 𝑉𝑖
𝑘+1
− ∑𝑛𝑖=𝑘+1 𝑌𝑘𝑖 𝑉𝑖𝑘 ] (2.85)
𝑘𝑘
1. La tension au nœud k a été écrite en termes d’elle-même et d’autres tensions.

La première équation contenant le bus de référence qui est omis, puisque la
tension au niveau de ce bus est déjà spécifiée en amplitude et en angle de phase.
La procédure de Gauss-Seidel pour les jeux de barres de charge PQ peut être

résumée dans les étapes suivantes :
Les premières valeurs de phaseur de tension de charge sont assumées, la tension de

swing bus est connue, et la tension de bus de contrôle au bus de génération peut être
spécifiée.
47
Bien qu’une estimation initiale des angles des tensions accélère la solution finale,
elle n’est pas nécessaire et les itérations peuvent être commencées par zéro degré ou par
le même angle de phase du swing bus. Un début de tension doux assume une tension de
1 + 𝑗0 à tous les bus, à l'exception de la tension du swing bus qui est fixe.
2. Sur la base des tensions initiales, la tension à un bus dans la première itération
est calculée en utilisant l'équation. (2,84), c’est à dire, au bus 2 :
1 𝑃2 −𝑗𝑄2
𝑉21 = 𝑌 [ − 𝑌21 𝑉10 − ⋯ − 𝑌2𝑛 𝑉𝑛0 ] (2.86)
22 𝑉2∗0
3. L'estimation de tension au bus 2 est affinée par trouver de nouvelles valeurs de

V2 à plusieurs reprises en substituant la valeur de V2 dans le côté droit de
l’équation.
4. La tension au bus 3 est calculée en utilisant la dernière valeur de V2 trouvée

dans l’étape 3 et de même pour d'autres bus du système.
Ceci termine une itération. Le processus d'itération est répété pour l'ensemble du
réseau jusqu'à ce que la convergence spécifiée soit obtenue.
Un bus de génération est traité différemment ; la tension à contrôler sur le bus est
spécifiée et le régulateur de tension du générateur varie la puissance réactive dans ses
limites de capacité pour réguler la tension de bus :
𝑄𝑘 = −𝐼𝑚 [𝑉𝑘∗ {∑𝑖−𝑛

𝑖=1 𝑌𝑘𝑖 𝑉𝑖 }] (2.87)
Où 𝐼𝑚 désigne la partie imaginaire de l’équation. La valeur révisée de 𝑄𝑘 est

obtenue en substituant la valeur la plus à jour de la tension.
𝑄𝑘𝑘+1 = −𝐼𝑚 [𝑉𝑘𝑘∗ ∑𝑘−1

𝑖=1 𝑌𝑘𝑖 𝑉𝑖
𝑘+1
+ 𝑉𝑘𝑘∗ ∑𝑛𝑘 𝑌𝑘𝑖 𝑉𝑖𝑘 ] (2.88)
L’angle 𝛿𝑘 est l’angle de la tension dans Eq. (11.30):
𝛿𝑘𝑘+1 = ∠ 𝑜𝑓 𝑉𝑘𝑘+1
𝑃𝑘 −𝑗𝑄𝑘𝑘+1 𝑌𝑘𝑖 𝑘+1 𝑌𝑘𝑖 𝑘

= ∠ 𝑜𝑓 [ − ∑𝑘−1
𝑖=1 𝑉 − ∑𝑛𝑖=𝑘+1 𝑉 ] (2.89)
𝑌𝑘𝑘 (𝑉𝑘𝑘 )∗ 𝑌𝑘𝑘 𝑖 𝑌𝑘𝑘 𝑖
Pour un bus PV, les limites supérieures et inferieures de la génération de l’énergie

réactive pour tenir la tension du bus constante sont aussi données :
𝑄𝑘(min) < 𝑄𝑘𝑘+1 < 𝑄𝑘(max) (2.90)
48
Si l’énergie réactive se situe dans les limites spécifiées la nouvelle valeur de la

tension 𝑉𝑘𝑘+1 est calculée en utilisant l’amplitude et 𝛿𝑘𝑘 spécifiés de la tension. Cette
nouvelle valeur de la tension 𝑉𝑘𝑘+1 est mise égale à la valeur spécifiée pour calculer la
nouvelle valeur de l’angle 𝛿𝑘𝑘+1 . Si la puissance réactive calculée est à l’extérieur de la
limite spécifié, alors, cela signifie que cette puissance réactive sera la nouvelle valeur de
la limite. Le nœud PV est traité comme un nœud PQ. Un diagramme est représenté sur
la Fig. 2-11. 𝑠𝑖 𝑄𝑘𝑘+1 > 𝑄𝑘(max) 𝑎𝑙𝑜𝑟𝑠 𝑄𝑘𝑘+1 = 𝑄𝑘(max) (2.91)
𝑠𝑖 𝑄𝑘𝑘+1 < 𝑄𝑘(min) 𝑎𝑙𝑜𝑟𝑠 𝑄𝑘𝑘+1 = 𝑄𝑘(min) (2.92)
Démarrer
Définir la valeur initiale

des tensions
K=0
PQ Type
de
nœud
PV
Calculer Qkk+1
Eq(2.88)
Si NON Mettre Vk= |Vk| spécifié

K+1
Qk+1 >=Qmax
δkk= angle de phase de |Vk|
Ou
Qk+1<=Qmin Spécifié eq (2.89)
OUI
Qk+1 =Qmax trouver V k+1= |Vk| spécifié

k+1
ou δ k= angle de phase de |Vk|
Qk+1=Qmin spécifié
Calculer
Vkk+1 Eq (2.85)
NON Test de convergence

|V k|k+1 -|V k|k ˂ε
OUI
Calculer
L écoulement
de puissance
STOP
Figure 2-11. Organigramme de la méthode de Gauss- Seidel de l’écoulement de puissance
49
En général, la convergence est mieux assurée quand les éléments diagonaux de la

matrice Y sont plus grands que les éléments non diagonaux. Ce n’est pas toujours le cas.
Dans les systèmes qui ont une grande variation des impédances, des oscillations peuvent
se produire sans convergence.
2.10.3. METHODE DE GAUSS–SEIDEL UTILISANT LA

MATRICE Z
Nous savons comment une matrice d'impédance de bus peut être formée. Nous
utiliserons cette matrice pour le calcul de l’écoulement de puissance. La tension du nœud
de référence est définie et ne doit pas être incluse dans les équations matricielles. Les
tensions restantes sont
𝑉2 𝑍22 𝑍23 𝑍2𝑛 𝐼2

[ .3 ] = [𝑍32
𝑉
.
𝑍32
.
𝑍3𝑛 ] [ 𝐼3 ]
. . (2.93)
𝑉𝑛 𝑍𝑛2 𝑍𝑛3 𝑍𝑛𝑛 𝐼𝑛
Donc, on peut écrire : 𝑉𝑘 = 𝑍𝑘2 𝐼2 + 𝑍𝑘3 𝐼3 + ⋯ + 𝑍𝑘𝑛 𝐼𝑛 (2.94)

Le courant de la branche k peut être écrit sous : 𝐼𝑘 = − 𝑦𝑘 𝑉𝑘 (2.95)
𝑉𝑘∗
Où 𝑦𝑘 est l’admittance de bus k à un bus de référence commun. Si la branche k est

un générateur qui fournit de la puissance active et réactive sur le bus, P et Q sont entrées
en tant que des valeurs positives. Si la branche k est alimentée par le réseau, alors P et Q
sont entrées en tant que valeurs négatives.
La procédure générale est très semblable à la méthode de l'admittance Y :
𝑉𝑘 = 𝑍𝑘1 𝐼1 + ⋯ + 𝑍𝑘𝑛 𝐼𝑛
𝑃1 −𝑗𝑄1 𝑃𝑛 −𝑗𝑄𝑛
= 𝑍𝑘1 [ − 𝑦1 𝑉1 ] + ⋯ + 𝑍𝑘𝑛 [ − 𝑦𝑛 𝑉𝑛 ] (2.96)
𝑉∗1 𝑉∗𝑛
𝑃𝑖 −𝑗𝑄𝑖
𝑉𝑘 = ∑𝑖−𝑛
𝑖=1 𝑍𝑘1 [ 𝑉𝑖∗
− 𝑦𝑖 𝑉𝑖 ] (2.97)
Le processus d’itération est :
Assumer la tension initiale pour les n bus : 𝑉10 , 𝑉20 , … , 𝑉𝑛0 (2.98)
1. Calculer V1 depuis l’équation (2.97) en termes des tensions initiales assumées

et substituer dans la même équation pour une nouvelle valeur corrigée :
𝑃𝑖 −𝑗𝑄𝑖
𝑉11 = ∑𝑛𝑖=1 𝑍𝑘𝑖 [ − 𝑦𝑖 𝑉𝑖0 ] (2.99)
𝑉𝑖0∗
50
2. Répétez l'opération pour bus 2, faisant usage de valeurs corrigées de V1 trouvées

à l'étape 2. Itérer pour trouver une valeur corrigée de V2 avant de passer au
prochain bus.
3. Lorsque toutes les tensions des jeux de barres ont été évalués tout recommencer
pour la convergence requise.
Lors d'un bus de génération la puissance réactive n’est pas connue et une estimation
∗
𝑃𝑖−𝑗𝑄𝑖
est nécessaire. Ceci peut être fait à partir de : 𝑄𝑘 = −𝐼𝑚 𝑍𝑉𝑘 [𝑉𝑘 − ∑𝑖−𝑛
𝑖=1,𝑖≠𝑘 𝑍𝑘𝑖 𝑉∗𝑖
] (2.100)
𝑘𝑘
La matrice impédance Z présente des caractéristiques de forte convergence, au

détriment de la mémoire à cause de son besoin considérable de calculs préliminaires. Les
modifications dues à l'évolution du système sont aussi relativement difficile.
CONVERS ION DE LA MATR ICE Y A LA MATR ICE Z

Nous allons examiner une méthode par laquelle une matrice d'impédance nodale
peut être construite à partir d'une matrice d'admittance par une opération de pivotement
étape par étape d’où :
1
𝑛𝑜𝑢𝑣𝑒𝑙𝑙𝑒 𝑌𝑘𝑘 = 𝑌 (𝑌𝑘𝑘 = 𝑝𝑖𝑣𝑜𝑡) (2.101)
𝑘𝑘
𝑌
𝑛𝑜𝑢𝑣𝑒𝑙𝑙𝑒 𝑌𝑘𝑗 = 𝑌 𝑘𝑗 𝑗 = 1, … . , 𝑛 (𝑗 ≠ 𝑘) (2.102)
𝑘𝑘
𝑌
𝑛𝑜𝑢𝑣𝑒𝑙𝑙𝑒 𝑌𝑖𝑘 = − 𝑌 𝑖𝑘 𝑖 = 1, … . , 𝑛 (𝑗 ≠ 𝑘) (2.103)
𝑘𝑘
𝑌𝑖𝑘 𝑌𝑘𝑗
𝑛𝑜𝑢𝑣𝑒𝑙𝑙𝑒 𝑌𝑖𝑗 = 𝑌𝑖𝑗 − [ ] 𝑖 = 1, … . , 𝑛 (𝑖 ≠ 𝑘, 𝑗 ≠ 𝑘) (2.104)
𝑌𝑘𝑘
Le choix d'un pivot est arbitraire. Les nouveaux éléments non nuls peuvent être
évités par un bon choix. Un exemple d’illustration est donné à l’annexe 1 (A1.3) [17] [18]
2.10.4. LA MÉTHODE DE NEWTON-RAPHSON
La méthode de Newton Raphson (NR) est la méthode la plus utilisée pour résoudre
les équations algébriques non linéaires, la méthode de Newton est une procédure
d’approximations successives basée sur une estimation initiale de l’inconnue et de
l’utilisation des séries de Taylor. Considérons la solution d’une équation unidimensionnel
donnée par : 𝑓(𝑥) = 𝑐 (2.105)
Si 𝑥 (0) est l’estimation initiale de la solution et Δ𝑥 (0) est une petite déviation de la
solution exacte, on doit trouver : 𝑓( 𝑥 (0) + Δ𝑥 (0) ) = 𝑐 (2.106)
51
Faisons une expansion du côté gauche de l’équation précédente en série de Taylor :

(0)
𝑑𝑓 (0) 1 𝑑2 𝑓 2
𝑓( 𝑥 (0) ) + (𝑑𝑥 ) Δ𝑥 (0) + 2! (𝑑𝑥 2 ) ( Δ𝑥 (0) ) + ⋯ = 𝑐 (2.107)
Assumons que l’erreur Δ𝑥 (0) est très petite, les termes d’ordre supérieur peuvent
𝑑𝑓 (0)
être négligés, cela résulte : Δ𝑐 (0) ≃ (𝑑𝑥 ) Δ𝑥 (0) où Δ𝑐 (0) = 𝑐 − 𝑓( 𝑥 (0) ) (2.108)
La seconde approximation est donnée en ajoutons Δ𝑥 (0) à l’estimation initiale :
Δ𝑐 (0)
𝑥 (1) = 𝑥 (0) + (2.109)
𝑑𝑓 (0)
( )
𝑑𝑥
L’utilisation successive de cette procédure donne l’algorithme de Newton-

Raphson :
Δ𝑐 (𝑘) = 𝑐 − 𝑓( 𝑥 (𝑘) ) (2.110)
Δ𝑐 (𝑘)
Δ𝑥 (𝑘) = (2.111)
𝑑𝑓 (𝑘)
( )
𝑑𝑥
𝑥 (𝑘+1) = 𝑥 (𝑘) + Δ𝑥 (𝑘) (2.112)
Eq.(2.111) peut être arrangé par :
Δ𝑐 (𝑘) = 𝑗𝑘 Δ𝑥 (𝑘) (2.113)
𝑑𝑓 (𝑘)
Où 𝑗𝑘 = (𝑑𝑥) (2.114)
La relation (2.113) montre que l'équation non linéaire 𝑓(𝑥) = 0 est approximée par
la ligne tangente à la courbe au point 𝑥 (𝑘) . Par conséquent, une équation linéaire est
obtenue en fonction des petites variations de la variable. L’intersection de la tangente
avec l'axe des x résulte en 𝑥 (𝑘+1) . Cette idée est démontrée graphiquement dans
l’exemple suivant.
On va utiliser la méthode de N-R pour trouver la racine de l’équation suivante :
𝑓(𝑥) = 𝑥 3 − 6𝑥 2 + 9𝑥 − 4 = 0
Assumons une estimation initiale 𝑥 (0) = 6.
La commande Matlab plot est utilisée pour tracer 𝑓(𝑥) = 𝑥 3 − 6𝑥 2 + 9𝑥 − 4 = 0

sur une plage de 0 à 6 (Figure 2-12).
52
Figure 2-12. Illustration graphique de la méthode de Newton-Raphson
L’intersection de 𝑓(𝑥) avec l’axe des x donne les racines de 𝑓(𝑥) . De la figure
2-12 deux des racines sont repérées 𝑥 = 1 et 𝑥 = 4, la racine 𝑥 = 1 est répétée.
Encore, la figure 2-12 donne une description graphique de la méthode N-R, en

commençant par une estimation initiale 𝑥 (0) = 6, on extrapole le long de la tangente à
son intersection avec l’axe des x en prenant cela comme prochaine approximation. Cela
continue jusqu’à ce que les valeurs successives de x soient suffisamment proches.
La solution analytique donnée par l’algorithme de N-R est :
𝑑𝑓(𝑥)
= 3𝑥 2 − 12𝑥 + 9
𝑑𝑥
Δ𝑐 (0) = 𝑐 − 𝑓( 𝑥 (0) ) = 0 − [(6)3 − 6(6)2 + 9(6) − 4] = −50
𝑑𝑓
( ) = 3(6)2 − 12(6) + 9 = 45
𝑑𝑥
Δ𝑐 (0) −50
Δ𝑥 (0) = = = −1,1111
𝑑𝑓 (0) 45
(𝑑𝑥 )
Par conséquent, le résultat à la fin de la première itération est :

𝑥 (1) = 𝑥 (0) + Δ𝑥 (0) = 6 − 1,1111 = 4,8889
L’itération suivante :
13,4431
𝑥 (2) = 𝑥 (1) + Δ𝑥 (1) = 4,8889 − = 4,2789
22,037
2,9981
𝑥 (3) = 𝑥 (2) + Δ𝑥 (2) = 4,2789 − = 4,0405
12,5797
53
0,3748
𝑥 (4) = 𝑥 (3) + Δ𝑥 (3) = 4,0405 − = 4,0011
9,4914
0,0095
𝑥 (5) = 𝑥 (4) + Δ𝑥 (4) = 4,0011 − = 4,0000
9,0126
La méthode peut converger vers une racine différente de celle attendue ou diverger
si la valeur initiale n’est pas assez proche de la racine.
On considère un système de n équations à n variables :
𝑓1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑐1 ; 𝑓2 (𝑥1 , 𝑥2 , … , 𝑥𝑛 )𝑐2 ; … ; 𝑓𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑐𝑛 (2.115)
L’expansion du côté gauche de l'équation dans la série de Taylor sur les estimations
initiales et en négligeant tous les termes d'ordre supérieur, conduit à l’expression :
𝜕𝑓1 (0) 𝜕𝑓 (0) 𝜕𝑓 (0)

(𝑓1 )(0) + ( ) Δ𝑥1 (0) + (𝜕𝑥1 ) Δ𝑥2 (0) + … + (𝜕𝑥1 ) Δ𝑥𝑛 (0) = 𝑐1 (2.116)
𝜕𝑥1 2 𝑛
𝜕𝑓2 (0) 𝜕𝑓 (0) 𝜕𝑓 (0)

(𝑓2 )(0) + ( ) Δ𝑥1 (0) + (𝜕𝑥2 ) Δ𝑥2 (0) + … + (𝜕𝑥2 ) Δ𝑥𝑛 (0) = 𝑐2 (2.117)
𝜕𝑥1 2 𝑛
…………………………………………………………………
𝜕𝑓𝑛 (0) 𝜕𝑓 (0) 𝜕𝑓 (0)
(𝑓𝑛 )(0) + ( ) Δ𝑥1 (0) + (𝜕𝑥𝑛 ) Δ𝑥2 (0) + … + (𝜕𝑥𝑛 ) Δ𝑥𝑛 (0) = 𝑐𝑛 (2.118)
𝜕𝑥1 2 𝑛
Où sous forme matricielle :

(0) (0)
𝑐1 − (𝑓1 )(0) 𝜕𝑓1 𝜕𝑓1 (0) 𝜕𝑓1 (0) Δ𝑥1
( ) ( ) … ( )
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
(0)
𝑐2 − (𝑓2 )(0) 𝜕𝑓2 (0) 𝜕𝑓2 (0) 𝜕𝑓2 (0) Δ𝑥2
= (𝜕𝑥 ) (
𝜕𝑥2
) … (
𝜕𝑥𝑛
) (2.119)
⋮ 1 ⋮
⋮ ⋮ ⋮ ⋱ ⋯ ⋮
𝜕𝑓𝑛 (0) 𝜕𝑓𝑛 (0) 𝜕𝑓𝑛 (0)
[𝑐𝑛 − (𝑓𝑛 ) ] [ 𝜕𝑥1 )
(0) ( ( ) … ( ) (0)
𝜕𝑥2 𝜕𝑥𝑛 ] [Δ𝑥𝑛 ]
Dans sa forme courte, elle peut être écrite comme :
Δ𝐶 (𝑘) = 𝐽(𝑘) Δ𝑋 (𝑘) (2.120)
−1
ou Δ𝑋 (𝑘) = [𝐽(𝑘) ] Δ𝐶 (𝑘) (2.121)
Et l’algorithme de N-R pour le cas de n dimensions devient :
Δ𝑋 (𝑘+1) = 𝑋 (𝑘) + Δ𝑋 (𝑘) (2.122)
Où :
54
Δ𝑥1 (𝑘) 𝑐1 − (𝑓1 )(𝑘)
Δ𝑥2 (𝑘) 𝑐2 − (𝑓2 )(𝑘)

Δ𝑋 (𝑘) = et Δ𝐶 (𝑘) = (2.123)
⋮ ⋮
⋮ ⋮
[Δ𝑥𝑛 (𝑘) ] [𝑐𝑛 − (𝑓𝑛 )(𝑘) ]
(𝑘)
𝜕𝑓1 𝜕𝑓1 (𝑘) 𝜕𝑓1 (𝑘)
( ) ( ) … ( )
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
𝜕𝑓2 (𝑘) 𝜕𝑓2 (𝑘) 𝜕𝑓2 (𝑘)
𝐽 (𝑘)
= 𝜕𝑥 )
( (
𝜕𝑥2
) … (
𝜕𝑥𝑛
) (2.124)
1
⋮ ⋮ ⋱ ⋯
𝜕𝑓𝑛 (𝑘) 𝜕𝑓𝑛 (𝑘) 𝜕𝑓𝑛 (𝑘)
( ) ( ) … ( )
[ 𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛 ]
𝐽(𝑘) est la matrice Jacobéenne, les éléments de cette matrice sont les dérivées
partielles évaluées dans 𝑋 (𝑘) . On assume que 𝐽(𝑘) a une matrice inverse durant chaque
itération. La méthode de Newton, appliquée à un ensemble d'équations non linéaires,
réduit le problème à résoudre un ensemble d'équations linéaires afin de déterminer les
valeurs qui améliorent la précision des estimations. La solution de l’équation (2.121) par
inversion est inefficace. Il n’est pas nécessaire d’obtenir l’inverse de 𝐽(𝑘) . Toutefois, une
solution directe est obtenue par factorisation triangulaire optimale ordonnée.
Dans Matlab, la solution des équations linéaires simultanées Δ𝐶 = 𝐽Δ𝑋 est

obtenue en utilisant l’opérateur de division des matrices \ (i.e., Δ𝑋 = 𝐽\Δ𝐶 ) qui est basé
sur la factorisation triangulaire et l’élimination Gaussienne. La méthode de Newton a
l’avantage de converger quadratiquement lorsqu’on est près d’une racine. Néanmoins,
plus d’évaluation fonctionnel sont nécessaires pendant chaque itération. Une limitation
très importante est qu’elle ne converge pas, généralement, vers une solution depuis un
point initial arbitraire. [18]
2.10.5. SOLUTION DE L’ECOULEMENT DE PUISSANCE

UTILISANT LA METHODE DE NEWTON RAPHSON
En raison de sa convergence quadratique, la méthode de Newton est

mathématiquement supérieure à celle de Gauss-Seidel et elle est moins sujette à la
divergence avec les problèmes mal conditionnés. Pour un large réseau électrique, la
55
méthode N-R est plus efficiente et pratique. Le nombre d'itérations nécessaires pour
obtenir une solution est indépendant de la taille du système, cependant, plus d’évaluation
fonctionnelle est nécessaire à chaque itération. La puissance active et l’amplitude de la
tension sont spécifiées pour les jeux de barres commandés en tension (PV), l'équation de
l’écoulement de puissance est formulée sous forme polaire. Pour le bus typique du réseau
électrique représenté sur la figure 2-13.
Figure 2-13. Nœud typique d’un réseau électrique
𝐼𝑖 = ∑ 𝑌𝑖𝑗 𝑉𝑗 (2.125)
𝑗=1
Dans l’équation précédente, j inclue le bus i. Exprimons cette équation dans la

forme polaire, on aura : 𝐼𝑖 = ∑𝑛𝑗=1|𝑌𝑖𝑗 ||𝑉𝑗 |∠𝜃𝑖𝑗 + 𝛿𝑗 (2.126)
La puissance complexe au bus i est : 𝑃𝑖 − 𝑗𝑄𝑖 = 𝑉𝑖∗ 𝐼𝑖 (2.127)
Séparons la partie réelle et imaginaire :

𝑛
𝑃𝑖 = ∑|𝑉𝑖 ||𝑉𝑗 ||𝑌𝑖𝑗 | cos(𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) (2.128)

𝑗=1
𝑛
𝑄𝑖 = − ∑|𝑉𝑖 ||𝑉𝑗 ||𝑌𝑖𝑗 | sin(𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) (2.129)

𝑗=1
Les équations (2.128) et (2.129) constituent un ensemble d’équations algébriques
non linéaires en termes des variables indépendantes, l’amplitude de la tension en per unit,
et l’angle de phase en radian. On a deux équations pour chaque nœud de charge (2.128)
et (2.129) et une équation pour chaque nœud de régulation. Développons (2.128) et
(2.129) en série de Taylor avec l’estimation initiale et négligeons tous les termes d’ordre
supérieurs d’où résulte l’ensemble d’équations linéaires :
56
Δ𝑃2 (𝑘) 𝜕𝑃2 (𝑘) 𝜕𝑃2 (𝑘) 𝜕𝑃2 (𝑘) 𝜕𝑃2 (𝑘) Δ𝛿2 (𝑘)
( ) … ( ) ( ) … ( )
𝜕𝛿2 𝜕𝛿𝑛 𝜕|𝑉2 | 𝜕|𝑉𝑛 |
⋮ ⋮ ⋱ ⋮ ⋮ ⋱ ⋮ ⋮
𝜕𝑃𝑛 (𝑘) 𝜕𝑃𝑛 (𝑘) 𝜕𝑃𝑛 (𝑘) 𝜕𝑃𝑛 (𝑘)
Δ𝑃𝑛 (𝑘) ( ) … ( ) ( ) … ( ) Δ𝛿𝑛 (𝑘)
𝜕𝛿2 𝜕𝛿𝑛 𝜕|𝑉2 | 𝜕|𝑉𝑛 |
= . (2.130)
(𝑘) (𝑘) (𝑘) (𝑘)
𝜕𝑄2 𝜕𝑄2 𝜕𝑄2 𝜕𝑄2
Δ𝑄2 (𝑘) ( ) … ( ) ( ) … ( ) Δ|𝑉2 (𝑘) |
𝜕𝛿2 𝜕𝛿𝑛 𝜕|𝑉2 | 𝜕|𝑉𝑛 |
⋮ ⋮ ⋱ ⋮ ⋮ ⋱ ⋮
⋮
𝜕𝑄𝑛 (𝑘) 𝜕𝑄𝑛 (𝑘) 𝜕𝑄𝑛 (𝑘) 𝜕𝑄𝑛 (𝑘)
( ) … ( ) ( ) … ( )
[Δ𝑄𝑛 (𝑘) ] [ 𝜕𝛿2 𝜕𝛿𝑛 𝜕|𝑉2 | 𝜕|𝑉𝑛 | ] [Δ|𝑉𝑛 (𝑘) |]
Dans l’équation précédente, le nœud 1 est le nœud de référence. La matrice

Jacobéenne donne la relation linéarisée entre les petites variations de l’angle et de
(𝑘)
l’amplitude de la tension Δ𝛿𝑖 et Δ|𝑉𝑖 (𝑘) | et les petits changements de la puissance active
et réactive Δ𝑃𝑖 (𝑘) et Δ𝑄𝑖 (𝑘) . Les éléments de la matrice Jacobéenne sont les dérivées
(𝑘)
partielles de (2.128) et (2.129), évaluées à Δ𝛿𝑖 et Δ|𝑉𝑖 (𝑘) |. Dans une forme réduite :
Δ𝑃 𝐽 𝐽2 Δ𝛿
[ ]=[1 ][ ] (2.131)
Δ𝑄 𝐽3 𝐽4 Δ|𝑉|
Pour les nœuds de contrôle (PV), les amplitudes de tension sont connues, par
conséquent, si m nœuds du système sont des nœuds de contrôle, m équations contenant
Δ𝑄 et ΔV et les colonnes correspondantes de la matrice jacobéenne sont éliminées. Par
conséquent, il y a 𝑛 − 1 contraintes de puissance active et 𝑛 − 1 − 𝑚 contraintes de
puissance réactive et la matrice Jacobéenne est de l’ordre (2𝑛 − 2 − 𝑚) × (2𝑛 − 2 − 𝑚).
J1 est de l’ordre de (𝑛 − 1) × (𝑛 − 1), J2 est de l’ordre de (𝑛 − 1) × (𝑛 − 1 − 𝑚), J3 est
de l’ordre de (𝑛 − 1 − 𝑚) × (𝑛 − 1) et J4 est de l’ordre de (𝑛 − 1 − 𝑚) × (𝑛 − 1 − 𝑚).
Les éléments diagonaux et non diagonaux de J1 sont :

𝜕𝑃𝑖
= ∑𝑗≠𝑖|𝑉𝑖 ||𝑉𝑗 ||𝑌𝑖𝑗 | sin(𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) (2.132)
𝜕𝛿𝑖
𝜕𝑃𝑖
= −|𝑉𝑖 ||𝑉𝑗 ||𝑌𝑖𝑗 | sin(𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) 𝑗≠𝑖 (2.133)
𝜕𝛿𝑗

𝜕𝑃𝑖
= 2|𝑉𝑖 ||𝑌𝑖𝑖 | cos 𝜃𝑖𝑖 + ∑𝑗≠𝑖|𝑉𝑗 ||𝑌𝑖𝑗 | cos (𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) (2.134)
𝜕|𝑉𝑖 |
𝜕𝑃𝑖
𝜕|𝑉𝑗 |
= |𝑉𝑖 ||𝑌𝑖𝑗 | cos (𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) 𝑗 ≠ 𝑖 (2.135)
57

𝜕𝑄𝑖
= ∑𝑗≠𝑖|𝑉𝑖 ||𝑉𝑗 ||𝑌𝑖𝑗 | cos (𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) (2.136)
𝜕𝛿𝑖
𝜕𝑄𝑖
= −|𝑉𝑖 ||𝑉𝑗 ||𝑌𝑖𝑗 | cos (𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) 𝑗≠𝑖 (2.137)
𝜕𝛿𝑗

𝜕𝑄𝑖
= −2|𝑉𝑖 ||𝑌𝑖𝑖 | sin 𝜃𝑖𝑖 + ∑𝑗≠𝑖|𝑉𝑗 ||𝑌𝑖𝑗 | sin (𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) (2.138)
𝜕|𝑉𝑖 |
𝜕𝑄𝑖
= −|𝑉𝑖 ||𝑌𝑖𝑗 | sin (𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) 𝑗≠𝑖 (2.139)
𝜕|𝑉𝑗 |
(𝑘) (𝑘)
Les termes Δ𝑃𝑖 et Δ𝑄𝑖 sont la différence entre les valeurs planifiées et celles
calculées, connues par résidus de puissance et données par :
(𝑘) (𝑘)
Δ𝑃𝑖 = 𝑃𝑖𝑝𝑙𝑎𝑛 − 𝑃𝑖 (2.140)
(𝑘) (𝑘)
Δ𝑄𝑖 = 𝑄𝑖𝑝𝑙𝑎𝑛 − 𝑄𝑖 (2.141)
Les nouvelles estimations des tensions nodales sont :

(𝑘+1) (𝑘) (𝑘)
δ𝑖 = δ𝑖 + Δδ𝑖 (2.142)
(𝑘+1) (𝑘) (𝑘)

|𝑉𝑖 | = |𝑉𝑖 | + Δ|𝑉𝑖 | (2.143)
La procédure de l’écoulement de puissance par la méthode de Newton-Raphson est

comme suit :
1. Pour les nœuds de charge, où 𝑃𝑖𝑝𝑙𝑎𝑛 et 𝑄𝑖𝑝𝑙𝑎𝑛 sont spécifiées, les amplitudes et
les angles de phase de la tension sont mis égaux à ceux du nœud de référence
(0) (0)
|𝑉𝑖 | = 1,0 et δ𝑖 = 0,0. Pour les nœuds de régulation, où 𝑃𝑖𝑝𝑙𝑎𝑛 et |𝑉𝑖 | sont
spécifiées, les angles de phase sont mis égaux à l’angle du nœud de référence,
(0)
δ𝑖 = 0,0.
2. Pour les nœuds de charge, 𝑃𝑖𝑘 et 𝑄𝑖𝑘 sont calculées par les équations (2.128) et
(𝑘) (𝑘)
(2.129) ; Δ𝑃𝑖 et Δ𝑄𝑖 sont calculées par (2.140) et (2.141).
(𝑘)
3. Pour les nœuds de régulation, 𝑃𝑖𝑘 et Δ𝑃𝑖 sont calculées par (2.128) et (2.140)
respectivement.
58
4. Les éléments de la matrice Jacobéenne (J1, J2, J3 et J4) sont calculés par (2.132)
-- (2.139).
5. L’équation linéaire simultanée (2.131) est résolue directement par une

factorisation triangulaire ordonnée optimale et l’élimination de Gausse.
6. Les nouvelles valeurs d’amplitude et d’angle de phase de tension sont calculées

par (2.142) et (2.143).
(𝑘) (𝑘)
Le processus continue jusqu’à ce que les résidus Δ𝑃𝑖 et Δ𝑄𝑖 soient inférieurs à
(𝑘) (𝑘)
une valeur spécifiée : |Δ𝑃𝑖 |≤ε ; |Δ𝑄𝑖 | ≤ ε (2.144)
2.10.6. MÉTHODE D'ÉCOULEMENT DE PUISSANCE

DÉCOUPLÉ RAPIDE
𝑋
Les lignes de transmission ont un très grand rapport . Pour ce système, la
𝑅
variation de la puissance active 𝛥𝑃 est moins sensible au changement de l’amplitude de

tension et n’est plus sensible à la variation dans l’angle de phase Δ𝛿. Similairement, la
puissance réactive est moins sensible au changement de l’angle de phase Δ𝛿 et dépend
généralement du changement de l’amplitude de tension. Par conséquent, il est favorable
de mettre les éléments J1 et J3 à zéro. Donc (2.131) deviens :
Δ𝑃 𝐽 0 Δ𝛿
[ ]=[1 ][ ] (2.145)
Δ𝑄 0 𝐽4 Δ|𝑉|
𝜕𝑃
Δ𝑃 = 𝐽1 Δ𝛿 = [𝜕𝛿 ] Δ𝛿 (2.146)
𝜕𝑄
Δ𝑄 = 𝐽4 Δ|𝑉| = [𝜕|𝑉|] Δ|𝑉| (2.147)
Les équations (2.146) et (2.147) montrent que la matrice est séparée en deux
équations découplées qui demande largement moins de temps pour la solution comparant
par (2.131). En outre, une autre simplification considérable peut être faite pour éliminer
la nécessité de recalculer J1 et J4 à chaque itération. Les éléments diagonaux de J1 décrits
par l’équation (2.132) peuvent être écrits :
𝜕𝑃𝑖
= ∑𝑛𝑗=1|𝑉𝑖 ||𝑉𝑗 ||𝑌𝑖𝑗 | sin(𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) − |𝑉𝑖 |2 |𝑌𝑖𝑖 | sin 𝜃𝑖𝑖 (2.148)
𝜕𝛿𝑖
Remplaçons le premier terme de l’équation (2.148) par −𝑄𝑖 , selon l’équation

(2.129) :
59
𝜕𝑃𝑖
= −𝑄𝑖 − |𝑉𝑖 |2 |𝑌𝑖𝑖 | sin 𝜃𝑖𝑖 = − 𝑄𝑖 − |𝑉𝑖 |2 𝐵𝑖𝑖 (2.149)
𝜕𝛿𝑖
Où 𝐵𝑖𝑖 = |𝑌𝑖𝑖 | sin 𝜃𝑖𝑖 est la partie imaginaire des éléments diagonaux de la matrice
d’admittance nodale. 𝐵𝑖𝑖 est la somme des susceptances de tous les éléments incidents au
nœud i. dans un système électrique typique, l’auto susceptance 𝐵𝑖𝑖 ≫ 𝑄𝑖 , et on peut
négliger 𝑄𝑖 . Une autre simplification est obtenue en assumant |𝑉𝑖 |2 = |𝑉𝑖 |, ce qui donne :
𝜕𝑃𝑖
= −|𝑉𝑖 |𝐵𝑖𝑖 (2.150)
𝜕𝛿𝑖
Sous conditions normales d’opération, 𝛿𝑗 − 𝛿𝑖 est très petit. Donc, dans (2.133)
assumons 𝜃𝑖𝑖 − 𝛿𝑖 + 𝛿𝑗 ≈ 𝜃𝑖𝑖 , les éléments non-diagonaux de J1 deviennent :
𝜕𝑃𝑖
= −|𝑉𝑖 ||𝑉𝑗 |𝐵𝑖𝑗 (2.151)
𝜕𝛿𝑗
Une autre simplification est obtenue en assumant |𝑉𝑗 | ≈ 1 :
𝜕𝑃𝑖
= −|𝑉𝑖 |𝐵𝑖𝑗 (2.152)
𝜕𝛿𝑗
Similairement, les éléments diagonaux de J4 décrits par (2.138) peuvent être écrits
𝜕𝑄𝑖
sous : = −|𝑉𝑖 ||𝑌𝑖𝑖 | sin 𝜃𝑖𝑖 + ∑𝑛𝑗=1|𝑉𝑖 ||𝑉𝑗 ||𝑌𝑖𝑗 | sin (𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) (2.153)
𝜕|𝑉𝑖 |
Remplaçons le second terme de l’équation (2.153) par −𝑄𝑖 (2.129), on aura :

𝜕𝑄𝑖
= −|𝑉𝑖 ||𝑌𝑖𝑖 | sin 𝜃𝑖𝑖 + 𝑄𝑖 (2.154)
𝜕|𝑉𝑖 |
Encore, comme 𝐵𝑖𝑖 = 𝑌𝑖𝑖 sin 𝜃𝑖𝑖 ≫ 𝑄𝑖 , 𝑄𝑖 peut être négligée et (2.138) se réduit à :
𝜕𝑄𝑖
= −|𝑉𝑖 |𝐵𝑖𝑖 (2.155)
𝜕|𝑉𝑖 |
De façon pareille dans (2.139), assumons 𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ≈ 𝜃𝑖𝑗 :
𝜕𝑄𝑖
= −|𝑉𝑖 |𝐵𝑖𝑗 (2.156)
𝜕|𝑉𝑗 |
Avec ces hypothèses, les équations (2.146) et (2.147) prennent la forme suivante :
𝚫𝑷
|𝑽𝒊 |
= −𝑩′ 𝚫𝜹 (2.157)
𝚫𝑸
|𝑽𝒊 |
= −𝑩′′ 𝚫|𝑽| (2.158)
B’ et B’’ sont la partie imaginaire de matrice d’admittance nodale 𝑌𝑏𝑢𝑠 , tandis que
les éléments de la matrice sont constants, ils ont besoin d’être triangulariser et inverser
60
seulement au début de l’itération. B’ est de l’ordre de (𝑛 − 1). Pour les nœuds de

régulation où |𝑉𝑖 | et 𝑃𝑖 sont spécifiées contrairement à 𝑄𝑖 ; les lignes et colonnes
correspondantes de 𝑌𝑏𝑢𝑠 sont éliminées. Ainsi, B’’ est de l’ordre de (𝑛 − 1 − 𝑚), où m
est le nombre des nœuds de régulation. Donc, dans l’algorithme de l’écoulement de
puissance découplé rapide, les changements successifs de l’amplitude et de l’angle de
Δ𝑃
tension sont : Δ𝛿 = −[𝐵 ′ ]−1 |𝑉| (2.159)
Δ𝑄
Δ|𝑉| = −[𝐵 ′′ ]−1 |𝑉| (2.160)
La solution de l’écoulement de puissance découplé rapide nécessite plus d’itération

que la méthode de Newton Raphson, mais elle demande moins de temps par itération, et
la solution de l’écoulement de puissance est obtenue rapidement. Cette technique est très
utile dans l’analyse de contingence où plusieurs interruptions sont à simuler ou dans le
cas d’un écoulement de puissance en ligne. [18]
2.10.7. MODELE D'UN TRANSFORMATEUR DEPHASEUR
Le contrôle de la puissance active peut être affectée en agitant sur l’angle de

déphasage de la tension. Un transformateur de déphasage change l’angle phase sans
changement notable de l'amplitude de tension ; ceci est obtenu par l'injection d'une tension
perpendiculaire à la tension ligne - neutre correspondante, Fig.2.14 (a).
Figure 2-14. (a) diagramme de l’injection de la tension d’un transformateur

déphaseur, (b) schéma d’un transformateur déphaseur
La matrice 𝑌𝑏𝑢𝑠 pour l'écoulement de puissance est modifiée. Considérons le circuit

équivalent représentée sur la Fig. 2-14 (b). Le transformateur de régulation est représenté
61
par un transformateur idéal avec une impédance ou admittance série. Etant donné qu'il est
un transformateur idéal, la puissance apparente d'entrée est égale à la puissance apparente
de sortie, et pour un transformateur changeur de prises pour réglage de tension, nous
avons déjà montré que : 𝐼𝑠 = 𝑛2 𝑦𝑉𝑠 − 𝑛𝑦𝑉𝑟 (2.161)
où n est le rapport des prises de réglage de la tension (ou courant). Aussi,
𝐼𝑟 = 𝑦(𝑉𝑟 − 𝑛𝑉𝑠 ) (2.162)
Ces équations ne peuvent pas être représentées par un réseau bilatéral. La

𝐼𝑠 𝑛2 𝑦 −𝑛𝑦 𝑉𝑠
représentation de la matrice Y est | |=| || | (2.163)
𝐼𝑟 −𝑛𝑦 𝑦 𝑉𝑟
Si le transformateur possède un dispositif de déphasage, n peut être remplacé par

𝐼𝑠 𝑁2𝑦 −𝑁 ∗ 𝑦 𝑉𝑠
𝑛 = 𝑁𝑒 𝑗𝛷 | |=| || | (2.164)
𝐼𝑟 −𝑁𝑦 𝑦 𝑉𝑟
Où 𝑁 ∗ est le conjugué de N. En fait, on peut écrire :
𝑁 = 𝑛𝜀 𝑗0 Pour les transformateurs sans déphasage et 𝑁 = 𝑛𝜀 𝑗𝛷 pour les

transformateurs avec déphasage. Le déphasage provoque une redistribution de la
puissance dans l'écoulement de puissance, et les angles des nœuds résolus refléteront cette
redistribution. Une nouvelle équation doit être ajoutée dans l'écoulement de puissance
pour calculer le nouvel angle de déphasage sur la base des dernières amplitudes et angles
nodales. L'écoulement spécifiée de la puissance active est :
𝑃(𝑠𝑝𝑒𝑐) = 𝑉𝑠 𝑉𝑟 sin(𝜃𝑠 − 𝜃𝑟 − 𝜃𝛼 )𝑏𝑠𝑟 (2.165)
Où 𝜃𝛼 est l'angle de déphasage. Comme les angles sont petits :
sin(𝜃𝑠 − 𝜃𝑟 − 𝜃𝛼 ) ≈ 𝜃𝑠 − 𝜃𝑟 − 𝜃𝛼 (2.166)
𝑃(𝑠𝑝𝑒𝑐)
Donc 𝜃𝛼 = 𝜃𝑠 − 𝜃𝑟 − 𝑉 𝑉 𝑏 (2.167)
𝑠 𝑟 𝑠𝑟
ECOULEMENT ET CONTROLE DE LA
PUISSANCE REACTIVE
Dans ce chapitre on a montré qu’il y a une forte relation entre la tension et

l’écoulement de l’énergie réactive, toutefois, l’écoulement de l’énergie active peut encore
augmenter le problème de réglage de la tension. Le voltage dans un système de
62
distribution et pour les consommateurs doit être maintenu dans une plage bien définie 7.
L’impact d’une forte charge brusque (démarrage d’un puissant moteur) ou d’une forte
demande sous conditions d’opération de contingence, ou lorsqu’une ou plusieurs lignes
mises hors tension, provoquent des chutes de tension rapides ou prolongées. Des
surtensions peuvent se manifester sous des coups de foudre ou sous des omissions
soudaines d’une forte charge. Les chutes de tension et les surtensions ont une pareille
considération, cependant, les chutes de tensions sont les plus fréquentes.
2.11.1. REGLAGE DE LA TENSION
La tension est un paramètre local du réseau électrique dont la valeur fluctue par
nature, elle est affectée par des variations de courte ou de longue durée de la
consommation, elle subit des variations rapides liées à de multiples aléas : fluctuation des
charges, changement de topologie du réseau, déclanchements d’ouvrage de transport ou
de groupes de production.
Le réglage de la tension aux différents endroits du réseau s’avère donc être une
nécessité pour :
– Exploiter au mieux le réseau en assurant sa sûreté. Le réglage de la tension

permet d’éviter les phénomènes d’écroulement de tension qui peuvent entraîner
des black-out ;
– Maintenir la tension d’alimentation des clients dans les plages contractuelles.

Pour les clients et les distributeurs, chaque contrat de fourniture définit la tension
nominale de raccordement ainsi que la plage de variation acceptée autour de
cette valeur (déjà cité au-dessus) ;
– Respecter les contraintes de fonctionnement des matériels. Le matériel raccordé

au réseau est défini pour un point de fonctionnement nominal, et des variations
trop importantes de tension à ses bornes peuvent dégrader ou générer un
vieillissement prématuré du matériel. Des tensions trop hautes entraînent le
7
La haute tension de classe A (HTA) mesurée au point d’utilisation ne doit pas s’écarter de : 12 % autour
de sa valeur nominale pour les réseaux aériens, 6 % autour de sa valeur nominale pour les réseaux
souterrains.
Le courant distribué en basse tension est livré à la tension nominale 220/380 volts qui sera portée
progressivement à 230/400 volts. La tolérance maximale pour la variation de la basse tension autour de la
tension nominale est de : 5 % pour les zones urbaines à usage éclairage prépondérant, 10 % pour les zones
rurales ou industrielles à usage force motrice prépondérant [26]
63
vieillissement ou la destruction des matériels raccordés, des tensions trop basses

provoquent des surcharges dans les lignes, perturbent le bon fonctionnement de
certaines protections et des régleurs en charge des transformateurs ;
– Le producteur. La tension doit aussi être maintenue dans une plage qui soit
acceptable pour les installations auxiliaires et afin de garantir la stabilité de
l’alternateur principal, faute de quoi, les groupes peuvent être contraints à se
déconnecter, ce qui affaiblit la sûreté du système électrique ;
– Minimiser les pertes. Un bon réglage de la tension permet de minimiser les pertes
réseau ;
– Utiliser au mieux la capacité des ouvrages de transport. Régler la tension sur le

réseau électrique permet d’optimiser les flux de puissance qui transitent dans les
lignes et de contrôler au mieux ces transits. [27]
2.11.2. COMPENSATION DE L’ENERGIE REACTIVE
L’énergie électrique est, généralement, générée, transmise, distribuée et

consommée en courant alternatif (AC), néanmoins, le courant alternatif a quelques
désavantages, un de ces inconvénients est la nécessité de l’énergie réactive qui doit être
fournie simultanément avec l’énergie active. Comme l’énergie active est celle
responsable de fournir l’énergie consommé, l’énergie réactive ne contribue pas à la
consommation, elle est en revanche une partie inhérente de l’énergie totale(apparente),
elle est générée et consommée par toutes les parties du réseau (la génération, la
transmission et la distribution et éventuellement par la charge). L’impédance d’une
branche du circuit AC consiste en deux composantes, la résistance et la réactance. La
réactance peut être capacitive ou inductive. La majorité des charges sont des charges
inductives et doivent être alimentées avec une énergie réactive inductive (lagging reactive
power). Il est plus économique de fournir cette énergie réactive près des charges dans le
réseau de distribution.
La compensation de l’énergie réactive est le contrôle de cette énergie pour améliorer

les performances du réseau alternatif en matière de compensation de la charge (booster le
facteur de puissance du system, compenser la régulation de la tension et éliminer les
harmoniques du courant) et de support de voltage pour réduire la variation de la tension
dans un terminal donné de la ligne de transmission.
64
Les sources de l’énergie alternative génèrent de l’énergie réactive, les capacitances

et les réactances stockent cette énergie dans le premier quart du cycle alternatif, et dans
le prochain quart l’énergie réactive reviens au réseau, en conséquence, l’énergie réactive
déplace entre le réseau électrique d’une part et les capacitances ou les inductances d’autre
part avec une fréquence double de la fréquence nominale, ainsi, afin de prévenir le
mouvement çà et là de l’énergie réactive entre la charge et la source, elle doit être
contrôlée. En outre, pour ajuster le facteur de puissance du système et maintenir la
stabilité de la tension on a besoin de compenser la puissance réactive. En compensant la
puissance réactive l’efficacité de la transmission s’améliorent, plus encore, le régime
permanent et les surtensions transitoires serons réglés, par conséquent, les Blackouts
désastreux peuvent être évités. [28]
CONCLUSION
A la fin de ce chapitre, on peut résumer que la solution de l’écoulement de puissance

est basée essentiellement sur les méthodes mathématiques numériques itératives et utilise
deux types de matrice Ybus et Zbus. D’abord les méthodes utilisant la matrice
d’admittance nodale Ybus ont été introduites (la méthode de Gauss et Gauss-Seidel), cette
méthode occupe peut de mémoire informatique, cependant, elle diverge pour certains cas.
Ensuite les méthodes utilisant la matrice d’impédance nodale Zbus la méthode de ( Gauss-
Seidel ) s’est présentée comme une alternative à Ybus en matière de convergence mais elle
nécessite plus de capacité de stockage et par conséquent consomme plus de temps
spécialement pour les systèmes larges. La méthode de Newton Raphson (N-R) est la plus
utilisée dans les programme de calcul de la solution de l’écoulement de puissance à cause
de sa bonne convergence.
Donc pour avoir des bons résultats avec convergence on doit prévoir des compromis
vitesse de calcul (temps d’exécution) et convergence. Les techniques de l’intelligence
artificielle offrent une alternative pour le calcul des variables de réseau électrique,
spécialement pour les techniques itératives qui consomme temps et espace mémoire.
65
Chapitre 3
RÉSEAUX DE NEURONES ET
LOGIQUE FLOUE
CHAPITRE 03 RÉSEAUX DE NEURONES ET LOGIQUE FLOUE
3. RÉSEAUX DE NEURONES ET LOGIQUE

FLOUE
INTRODUCTION
Afin de pouvoir optimiser l’écoulement de puissance, on a choisi de procéder aux

techniques d’intelligence artificielle et plus précisément les réseaux de neurones et la
logique floue. Pour cela, il nous faut un aperçu général sur ces deux techniques en
précisant leurs principes de fonctionnement, avantages, inconvénients, et leurs
utilisations.
LES RESEAUX DE NEURONES
Un réseau de neurone est une structure de calcul inspirée par l’étude de traitement
du neurone biologique. Il y de différents types de réseaux de neurones, du relativement
simple au très complexe, tout comme il y a beaucoup de théories sur la façon de traitement
du neurone biologique. Un réseau de neurones contient des couches (figure 3-1), ou des
sous-groupes d'éléments de traitement. Une couche d'éléments de traitement rend le
calcul indépendant sur les données qu'il reçoit et transmet les résultats à une autre couche.
La couche suivante peut à son tour faire ses calculs indépendants et de transmettre les
résultats à une autre couche. Enfin, un sous-groupe d'un ou plusieurs éléments de
traitement détermine la sortie du réseau. Chaque l'élément de traitement effectue son
calcul sur la base d'une somme pondérée de ses entrées. La première couche est la couche
d'entrée la dernière couche et la couche de sortie. Les couches qui sont placées entre la
première et les dernières couches sont les couches cachées. Les éléments de traitement
sont considérés comme des unités qui sont semblables aux neurones dans le cerveau
humain, et par conséquent, ils sont considérés comme des cellules de neurones artificiels.
[29]
3.2.1. MODELE D’UN NEURONE

Le modèle mathématique d’un neurone artificiel est illustré à la figure 3.1. Un neurone
est essentiellement constitué d’un intégrateur qui effectue la somme pondérée de ses entrées.
Le résultat n de cette somme est ensuite transformé par une fonction de transfert f qui produit
67
la sortie a du neurone. Les R entrées du neurone correspondent au vecteur 𝑝 = [𝑝1 𝑝2 … 𝑝𝑅 ]𝑇

alors que 𝑤 = [𝑤1 𝑤2 … 𝑤1,𝑅 ]𝑇 représente le vecteur des poids du neurone. La sortie n de
l’intégrateur est donnée par l’équation suivante :
Figure 3-1. Modèle d’un neurone artificiel
𝑛 = ∑𝑅𝑗=1 𝑤1,𝑗 𝑃𝑗 − 𝑏 = 𝑤1,1 𝑝1 + 𝑤1,2 𝑝2 + ⋯ + 𝑤1,𝑅 𝑝𝑅 − 𝑏 (3.1)
Que l’on peut aussi écrire sous forme matricielle : 𝑛 = 𝑤𝑇𝑝 − 𝑏 (3.2)
T : le transposée de la matrice ou du vecteur
Cette sortie correspond à une somme pondérée des poids et des entrées moins ce
qu’on nomme le biais b du neurone. Le résultat n de la somme pondérée s’appelle le
niveau d’activation du neurone. Le biais b s’appelle aussi le seuil d’activation du neurone.
Lorsque le niveau d’activation atteint ou dépasse le seuil b, alors l’argument de f devient
positif (ou nul). Sinon, il est négatif.
Ajoutons la fonction d’activation f pour obtenir la sortie du neurone :
𝑎 = 𝑓(𝑛) = 𝑓(𝑤 𝑇 𝑝 − 𝑏) (3.3)
Remplaçons 𝑤 𝑇 par une matrice d’une seule ligne 𝑊 = 𝑤 𝑇 , on obtient la forme

générale : 𝑎 = 𝑓(𝑊𝑝 − 𝑏) (3.4)
La figure 3.2 donne la représentation matricielle du neurone artificiel.
68
Figure 3-2. Représentation matricielle d’un neurone artificiel
3.2.2. FONCTIONS DE TRANSFERT
Différentes fonctions de transfert pouvant être utilisées comme fonction

d’activation du neurone. Les plus utilisées sont les fonctions : seuil, linéaire et sigmoïde.
La fonction log-sigmoïde génère des sorties entre 0 et 1.
Figure 3-3. Fonction de transfert log-sigmoïde
Alternativement, les réseaux multicouches peuvent utiliser la fonction de transfert

tan-sigmoïde.
Figure 3-4. Fonction de transfert tan-sigmoïde.
69
Les fonctions de transfert sigmoïde sont souvent utilisées pour des problèmes de
reconnaissance de formes, tandis que les fonctions de transfert linéaires sont utilisées pour
la fonction de problèmes d’assemblage. La fonction de transfert linéaire purelin est
illustré ci-dessous.
Figure 3-5. Fonction de transfert linéaire
Les trois fonctions de transfert décrites précédemment sont les fonctions de transfert
les plus utilisés couramment pour les réseaux multicouches, d'autres fonctions de transfert
peuvent être créés et utilisées selon le cas. [30]
3.2.3. APPRENTISSAGE D’UN RESEAU DE NEURONES
Il existe essentiellement deux types d’apprentissage, l’apprentissage non supervisé

et l’apprentissage supervisé.
APPRENTISSAGE NON SUPERVISE

Dans ce cas, des exemples ou prototypes ou patrons sont présentés au réseau qu’on
laisse s’auto-organiser au moyen de lois locales qui réagissent l’évolution des pois
synaptiques. Ce mode d’apprentissage est aussi appelé apprentissage par compétition.
APPRENTISSAGE SUPERV ISE

Dans ce type d’apprentissage, on cherche à imposer au réseau un fonctionnement
donné en forçant à partir des entrées qui lui sont présentées, les sorties du réseau à prendre
des valeurs données en modifiant les poids synaptiques. Le réseau se comporte alors
comme un filtre dont les paramètres de transfère sont ajustés à partir des couples
entrée /sortie présentés.
L’adaptation des paramètres du réseau s’effectue à partir d’un algorithme

d’optimisation, l’initialisation des poids synaptiques étant le plus souvent aléatoire. [31]
70
L’une des applications les plus connus de l’apprentissage supervisé est celle du
perceptron monocouche et multicouches avec les règles de correction d’erreur
(Annexe 2), LMS8 et la rétropropagation d’erreur.
3.2.4. ARCHITECTURE DE RESEAU
Figure 3.6 – Représentation matricielle d’un réseau de trois couches.
Les réseaux multicouches sont beaucoup plus puissants que les réseaux simples à
une seule couche. En utilisant deux couches (une couche cachée et une couche de sortie),
à condition d’employer une fonction d’activation sigmoïde sur la couche cachée, on peut
entrainer un réseau à produire une approximation de la plupart des fonctions, avec une
précision arbitraire (cela peut cependant requérir un grand nombre de neurones sur la
couche cachée). Sauf dans de rares cas, les réseaux de neurones artificiels exploitent deux
ou trois couches.
Entrainer un réseau de neurones signifie modifier la valeur de ses poids et de ses

biais pour qu’il réalise la fonction entrée/sortie désirée. Pour spécifier la structure du
réseau, il faut aussi choisir le nombre de couches et le nombre de neurones sur chaque
couche. Tout d’abord, rappelons que le nombre d’entrées du réseau (R), de même que le
nombre de neurones sur la couche de sortie est fixé par les spécifications du problème
que l’on veut résoudre avec ce réseau. Par exemple, si la donnée du problème comporte
quatre variables en entrée et qu’elle exige de produire trois variables en sortie, alors nous
aurons simplement 𝑅 = 4 et 𝑆 𝑀 = 3, où M correspond à l’indice de la couche de sortie
(ainsi qu’au nombre de couches). Ensuite, la nature du problème peut aussi nous guider
dans le choix des fonctions de transfert. Par exemple, si l’on désire produire des sorties
8
La règle LMS consiste à tenter de minimiser un indice de performance F basé sur l’erreur quadratique
moyenne.
71
binaires 0 ou 1, alors on choisira probablement une fonction seuil (hardlim) pour la

couche de sortie. Il reste ensuite à choisir le nombre de couches cachées ainsi que le
nombre de neurones sur ces couches, et leur fonction de transfert. Il faudra aussi fixer les
différents paramètres de l’algorithme d’apprentissage.
3.2.5. RETROPROPAGATION DE L’ERREUR

(BACKPROPAGATION)
L’équation qui décrit les sorties d’une couche k dans un perceptron multicouche est
donnée par : 𝑎𝑘 = 𝑓 𝑘 (𝑊 𝑘 𝑎𝑘−1 − 𝑏 𝑘 ), 𝑝𝑜𝑢𝑟 𝑘 = 1, … , 𝑀, (3.5)
Où M est le nombre total de couches et 𝑎0 = 𝑝 définit le cas de base de cette

formule de récurrence. Les sorties du réseau correspondent alors à 𝑎𝑀 . L’algorithme de
rétropropagation est une généralisation de la règle LMS. Tous deux utilisent comme
indice de performance l’erreur quadratique moyenne, et tous deux permettent un
apprentissage de type supervisé avec un ensemble d’association stimulus/cible {(p𝑞 , d𝑞 )},
𝑞 = 1, … , 𝑄 où p𝑞 représente le vecteur stimulus (entrées) et d𝑞 un vecteur cible (sortie
désirée). A chaque instant t, on peut propager vers l’avant un stimulus différent 𝐩(𝑡) à
travers le réseau de la figure 3-6 pour obtenir un vecteur de sorties 𝐚(𝑡). Ceci nous permet
de calculer l’erreur 𝐞(𝑡) entre ce que le réseau produit en sortie pour ce stimulus et la
cible 𝐝(𝑡) qui lui est associée : e(𝑡) = d(𝑡) − a(𝑡) (3.6)
L’indice de performance F permet de minimiser l’erreur quadratique moyenne :
𝐹(𝑥) = 𝐸[e𝑇 (𝑡)e(𝑡)] (3.7)
Où 𝐸[. ] désigne l’espérance mathématique et le vecteur x regroupe l’ensemble des

poids et des biais du réseau. Tout comme pour la règle LMS, nous allons approximer cet
indice par l’erreur instantanée 𝐹̂ (𝑥) = e𝑇 (𝑡)e(𝑡) (3.8)
Nous allons utiliser la méthode de descente de gradient pour optimiser x :
𝑘 𝜕𝐹̂
∆𝑤𝑖,𝑗 (𝑡) = −𝜂
𝑘 (3.9)
𝜕𝑤𝑖,𝑗
𝜕𝐹̂
∆𝑏𝑖𝑘 (𝑡) = −𝜂 𝑘 (3.10)
𝜕𝑏𝑖
Où 𝜂 désigne le taux d’apprentissage.
Pour calculer la dérivée partielle de 𝐹̂ , il faudra faire appel à la règle de chaînage

des dérivées :
72
𝑑𝑓[𝑛(𝑤)] 𝑑𝑓[𝑛] 𝑑𝑛(𝑤)

= × (3.11)
𝑑𝑤 𝑑𝑛 𝑑𝑤
Par exemple, si 𝑓[𝑛] = 𝑒 𝑛 et 𝑛 = 2𝑤, 𝑑𝑜𝑛𝑐 𝑓[𝑤] = 𝑒 2𝑤
𝑑𝑓[𝑛(𝑤)] 𝑑𝑒 𝑛 𝑑2𝑤
=( )×( ) = 𝑒 𝑛 × 2 = 2𝑒 2𝑤 (3.12)
𝑑𝑤 𝑑𝑛 𝑑𝑤
Nous allons nous servir de cette règle pour calculer les dérivées partielles des
𝜕𝐹̂ 𝜕𝐹̂ 𝜕𝑛𝑖𝑘
équations 3.9 et 3.10 : 𝑘 = 𝑘 × 𝑘 (3.13)
𝜕𝑤𝑖,𝑗 𝜕𝑛𝑖 𝜕𝑤𝑖,𝑗
𝜕𝐹̂ 𝜕𝐹̂ 𝜕𝑛𝑖𝑘

= × (3.14)
𝜕𝑏𝑖𝑘 𝜕𝑛𝑖𝑘 𝜕𝑏𝑖𝑘
Le deuxième terme de ces équations est facile à calculer car les niveaux d’activation
𝑛𝑖𝑘 de la couche k dépendent directement des poids et des biais sur cette couche :
𝑠𝑘−1
𝑛𝑖𝑘 = ∑ 𝑤𝑖,𝑗
𝑘 𝑘−1
𝑎𝑗 − 𝑏𝑖𝑘 (3.15)
𝑗=1
𝜕𝑛𝑖𝑘 𝜕𝑛𝑖𝑘
Par conséquent : 𝑘 = 𝑎𝑗𝑘−1 , = −1 (3.16)
𝜕𝑤𝑖,𝑗 𝜕𝑏𝑖𝑘
On remarque que cette partie de la dérivée partielle de 𝐹̂ par rapport à un poids (ou
un biais) est toujours égale à l’entrée de la connexion correspondante.
Maintenant, pour le premier terme des équations 3.13 et 3.14, définissons la

sensibilité sik de F̂ aux changements dans le niveau d’activation nki du neurone i de la
𝜕𝐹̂
couche k : 𝑠𝑖𝑘 = (3.17)
𝜕𝑛𝑖𝑘
On peut alors réécrire les équations 3.13 et 3.14 de la façon suivante :

𝜕𝐹̂
𝑘 = 𝑠𝑖𝑘 𝑎𝑗𝑘−1 (3.18)
𝜕𝑤𝑖,𝑗
𝜕𝐹̂
= −𝑠𝑖𝑘 (3.19)
𝜕𝑏𝑖𝑘
Et les expressions des équations 3.09 et 3.10 de la façon suivante :

𝑘
∆𝑤𝑖,𝑗 (𝑡) = −𝜂𝑠𝑖𝑘 (𝑡)𝑎𝑗𝑘−1 (𝑡) (3.20)
∆𝑏𝑖𝑘 (𝑡) = 𝜂𝑠𝑖𝑘 (𝑡) (3.21)
Ce qui donne en notation matricielle : ∆W𝑘 (𝑡) = −𝜂𝑠 𝑘 (𝑡)(𝑎𝑘−1 )𝑇 (𝑡) (3.22)
∆b𝑘 (𝑡) = 𝜂𝑠 𝑘 (𝑡) (3.23)
73
𝜕𝐹̂
𝜕𝑛1𝑘
𝜕𝐹̂
𝜕𝐹̂
avec : 𝑠𝑘 ≡ = 𝜕𝑛2𝑘 (3.24)
𝜕n𝑘
⋮
𝜕𝐹̂
[𝜕𝑛𝑠𝑘𝑘 ]
Il reste maintenant à calculer les sensibilités sk, ce qui requerra une nouvelle
application de la règle de chaînage des dérivées. Dans ce cas, nous obtiendrons une
formule de récurrence où la sensibilité des couches en amont (entrées) dépendra de la
sensibilité des couches en aval (sorties). C’est de là que provient l’expression
rétropropagation, car le sens de propagation de l’information est inversé par rapport à
celui de l’équation 3.5.
Finalement, nous pouvons écrire la relation de récurrence pour les sensibilités :

𝑇
𝜕𝐹̂ 𝜕n𝑘+1 𝜕𝐹̂ 𝜕𝐹̂
𝑘
𝑠 = 𝑘=( ) = Ḟ 𝑘 (n𝑘 )(W𝑘+1 )𝑇
𝜕n 𝜕n𝑘 𝜕n𝑘+1 𝜕n𝑘+1
= Ḟ𝑘 (n𝑘 )(W𝑘+1 )𝑇 s𝑘+1 (3.25)
Cette équation nous permet de calculer s1 à partir de s 2, qui lui-même est calculé à
partir de s3 , etc., jusqu’à s 𝑀 . Ainsi les sensibilités sont rétropropagées de la couche de
sortie jusqu’à la couche d’entrée : 𝑠 𝑀 → 𝑠 𝑀−1 → … 𝑠 2 → 𝑠1 (3.26)
LA LOGIQUE FLOUE
En 1965, Lotfi Zadeh découvrit la formulation de la théorie des ensembles flous

comme méthode de traitement de l’imprécision des systèmes pratiques. L’objectif de la
logique floue est de rendre l’ordinateur pensant comme l’homme. La logique floue peut
traiter le vague intrinsèque de la pensée humaine et du langage naturel. L’utilisation de
l’algorithme de la logique floue peut permettre à la machine à comprendre et à répondre
aux concepts humains vagues comme : chaud, froid, grand, petit, …etc. il peut aussi
donner des approches relativement simples pour aboutir aux conclusions depuis des
informations imprécises. [32] [33]
74
3.3.1. LES ENSEMBLES FLOUS (FUZZY SETS)
On peut assimiler les ensembles flous comme une généralisation des ensembles
classiques. Les ensembles classiques et leurs opérations sont particulièrement utiles pour
exprimer la logique classique et ils mènent vers la logique Booléenne et ses applications
dans les systèmes numériques. Les ensembles flous et les opérations floues sont utiles
pour exprimer les idées de la logique floue menant vers des applications comme les
contrôleurs flous.
Zadeh précisa que l’homme ne résonne pas en termes de symboles distincts et

nombre mais en termes d’ensembles flous. Ces termes flous définissent des catégories
générales et pas des collections rigides et fixes. La transition depuis une catégories-
concept, idée ou problème à un autre est graduelle avec quelques états qui ont des
fonctions d’appartenance grandes ou petites dans un ensemble ou dans un autre. Les
ensembles flous sont des fonctions qui cartographient une valeur (qui peut être membre
de l’ensemble) à un nombre entre ‘zéro’ et ‘un’ indiquant son vrai degré d’appartenance.
Le degré de ‘zéro’ veut dire que la valeur n’est pas dans l’ensemble et le degré de ‘un’
veut dire que la valeur est complètement représentative de l’ensemble. Cela produit une
courbe autours des membres de l’ensemble.
3.3.2. FONCTIONS D’APPARTENANCE
En théorie des ensembles flous, le concept de fonction caractéristique est prolongé

dans une forme plus généralisée, connue sous le nom de fonction d’appartenance
𝜇𝐴(𝑥): 𝑈 →[0, 1]. Alors qu'une fonction caractéristique existe dans un ensemble de deux
éléments {0, 1}, une fonction d'appartenance peut prendre une valeur comprise dans
l'intervalle [0, 1] (noter que les accolades sont utilisées pour représenter l'appartenance
discrète tandis que les crochets sont utilisés pour représenter l'adhésion continue).
L'ensemble qui est définie par cette fonction d'appartenance étendue est appelé un
ensemble flou. L’appartenance à un ensemble n’est plus une question de « vrai » ou «
faux », « 1 » ou « 0 », mais une question de degré. Le degré d'appartenance devient
important.
Zadeh a proposé une notation pour décrire des ensembles flous F :
𝐹 = ∫𝑈 𝜇𝐹 ( 𝑥)/𝑥 𝑝𝑜𝑢𝑟 𝑢𝑛 𝑢𝑛𝑖𝑣𝑒𝑟 𝑐𝑜𝑛𝑡𝑖𝑛𝑢 𝑈 (3.27)
75
Où 𝐹 = ∑𝑥∈𝑈 ∫𝑈 𝜇𝐹 ( 𝑥)/𝑥 𝑝𝑜𝑢𝑟 𝑢𝑛 𝑢𝑛𝑖𝑣𝑒𝑟 𝑑𝑖𝑠𝑐𝑜𝑛𝑡𝑖𝑛𝑢 𝑈 (3.28)
La forme exacte de la fonction d'appartenance est très subjective et dépend du

concepteur et du contexte de l'application. Alors que les opérations ensemble telles que
le complément, l'union et l'intersection ont des définitions simples dans la théorie des
ensembles classiques, leur interprétation est plus compliquée dans la théorie des
ensembles flous en raison de l'attribut gradué des fonctions d'appartenance. Zadeh [34] a
proposé les définitions floues de fonctionnement de consigne suivantes comme une
extension des opérations classiques :
- Complément ∀𝑥 ∈ 𝑋: 𝜇 𝐴′ ( 𝑥) = 1 – 𝜇 𝐴 ( 𝑥) (3.29)
- Union ∀𝑥 ∈ 𝑋: 𝜇𝐴 ∪ 𝐵(𝑥) = 𝑚𝑎𝑥[𝜇𝐴(𝑥), 𝜇𝐵(𝑦)] (3.30)
- Intersection ∀𝑥 ∈ 𝑋: 𝜇𝐴 ∩ 𝐵(𝑥) = 𝑚𝑖𝑛[𝜇𝐴(𝑥), 𝜇𝐵(𝑦)] (3.31)
Ces définitions constituent les fondements de base de la théorie de la logique floue.

La relation entre un élément dans l'univers du discours et un ensemble flou est défini par
sa fonction d'appartenance. La nature exacte de la relation dépend de la forme ou le type
de fonction d'appartenance utilisée
3.3.3. TYPES DE FONCTIONS D’APPARTENANCE
La figure 3-7, montre différents types de fonctions d'appartenance qui sont

couramment utilisées dans la théorie des ensembles flous. Le choix de la forme dépend
de l'application individuelle. Dans les applications de la commande floue, les fonctions
gaussiennes, en forme de cloche ou S ne sont pas communément utilisées. Des fonctions
telles que Γ-fonction, L-fonction et Λ-fonction sont beaucoup plus fréquents.
Les définitions des fonctions d'appartenance les plus utilisées sont :
𝛤 − 𝑓𝑢𝑛𝑐𝑡𝑖𝑜𝑛, 𝛤: 𝑈 → [0, 1]
0 𝑥<𝛼
𝛤(𝑥; 𝛼; 𝛽) = { (𝑥 − 𝛼) ⁄ (𝛽 − 𝛼) 𝛼≤𝑥≤𝛽 (3.32)
1 𝑥>𝛽
𝐿 − 𝑓𝑢𝑛𝑐𝑡𝑖𝑜𝑛, 𝐿: 𝑈 → [0, 1]
1 𝑥<𝛼
𝐿(𝑥; 𝛼; 𝛽) = {(𝑥 − 𝛽)⁄(𝛼 − 𝛽) 𝛼 ≤ 𝑥 ≤ 𝛽 (3.33)
0 𝑥>𝛽
𝛬 − 𝑓𝑢𝑛𝑐𝑡𝑖𝑜𝑛, 𝛬: 𝑈 → [0, 1]
76
0 𝑥<𝛼
(𝑥 − 𝛼)⁄(𝛽 − 𝛼) 𝛼≤𝑥≤𝛽
𝛬(𝑥; 𝛼; 𝛽, 𝛾) = { (3.34)
(𝑥 − 𝛾)⁄(𝛽 − 𝛾) 𝛽≤𝑥≤𝛾
0 𝑥>𝛾
Figure 3-7. Types de fonctions d’appartenance : (a) Γ-fonction (b) fonction en S, (c) fonction en L
(d) fonction en Λ ;(e) fonction gaussienne ; (f) fonction en π
3.3.4. LES VARIABLES LINGUISTIQUES
Le concept des variables linguistiques est le fondement des systèmes de contrôle

de la logique floue. Une variable classique est numérique et précise. Elle n’est pas capable
de supporter l'imprécision dans la théorie des ensembles flous. Par définition, une variable
linguistique est composée de mots, des phrases ou langue artificielle qui sont moins précis
que les chiffres. Elle fournit les moyens de caractérisation approximative des phénomènes
complexes ou mal définis. Par exemple, « AGE » est une variable linguistique dont les
valeurs peuvent être de « jeunes » et « vieux »
Si 𝑋𝑖 est une variable linguistique définie sur l'univers du discours 𝑈 où 𝑥 ∈ 𝑈

alors : 𝐿𝑋𝑖𝑘 (𝑓𝑜𝑟 𝑘 = 1, . . . 𝑛) sont les valeurs linguistiques que 𝑋𝑖 peut prendre
𝑛 est le nombre de valeurs linguistiques que 𝑋𝑖 peut avoir 𝜇𝐿𝑋𝑖, 𝑘(𝑥) est la
fonction d’appartenance de 𝐿𝑋𝑖𝑘 pour la valeur X.
𝐿𝑋𝑖 est l'ensemble contenant 𝐿𝑋𝑖𝑘, où 𝐿𝑋𝑖 = {𝐿𝑋𝑖 1 , 𝐿𝑋𝑖 2 … 𝐿𝑋𝑖 𝑛 }
77
3.3.5. OPERATEURS FLOUS
Les conjonctions logiques sont également définies pour les opérations de la logique
floue. Ils sont étroitement liés aux définitions de Zadeh des opérations des ensembles
floues. Voici quatre opérations floues qui sont importantes. R désigne la relation entre les
ensembles flous A et B.
LA NEGATION
𝜇 𝐴 ( 𝑥) = 1 – 𝜇 𝐴 ( 𝑥) (3.35)
LA DISJONCTION
𝑅: 𝐴 𝑂𝑅 𝐵 𝜇𝑅(𝑥) = 𝑚𝑎𝑥[𝜇𝐴(𝑥), 𝜇𝐵(𝑥)] (3.36)
LA CONJONCTION
𝑅: 𝐴 𝐴𝑁𝐷 𝐵 𝜇𝑅(𝑥) = 𝑚𝑖𝑛[𝜇𝐴(𝑥), 𝜇𝐵(𝑥)] (3.37)
L’IMPLICATION
𝑅: (𝑥 = 𝐴) → (𝑦 = 𝐵) 𝐼𝐹 𝑥 𝑖𝑠 𝐴 𝑇𝐻𝐸𝑁 𝑦 𝑖𝑠 𝐵 (3.38)
L’implication floue est un conjonctif important dans les systèmes de commande

floue parce que les stratégies de contrôle sont réalisées par des ensembles de règles SI-
ALORS (IF-THEN). Il existe plusieurs différentes techniques dans lesquelles implication
floue peut être définie. Ces relations sont la plupart du temps dérivée de la théorie de la
logique multi-valuée. Voici quelques-unes des techniques courantes d'implication floue
trouvées dans la littérature.
A. IMPLICAT ION CLASSIQUE DE ZADEH
𝜇𝑅(𝑥, 𝑦) = 𝑚𝑎𝑥{𝑚𝑖𝑛[𝜇𝐴(𝑥), 𝜇𝐵(𝑦)], 1 – 𝜇𝐴(𝑥)} (3.39)
B. IMPLICAT ION MAMDANI
𝜇𝑅(𝑥, 𝑦) = 𝑚𝑖𝑛[𝜇𝐴(𝑥), 𝜇𝐵(𝑦)] (3.40)
Notez que l’implication Mamdani est équivalente à l’implication classique de

Zadeh quand 𝜇𝐴(𝑥) ≥ 0.5 et 𝜇𝐵(𝑦) ≥ 0.5 (3.41)
C. IMPLICAT ION DE GÖDEL
1 𝜇𝐴(𝑥) ≤ 𝜇𝐵(𝑦)
𝜇𝑅(𝑥, 𝑦) = { (3.42)
𝜇𝐵(𝑦) 𝑎𝑢𝑡𝑟𝑒𝑚𝑒𝑛𝑡
D. IMPLICAT ION DE LUKASIEWICZ
𝜇𝑅(𝑥, 𝑦) = 𝑚𝑖𝑛{1, [1 – 𝜇𝐴(𝑥) + 𝜇𝐵(𝑦)]} (3.43)
78
Il est assez évident en regardant les fonctions mathématiques des différentes

implications techniques que la technique de Mamdani est la plus appropriée pour la mise
en œuvre matérielle. Elle est aussi la technique la plus populaire dans les applications de
contrôle et de commande. [35]
3.3.6. SYSTEME DE COMMANDE FLOU
La figure 3.8 représente le schéma synoptique d'un contrôleur classique de logique

floue (fuzzy logic controller FLC), et l'installation du système. Il y a cinq éléments
principaux à un contrôleur de logique floue tels que le Module Fuzzification (fuzzifier) ;
Base de connaissances ; Base de règles ; Moteur d’inférence ; Module Défuzzification
(défuzzifier).
Base de Base de
connaissance règles
Entrée Normalisation des Défuzzification Sortie

Fuzzification Inférence Implantation
facteurs d'échelle dénormalisation
Normalisation des
facteurs d'échelle de Capteurs
la sortie
Figure 3-8. Schéma d'un contrôleur flou typique
La modification automatique des paramètres de conception de l'un des cinq

éléments crée un contrôleur adaptatif flou. Les systèmes de contrôle flou avec des
paramètres fixes sont non-adaptatifs. D'autres éléments non flous qui font également
partie du système de contrôle comprennent des capteurs, des convertisseurs analogiques-
numériques, les convertisseurs numériques-analogiques et les circuits de normalisation.
LA FUZZIFICATION
Le module de logique floue convertit les valeurs nettes et des entrées de commande
en valeurs floues de sorte qu'ils sont compatibles avec la représentation des ensembles
flous dans la base de règles.
BASE DE CONNAISSANCE S
La base de connaissances est constituée d'une base de données du système. elle
fournit tout les définitions nécessaires pour le processus de fuzzification tels que des
79
fonctions d'appartenance, la représentation des ensembles flous des variables d'entrées-

sorties et des fonctions de correspondance entre les domaine physique et flou.
BASE DE REGLES
La base de règles est essentiellement la stratégie de contrôle du système. Elle est
généralement obtenue à partir de connaissances ou heuristiques experts et exprimée
comme un ensemble de règles SI-ALORS (IF-THEN). Les règles sont basées sur le
concept d'inférence floue et les antécédents / conséquents sont associés avec des variables
linguistiques.
DEFUZZIFICATION
Le diagramme de la Fig. 3.9 montre les fonctions d'appartenance liées à une logique
floue typique à variables de sortie de contrôleur définies sur son univers de discours. Le
FLC traitera les données d'entrée et trace la sortie à un ou plusieurs de ces valeurs
linguistiques. Selon les conditions, les fonctions d'appartenance des valeurs linguistiques
peuvent être coupées. La figure 3.10 montre une condition de sortie avec deux
importantes (écrêté au-dessus de zéro) sorties des valeurs linguistiques. L’union des
fonctions d'appartenance constitue la valeur de sortie floue du contrôleur.
Figure 3-9. La fonction d'appartenance des valeurs linguistiques de sortie
Figure 3-10. Distribution de La possibilité d'une condition de sortie
80
Ceci est représenté par la zone hachurée sur la Fig. 3.10 et est exprimée par
l'ensemble équation floue :
𝑆 = ⋃𝑘𝑖=1 𝑆𝑖 , 𝜇𝑆 (𝑦) = 𝑚𝑎𝑥𝑖 [𝜇𝑆 𝑖 (𝑦)] 𝑖 = 1,2, … 𝑘 (3.44)
Où :
S est l'union de toutes les valeurs linguistiques de sortie
Si est une valeur linguistique de sortie avec une fonction d'appartenance écrêtée
k est le nombre total de sorties valeurs linguistiques définies dans l'univers du

discours. Dans la plupart des cas, la valeur de sortie floue S a très peu d'utilité pratique
comme la plupart des applications ont besoin des actions de contrôle non floues (nettes).
Par conséquent, il est nécessaire de produire une grande netteté pour représenter la
distribution de possibilité de la sortie. La procédure mathématique de la conversion des
valeurs floues en valeurs nettes est connue sous le nom Défuzzification. Un nombre de
méthodes de défuzzification ont été suggérées. Les différentes méthodes produisent des
résultats similaires mais pas toujours les mêmes pour une condition d'entrée donnée. Le
choix méthodes de défuzzification dépend généralement de l'application et de la
puissance du processeur disponible.
ANFIS (ARTIFICIAL NEURO FUZZY INFERENCE

SYSTEMS)
3.4.1. INTRODUCTION
Une limitation de l’utilisation des réseaux de neurone réside dans leur conception
car il est difficile de trouver, de manière immédiate, à partir des données de problème à
traiter, la meilleure architecture neuronale conduisant aux performances désirées. Cette
détermination reste essentiellement empirique et soumise à la réalisation d’essais
successifs qui pénalise le délai de conception du système de traitement de données
envisagé. Ce problème de conception est lié à l’absence d’interprétation de l’action d’un
réseau de neurones sur les données à traiter.
Le tableau 3-1 dresse un comparatif des avantages et des inconvénients respectifs

de ces système de traitement de données [31]
81
Tableau 3-1. Comparatif des avantages et des inconvénients des SIF et RN
Système d’inférence floue Réseaux de neurones

Intégration de l’expertise humaine Exploitation de données numériques
Parcours séquentiel de la base de règle Traitement réparti sur de nombreux
processeurs
Interprétation immédiate en termes de Pas de structure spécialisée particulière
règles d’inférence floue
Difficultés dans la construction de la base Problèmes dans le choix des réseaux de
de règle neurone
Jang et al ont proposé l'architecture des ANFIS en 1993 [36]. L'acronyme ANFIS
tire son nom de ‘Adaptive Neuro-Fuzzy Inference System’ ou « système adaptatif
d'inférence neuro-floue ». En utilisant une des série entrée / sortie donnée, ANFIS
construit un « système d'inférence floue SIF » ou ‘fuzzy inference system FIS’ dont les
paramètres des fonctions d’appartenance sont réglées (ajustées) en utilisant soit un
algorithme de rétropropagation de l’erreur seul ou en combinaison avec une des méthodes
de type moindre carrés ‘least squares type of method’. Cet ajustement permet aux
systèmes flous d'apprendre à partir des données à modéliser. [37]
ANFIS est un réseau adaptatif qui permet la mise en œuvre de la topologie du réseau
de neurones, conjointement avec la logique floue [38, 39]. L’étude des ANFIS compile
ces deux méthodes et utilise les caractéristiques des deux méthodes. Encore, ANFIS
rassemble à la fois le réseau de neurones et la logique floue, et est capable de traiter des
problèmes complexes et non linéaire [40]. ANFIS est une classe de réseaux adaptatif
multicouche à propagation vers l’avant ‘adaptive multilayer feeding forward networks’,
ce qui est fonctionnellement équivalent à un système d'inférence floue.
3.4.2. ARCHITECTURE DES ANFIS
Selon Jang et al [36,40] la structure globale des systèmes neuro-flous adaptatifs est
représentée sur la figure 3.11:
LA COUCHE N° 1
Chaque nœud i dans cette couche est un nœud adaptatif ayant une fonction de
nœud :
𝑂𝑖1 = 𝜇𝐴𝑖 (𝑥) (3.45)
82
𝑂𝑖1 est le degré d'appartenance de Ai et il spécifie le degré auquel l'entrée x (ou y)

1 𝑥−𝑐𝑖 2
satisfait le quantificateur Ai . 𝜇𝐴𝑖 (𝑥) = 𝑥−𝑐𝑖 2
ou 𝜇𝐴𝑖 (𝑥) = 𝑒𝑥𝑝 {− ( ) } (3.46)
𝑎𝑖
1+[( ) ]𝑏𝑖
𝑎𝑖
Où {𝑎𝑖 , 𝑏𝑖 , 𝑐𝑖 } est l'ensemble de paramètres.
Figure 3-11. structure du system ANFIS
LA COUCHE N° 2
La deuxième couche calcule les prémisses de chaque règle comme étant le produit
des degrés d’appartenance des variables intervenant dans les prémisses de chaque règle :
𝑤𝑖 = 𝜇𝐴𝑖 (𝑥) × 𝜇𝐵𝑖 (𝑦), 𝑖 = 1,2 (3.47)
LA COUCHE N° 3
La troisième couche est constituée d’opérateurs de normalisation notés N,
𝑤𝑖
normalise les résultats de la couche : 𝑤𝑖 = 𝑤 , 𝑖 = 1,2. (3.48)
1 +𝑤2
LA COUCHE N° 4
La quatrième couche évalue la conclusion de chaque règle :
𝑂𝑖4 = 𝑤𝑖 𝑓𝑖 = 𝑤𝑖 (𝑝𝑖 𝑥 + 𝑞𝑖 𝑦 + 𝑟𝑖 ) (3.49)
{pi, qi, ri} sont l’ensemble de paramètres de ce nœud qui sont appelés paramètres
conséquents.
LA COUCHE N°5
Les nœuds de cette couche calcule la sortie globale comme étant la somme de tous
∑ 𝑤𝑓
les signaux entrants : 𝑂𝑖5 = 𝑠𝑜𝑟𝑡𝑖𝑒 𝑔𝑙𝑜𝑏𝑎𝑙𝑒 = ∑𝑖 𝑤𝑖 𝑓𝑖 = ∑𝑖 𝑤𝑖 𝑖 (3.50)
𝑖 𝑖
83
La règle d’apprentissage de cette structure est basée sur une méthode

d’apprentissage de type descente de gradient, analogue à celle utilisée dans le cas des
réseaux de neurone non bouclés. [41]
3.4.3. COMPLEXITE DE CALCUL DES ANFIS
Le tableau 3-2 présente des caractéristiques des différentes couches :
Tableau 3-2. Les caractéristiques des couches
Type de N° de
N° de couche N° de nœuds
couche paramètres
Entrée
L0 n 0
(input)
Values
L1 (p•n) 3•(p•n)=|S1|
(valeurs)
Rules
L2 pn 0
(Règles)
Normalize
L3 pn 0
(Normalisation)
L4 Lin.Funct pn (n+1)•pn=|S2|
Somme
L5 1 0
(Sum)
ANFIS utilise deux groups de paramètres : S1 et S2 :
- S1 représente les partitions floues utilisées dans les règles LHS :
𝑆1 = {{𝑎11 ,𝑏11 , 𝑐11 }, {𝑎12 ,𝑏12 , 𝑐12 }, …, {𝑎1𝑝 ,𝑏1𝑝 , 𝑐1𝑝 } … , {𝑎𝑛𝑝 ,𝑏𝑛𝑝 , 𝑐𝑛𝑝 }} (3.51)
- S2 représente les coefficients des fonctions linéaires dans les règles de l'ERS
𝑆2 = {{𝑐10 ,𝑐11 , … , 𝑐1𝑛 }, … , {𝑐𝑝𝑛0 ,𝑐𝑝𝑛1 , … , 𝑐𝑝𝑛𝑛 } (3.52)
Les ANFIS utilisent un cycle d'apprentissage en deux phases :
- Phase avant : S1 est fixe et S2 est calculée en utilisant l’algorithme des moindres
carrés (Least Squared Error LSE) (apprentissage Off-line)
- Phase en arrière : S2 est fixe et S1 est calculée en utilisant un algorithme de

descente de gradient (habituellement rétropropagation). [42]
84
3.4.4. DIAGRAMME DE FLUX DE BASE DES CALCULS

DANS ANFIS
ANFIS éditeur GUI (MATLAB) applique des techniques d'inférence floue à la

modélisation des données ; la figue. 3-12 donne diagramme de flux de base des calculs
des ANFIS.
Initialisation de l ANFIS
Utiliser la commande anfisedit
Entrer les entrées pour apprentissage, examen et test

Pour charger l ensemble de données utilise la partie Load
data chargement de données de de l'interface graphique
Générer un SIF (système d'inférence floue)

Vous devez commencer par le chargement d'un ensemble de
données de l apprentissage qui contient les données
d'entrée / sortie souhaitée du système à modéliser
Commencer le processus d apprentissage

Choisissez la méthode optimale pour l apprentissage
Entrez le numéro d itérations nécessaire d apprentissage
formation et la tolérance formation d'erreur pour définir les
critères d'arrêt de l apprentissage
Valider le SIF entrainé

Après le FIS est entrainé, valider le modèle en utilisant des
données pour essai et vérification qui diffère de celle utilisé
dans l apprentissage
Figure 3-12. Diagramme de flux de base des calculs des ANFIS
CONCLUSION
Ce chapitre donne une analyse théorique des réseaux de neurones, de la logique

floue et de la combinaison entre les deux. Le but essentiel est d’avoir une technique
hybride capable de surmonter les inconvénients de chacune et d’amplifier les avantages
des deux techniques.
.
85
Chapitre 4
APPLICATION DES ANFIS
AUX RÉSEAUX ÉLECTRIQUES
CHAPITRE 04 APPLICATION DES ANFIS AUX RÉSEAUX ÉLECTRIQUES
4. APPLICATION DES ANFIS AUX R ÉSEAUX

ÉLECTRIQUES
INTRODUCTION
Dans le chapitre 3 on a présenté une technique novatrice telle que les ANFIS
(adaptive neurofuzzy inférence system) avec toute sa complexité de calcul. Dans ce
chapitre on va appliquer cette technique à l’écoulement de puissance et à la prédiction de
la charge en analysant les résultats obtenus.
La démarche de travail est la suivante : premièrement on va simuler l’écoulement

de puissance en utilisant une méthode conventionnelle pour l’apprentissage puis en
introduit l’optimisation utilisant les ANFIS.
ECOULEMENT DE PUISSANCE UTILISANT LES

ANFIS
L’expansion des réseaux électriques a impliqué la privatisation et la restructuration

de certains entre eux ; cela met les gestionnaires de réseau d'électricité dans un marché
concurrentiel. En revanche, le développement de systèmes et de logiciels informatiques
conduit à de nouveaux concepts tels que les réseaux intelligents, donc les programmes de
l’écoulement de puissance conventionnels (Power Flow) ont besoin d'être améliorés.
[43][44]
Pour résoudre le problème de l’écoulement de puissance, deux approches

différentes sont utilisées, la méthode traditionnelle et la méthode utilisant l’intelligence
artificielle ; les systèmes d'intelligence artificielle ont prouvé leur efficacité dans l'analyse
des réseaux électriques. Les systèmes à inférence neuro-floue artificiels (ANFIS) sont
une combinaison de deux techniques intelligentes : les réseaux de neurones et la logique
floue.
Cette partie présente une solution de l’écoulement de puissance en utilisant des

systèmes d'inférence neuro-flou adaptatifs (ANFIS) d’un réseau IEEE 39 bus système.
L’apprentissage de notre ANFIS est pris à partir des résultats de l’écoulement de
puissance en utilisant le logiciel « power world simulator ». [45]
87
Pour établir notre technique de l’écoulement de puissance, on a utilisé le réseau

“IEEE 39 bus system (Fig. 4-1), qui est mieux connu comme 10-machine New-England
Power System. Le générateur n°1 représente une agrégation d’un large nombre de
générateurs. [46] [47] [48]
Figure 4-1. Réseau IEEE 39 bus system
88
4.2.1. LA SIMULATION UTILISANT LES TECHNIQUES

CONVENTIONNELLES
La simulation de l’écoulement de puissance a été exécutée par le logiciel

PowerWorld simulator (Version 18), ce logiciel performe la simulation de l’écoulement
de puissance en utilisant une des méthodes conventionelles citées dans le chapitre 3
(essentiellement la méthode de Newton Raphson).
Le tableau 4-1 montre les résultats de simulation avec PowerWorld simulator, ici,
nous allons nous concentrer aux tensions et aux angles de phase des noeuds en PU.
Tableau.4-1. Résultats de PowerWorld Simulator
Load
Bus Load MW PU Volt Angle (Deg)
MVAR
1 0 0 1.05178 -8.57
2 0 0 1.05987 -6.13
3 322 2.4 1.05655 -8.95
4 500 184 1.05919 -9.78
5 0 0 1.07359 -8.77
6 0 0 1.07428 -8.14
7 233.8 84 1.06115 -10.08
8 522 176 1.05858 -10.52
9 0 0 1.05402 -10.28
10 0 0 1.06106 -5.87
11 0 0 1.06429 -6.66
12 7.5 88 1.04934 -6.64
13 0 0 1.0587 -6.52
14 0 0 1.05614 -8.03
15 320 153 1.04089 -8.31
16 329.4 32.3 1.04853 -6.91
17 0 0 1.05174 -7.87
89
18 158 30 1.05233 -8.69
19 0 0 1.05599 -2.33
20 680 103 0.99422 -3.72
21 274 115 1.04355 -4.55
22 0 0 1.05611 -0.16
23 247.5 84.6 1.05132 -0.35
24 308.6 -92.2 1.05258 -6.79
25 224 47.2 1.06582 -4.69
26 139 17 1.06229 -5.97
27 281 75.5 1.05173 -7.97
28 206 27.6 1.05541 -2.49
29 283.5 26.9 1.05357 0.25
30 0 0 1.0475 -3.73
31 9.2 4.6 0.982 -1.59
32 0 0 0.9831 1.79
33 0 0 0.9972 2.87
34 0 0 1.0123 1.46
35 0 0 1.0493 4.78
36 0 0 1.0635 7.46
37 0 0 1.0278 2.05
38 0 0 1.0265 7.3
39 1104 250 1.03 -10.06
90
4.2.2. ESTIMATION DE L’AMPLITUDE DES TENSIONS

UTILISANT LES ANFIS
Dans un premier temps, on va se concentrer sur les tensions des nœuds en PU (bus
1 au bus 29) étant donné que ANFIS Editor performe une seule sortie pour chaque
apprentissage. Donc on va procéder à l’estimations de l’amplitude des tensions nodales
après on passe aux angles de phase.
La figure 4-2 montre l’architecture de l’ANFIS de notre cas d’étude :
Figure 4-2. Architecture de l’ANFIS utilisé
91
Dans la structure de la figure 4.2:
 La couche 0 : (input) contient la matrice d’entrée.
 La couche 1 : (inputmf) calcule le degré (les valeurs) d’appartenance pour les

paramètres de prémisse, ici, on a assigné trois fonctions d’appartenance pour les
deux entrées.
 La couche 2 (rule) : calcule les prémices de chaque règle comme étant le produit
de degré d’appartenance des variables intervenant dans les prémisses (firing
strength of the rules).
 La couche 3 (outputmf) : normalise les résultats de la couche 2.
 La couche 4 (output) : fournie le résultat final. Ce résultat est sous forme d’une
matrice contenant 1 colonne est 29 lignes (amplitudes de voltage des 29 barres en
PU)
On a obtenu des résultats, interprétés sur des graphiques :
Figure 4-3 montre les données d’apprentissage (cercles bleus) qui sont prises du
tableau 4-1 quatrième colonne qui représente les amplitudes des tensions en PU, en
fonction la sortie de l’ANFIS (croix rouges) correspondantes. On a obtenu une erreur
moyenne d’apprentissage de 0.0056104 PU.
L’erreur d’apprentissage moyenne correspond à la moyenne de la différence point

par point entre la sortie de l’apprentissage et la sortie réelle.
Figure 4-3. Données d’apprentissage en fonction de la sortie ANFIS
92
Pour tester notre ANFIS on a utilisé un arrangement aléatoire de données. La figure

4-4 montre les résultats de test avec une erreur moyenne de test de 0.0041823 PU.
L’erreur de test moyenne correspond à la moyenne de la différence point par point

entre la sortie de test et la sortie réelle.
Figure 4-4. Données de test (testing) en fonction de la sortie ANFIS
Pour vérifier le réseau ANFIS, on a utilisé d’autre arrangement de donnée. La figure

4-5 montre les résultats de vérification avec une moyenne d’erreur de vérification de
0.15518 PU.
Figure 4-5. Données de vérification (checking) en fonction de la sortie ANFIS
93
Quelques informations concernant l’ANFIS :
- Nombre de nœuds : 35
- Nombre de paramètres linéaires : 9
- Nombre de paramètres non linéaires : 18
- Nombre total de paramètres : 27
- Nombre de paires de données d’apprentissage : 29
- Nombre de paires de données vérification : 28
- Nombre de règles floues : 9
L’apprentissage de ANFIS est achevé à l’itération 2.
Nous avons obtenu des résultats satisfaisons. Pour avoir moins d’erreur possible il
faut créer plus de scénarios comme entrée c’est-à-dire enrichir de plus l’apprentissage.
Comme la plupart des techniques de l’intelligence artificielle, l’ANFIS est basé sur
le programme traditionnel pour son apprentissage, test et vérification.
Notre but est de mettre en œuvre des techniques d'intelligence artificielle pour
résoudre le problème de l’écoulement de puissance. Le programme traditionnel, qui est
basé sur des techniques itératives, donne la solution exacte, cependant, il consomme du
temps et utilise une grande capacité de stockage, alors que, le programme ANFIS est
rapide et fiable.
94
4.2.3. ESTIMATION DES ANGLES DE PHASE DES

TENSIONS
Dans un deuxième temps, on va se concentrer sur l’angle de phase des tensions des
nœuds de charge (bus 1 au bus 29). La figure 4-6 montre l’architecture de l’ANFIS de
notre cas d’étude :
Figure 4-6. Architecture de l’ANFIS utilisé
95
Quelques informations concernant l’ANFIS :
- Nombre de nœuds : 734
- Nombre de paramètres linéaires : 343
- Nombre de paramètres non linéaires : 84
- Nombre total de paramètres : 427
- Nombre de paires de données d’apprentissage : 29
- Nombre de paires de données vérification : 28
- Nombre de règles floues : 343
L’apprentissage de ANFIS est achevé à l’itération 2.
La figure 4-7 montre les résultats d’apprentissage avec une erreur moyenne
d’apprentissage de 1,4994 °.
Figure 4-7. Données d’apprentissage en fonction de la sortie ANFIS
Pour tester notre ANFIS on a utilisé un arrangement aléatoire de données. La figure

4-8 montre les résultats de test avec une moyenne d’erreur de test de 7,789°.
96
Figure 4-8. Données de test (testing) en fonction de la sortie ANFIS
Pour vérifier notre ANFIS on a utilisé un arrangement aléatoire de données. La

figure 4-9 montre les résultats de vérification avec une moyenne d’erreur de 5,892°.
Figure 4-9. Données de vérification (checking) en fonction de la sortie ANFIS
Nous avons abouti à des résultats convaincants en matière de prédiction de l’angle

de phase des tensions des nœuds de charge. Comme pour le cas de l’amplitude de la
tension, pour avoir moins d’erreur et plus de performance il faut enrichir l’apprentissage.
97
ESTIMATION DE LA CONSOMMATION (LOAD

FORECASTING) UTILISANT LES ANFIS
L’estimation de la consommation électrique (load forecasting) a de nombreuses

applications dans les réseaux électriques, y compris l'achat et la production d'énergie, la
commutation des charges, l'évaluation du marché, et le développement des
infrastructures. Load forecasting est un processus mathématique complexe caractérisé par
des données aléatoires et une multitude de variables d'entrée. Pour résoudre le problème
de la prévision de charge, deux approches différentes sont utilisées, l’approche
traditionnelle et celle intelligente ; les systèmes intelligents ont prouvé leur efficacité dans
le domaine du forecasting. [49] [50]
Dans cette partie, nous allons prévoir les pics de nuit de consommation du système
électrique algérien utilisant système adaptatif neuro-floue (ANFIS) a entrée
multivariable. On va introduire l'effet de la température et le type du jour comme variables
d'entrée.
L'économie algérienne est fortement liée au marché de l'énergie fossile

(hydrocarbure et gaz naturel); étant donné que les prix de l'énergie sont fluctuants, la
nécessité de développer de nouvelles stratégies de consommation d'énergie augmente,
cela pourrait être réalisé en optimisant les opérations de réseau électrique de base, y
compris: l’écoulement de puissance, le dispatching économique et les prévisions de
charge.
La prévision de charge à court terme est nécessaire pour effectuer de nombreuses

fonctions d'électricité, y compris l'engagement d'unité des générateurs, la coordination
hydro-thermique, l'entretien à court terme, l'allocation de carburant, la puissance
d'échange, l'évaluation de la transaction, ainsi que des fonctions d'analyse de réseau, de
la protection et l’écoulement de puissance, la planification de contingence, le délestage
des charges, et les stratégies de sécurité de charge. [51]
Une variété de méthodes et d'idées ont été essayées pour le forecasting depuis
plusieurs décennies; variant du conventionnel à l'intelligence artificielle ; ces méthodes
seront discutées dans la prochaine section.
Dans la prévision de la charge, la problématique réside dans trois aspects :
98
- Tout d'abord, l'erreur, cela signifie que, pour avoir une différence minimale entre
les valeurs prévues et celles réelles;
- Deuxièmement, le temps d'exécution, en particulier avec un forecasting à court

terme, où la réduction du temps de simulation est essentielle;
- Troisièmement, les paramètres externes affectant la consommation, tels que la

variabilité météorologique et, à plus long terme, la variabilité du climat; la croissance de
la population est l'un de ces paramètres aux côtés du bien-être économique et social de la
population.
4.3.1. LES METHODES DE RESOLUTION DE

L’ESTIMATION DE LA CONSOMMATION (LOAD
FORECASTING)
LES METHODES UTILISANT DES SER IES

TEMPORELLES
Ces méthodes traitent le modèle de la charge en tant que signal de série temporelle
avec des périodicités saisonnières, hebdomadaires et quotidiennes connues. Ces
périodicités donnent une prévision approximative de la charge à la saison donnée, jour de
la semaine et heure de la journée. La différence entre la prédiction et la charge réelle peut
être considérée comme un processus stochastique (signal aléatoire). Les techniques
utilisées pour l'analyse de ce signal aléatoire sont les suivants :
- Méthode des Filtres de Kalman ;
- Méthode de Box Jenkins ;
- Processus de régression ;
- Technique d'expansion spectrale. [52] [53] [54]
LES METHODES BASEES SUR LA REGRESS ION

La procédure générale de l'approche de régression est :
- Sélectionner les variables météorologiques appropriées et / ou disponibles ;
- Supposer des éléments fonctionnels de base ;
- Trouver des coefficients appropriés pour la combinaison linéaire des

éléments fonctionnels de base pris en charge.
99
Tandis que la température est l'information la plus importante de toutes les variables
météorologiques, elle est utilisée le plus souvent dans l'approche de régression.
Cependant, d'autres variables telles que l'humidité, la vitesse du vent et la couverture
nuageuse donnent de meilleurs résultats. La relation fonctionnelle entre les variables
météorologiques et la charge n’est pas fixe mais dépend des éléments spatiotemporels.
LES SYSTEMES INTELLIGENTS

Un système intelligent peut être défini comme un système qui présente de
l’intelligence pour capturer et traiter des informations. En pratique, un système intelligent
est celui qui emploie des techniques d'intelligence artificielle pour remplir tout ou une
partie de ses besoins de calcul.
A. RESEAUX DE NEURONES ART IFICIELS ( voir chapitre 03)
B. SYSTEMES EXPERTS
Un système expert est un programme informatique, qui a la capacité d'agir comme

un expert de la connaissance. Cela signifie que ce programme peut raisonner, expliquer
et avoir sa base de connaissances étendue si de nouvelles informations sont à sa
disposition. Le modèle de prévision de charge peut être construit en utilisant les
connaissances sur le domaine de prévision des charges d'un expert dans le domaine.
L'ingénieur de connaissance extraits cette connaissance du domaine de consommation
électrique (charge). Cette connaissance est représentée comme des faits et des règles en
utilisant la première logique de prédicat pour représenter les faits et les règles de
production IF-THEN. Certaines des règles ne changent pas au fil du temps, certaines
changent très lentement ; tandis que d'autres changent continuellement, et donc ils sont
mis à jour de temps en temps. [55]
C. LES SYSTEMES FLOUS (se référer au ch apitre 03)
Dans cette partie, nous allons proposer une méthode hybride dans la solution de
prévision de charge, qui est une combinaison de réseaux de neurones et la logique floue,
cette méthode est appelée systèmes d'inférence neuro-flou adaptatif (ANFIS) (chapitre
03).
Notre but est de réduire le temps d'exécution et les erreurs ainsi d'avoir une
prévision plus rapide et digne de confiance comparant avec d'autres méthodes utilisées
dans le domaine.
100
4.3.2. APERÇU SUR LE RESEAU ELECTRIQUE ALGERIEN
L’élaboration d’un modèle d’estimation de consommation (load forecasting) du

réseau Algérien devient de plus en plus difficile en raison des incertitudes liées aux
facteurs utilisés dans sa préparation, en particulier ceux liés aux changements d’habitudes
de consommation. En Algérie, ce changement est dû à la sensibilité croissante du
consommateur à l'élévation de température et par conséquent, il se reflète dans les
changements sur les courbes annuelles et journalières de charge d'été. Le pic de la
consommation annuelle, qui a toujours été atteint en hiver, a déplacé à l'été en 2009,
lorsque le pic de l'été a dépassé l'hiver de 5,1% (Fig. 4-10).
Figure 4-10. L'évolution historique de la demande maximale de 2000 à Août 2011. [56]
La consommation spécifique moyenne par client basse tension a augmenté par 2623
kW en 2009. la consommation moyenne des foyers algériens a augmenté, il est intéressant
de noter que cette augmentation est principalement due aux clients de sud qui représentent
seulement 10% du nombre total des clients basse tension. Cette particularité est expliquée
par l'utilisation massive de la climatisation, étant donné le climat particulier des régions
du sud qui se caractérise par des températures élevées durant plusieurs mois de l'année.
101
La consommation moyenne des clients dans la région nord est expliquée par la densité de
la population. Plus de 52% de la clientèle basse tension est située au nord du pays.
Figure 4-11. Comparaison entre la courbe de charge de deux jours avec des pics de charge [57]
4.3.3. PREPARATION DES DONNEES
Les données utilisées pour l’apprentissage, le test et la vérification de l’ANFIS sont

prises de :
 L’historique de courbe de charge quotidienne de SONELGAZ [58]
 La température maximale de In Saleh (Wilaya de Tamanraset) la région la plus

chaude en Algérie, et la température minimale de Sétif la région la plus froide en
Algérie. Cela peut nous donner une idée générale sur la variation de la température
du pays. [59]
102
4.3.4. ARCHITECTURE DE L’ANFIS
On a utilisé pour l’apprentissage :
- Entrées (Inputs) : matrice de [664x6], un exemple est donné dans le tableau 4-2
Tableau 4-2. Exemple de la matrice input
Journée Temp Temp Journée Vendredi Samedi Pic de

ouvrable Génération
Max Min
01/03/2010 31 6 1 0 0 5102
02/03/2010 29 3 1 0 0 5251
03/03/2010 29 8 1 0 0 5152
04/03/2010 30 4 1 0 0 5205
05/03/2010 30 3 0 1 0 4294
06/03/2010 30 7 0 0 1 5330
07/03/2010 29 3 1 0 0 5634
08/03/2010 26 3 1 0 0 5682
09/03/2010 28 1 1 0 0 5956
10/03/2010 27 -1 1 0 0 5723
11/03/2010 30 0 1 0 0 5350
12/03/2010 30 5 0 1 0 5231
13/03/2010 29 2 0 0 1 5435
103
La figure 4-12 montre la structure de l’ANFIS
Figure 4-12. Architecture de l’ANFIS
104
 La couche 1 : (input) contient la matrice d’entrée.
 La couche 2 : (inputmf) calcule le degré (les valeurs) d’appartenance pour les

paramètres de prémisse, ici, on a assigné 4 fonctions d’appartenance pour les
deux premières entrées et 2 fonctions d’appartenance pour les trois entrées
restant.
 La couche 3 (rule) : calcule les prémisse de chacune des 128 règles comme
étant le produit de degré d’appartenance des variables intervenant dans les
prémisses.
 La couche 4 (outputmf) : normalise les résultats de la couche 3.
 La couche 5(output) : fournie le résultat final. Ce résultat représente les pics

de charge prédits par le modèle.
La figure 4.13 montre la sortie de l’ANFIS (pics de production prévus représentés

par des croix rouges) par rapport à l'entrée (pics réels représentée par des cercles bleus).
Nous pouvons voir que l’apprentissage de l’ANFIS est satisfaisant, cela signifie que les
résultats sont généralement proches des cibles avec quelques exceptions pour quelques
points.
105
Figure 4-13. Réponse de l’ANFIS de Mars 2010 à Février 2012
106
4.3.5. TEST DE L’ANFIS
On a utilisé les données de Mars 2012 pour tester notre ANFIS, le résultat est
représenté dans la figure 4-14
Figure 4-14. Test de réseau à l'aide des données Mars 2012
On peut déduire à partir des résultats représentés sur la figure 4-13 et

la figure. 4-14 que nos prévisions en utilisant les ANFIS étaient acceptables. Pour avoir
des prévisions plus précises et excellentes, nous devons utiliser plus de données d'entrée
pour avoir un bon apprentissage de réseau neuronal.
Notre but est de mettre en œuvre des techniques d'intelligence artificielle pour
prévision de la charge en particulier pour réseau électrique algérien. Tandis que la météo
et surtout la température représente le principal paramètre influençant la consommation
algérienne, la nécessité de développer un modèle de prévision de pics de consommation
augmente. L'autre paramètre pris en considération est le type de la journée où nous avons
remarqué trois types de jours ; jours ouvrables, les vendredis qui sont des week-ends réels
et les samedis qui sont pour certains algériens une journée de travail.
107
CONCLUSION
On peut conclure à partir des résultats de simulation des ANFIS utilisés pour
l’écoulement de puissance et le forecasting de la charge que cette méthode présente des
avantages en termes de vitesse de calcul et d’espace mémoire par rapport aux méthodes
conventionnelles.
Pour l’écoulement de puissance on s’est concentré aux nœuds de charge (P, Q) donc
on a cherché les inconnus tels que l’amplitude et l’angle de phase des tensions nodales
qui sont des caractéristiques de base de l’écoulement de puissance ainsi des réseaux
électriques. [45]
Pour la seconde partie, qui est le forecasting des charges (la prévision de la
consommation) nous avons, avec succès, introduit l'effet de la température et le type de
la journée comme matrice d'entrée utilisée dans le processus d’apprentissage, nous avons
donc une prévision de charge rapide et fiable en utilisant ANFIS. [60] [61]
108
CONCLUSION GÉNÉRALE
Conclusion Générale
Les techniques de l’intelligence artificielle sont en train de s’implanter dans
pratiquement tous les domaines techniques, cela est grâce à l’évolution de l’informatique.
Parmi les techniques d’intelligence artificielle les plus utilisées, on trouve les
réseaux de neurone et la logique floue. La combinaison de ces deux techniques en
systèmes neuro-floues adaptatifs ou adaptive neurofuzzy inference systems ANFIS a
donné une nouvelle méthode novatrice profitant des avantages des deux méthodes et
surmonte leurs inconvénients.
Dans cette thèse, nous nous sommes concentrés sur l’écoulement de puissance, et
plus précisément sur la prédiction de l’amplitude et l’angle de phase des tensions des jeux
de barres de charge. La deuxième partie de notre travail est la prédiction de la
consommation électrique du réseau Algérien.
L’objectif essentiel de cette thèse est l’optimisation des deux concepts parmi ceux
qui sont essentiels des réseaux électriques tels que l’écoulement de puissance et la
prédiction de la charge (load forecasting) de manière à contribuer à préparer le réseau
électrique pour devenir un réseau intelligent ou smart grid.
Notre étude a donné des prévisions d’écoulement de puissance et du load

forecasting rapides et fiables en utilisant ANFIS, ce qui nous facilite, donc une meilleure
utilisation de nombreuses applications dans les réseaux électriques, y compris l'achat et
la production d'énergie, la commutation des charges, l'évaluation du marché, et le
développement des infrastructures.
Pour l’avenir, on opte à faire une contribution pour automatiser et développer le

réseau Algérien, pour qu’il soit un réseau totalement intelligent, en introduisant les
techniques de l’intelligence artificielle dans tous les disciplines des réseaux électriques.
109
ANNEXE 1 FORMATION DES MATRICES DE RÉSEAU
Annexes
A NNEXE 1
A1. FORMATION DES MATRICES DE RÉSEAU
Les formules théoriques qui permettent de construire les matrices de transfert à

partir du réseau élémentaire sont rarement utilisées dans la pratique. En effet, le réseau
que l’on étudie à un instant donné dans la plupart des cas issu des modifications d’un
réseau antérieur par adjonction ou suppression de certains éléments (lignes, câbles,
appareillage, générateurs…), il serait inefficace de reconstruire intégralement les matrices
de transfert sans tenir compte de cette situation.
A1.1. FORMATION DE LA MATRICE D’ADMITTANCE Y b u s
Figure A1-1. Élément du réseau (ligne, câble)
Considérons un élément de réseau constitué d’un nœud i relié à travers des

composants de réseau à des nœuds 1,2,…j, k… chaque composant est représenté par un
quadripôle formé d’un élément en série entre les nœuds i et j et de plusieurs éléments en
parallèle relié au nœud de référence (défini comme le nœud de référence des tensions)
ainsi que le montre le schéma de la figure A1-1.
Le schéma de la figure A1-2 permet d’illustrer la mise en équations d’une partie de

réseau formé d’un nœud i connecté à des nœuds voisins 1 … j,k.
110
Figure A1-2. Partie de réseau
Le nœud i est relié au nœud j par l’admittance 𝒚𝒊𝒋 et au nœud de référence par
l’admittance 𝒚𝒊𝒊𝒋 .
Le nœud j est relié au nœud i par l’admittance yij et au nœud de référence par
l’admittance yjji et au nœud k par l’admittance yjk et au nœud de référence coté nœud k
par yjjk.
Soient E1, E2, …Ei…Ej les tensions complexes qui apparaissent aux nœuds
1,2,…i…j, quand un courant Ii est injecté au nœud i.
Ces tensions et le courant Ii sont reliés par l’équation :
𝐼𝑖 = (∑𝑗≠1 𝑦𝑖𝑖𝑗 )𝐸𝑖 + (∑𝑗≠1 𝑦𝑖𝑗 )(𝐸𝑖 − 𝐸𝑗 )
𝐼𝑖 = (∑𝑗≠1(𝑦𝑖𝑖𝑗 + 𝑦𝑖𝑗 ))𝐸𝑖 + ∑𝑗≠1(−𝑦𝑖𝑗 𝐸𝑗 )
= 𝑌𝑖𝑖 𝐸𝑖 + ∑𝑗≠1 𝑌𝑖𝑗 𝐸𝑗 (A1.1)
Nous déduisons l’expression des termes généraux de Ybus en fonction de

l’admittance des éléments du réseau par identification des termes de Ybus :
𝑌𝑖𝑖 = ∑𝑗≠1(𝑦𝑖𝑖𝑗 + 𝑦𝑖𝑗 ) (A1.2)
𝑌𝑖𝑗 = −𝑦𝑖𝑗 (A1.3)
A1.2. FORMATION DE LA MATRICE D’IMPEDANCE Z b u s
La formation de la matrice Zbus est simple car elle résulte d’une composition directe
des admittances. D’autre part, il n’y a qu’un nombre restreint de connexions entre les
différents éléments du réseau ce qui lui donne la structure d’une matrice « creuse », c'est-
à-dire qu’il n’y a qu’un petit nombre d’éléments non nuls, ce qui facilite encore sa
construction.
111
En revanche cette structure particulière n’a pas d’influence sur la constitution de

Zbus qui est son inverse. En fait, cette propriété particulière de Ybus pourrait être utilisée
pour la construction directe de Zbus car l’inversion d’une matrice n’est autre que la
résolution d’un nombre de systèmes linéaires égal à l’ordre de la matrice à inverser. Or la
résolution d’un système linéaire à matrice creuse par triangularisation de cette matrice est
facilitée lorsque cette dernière n’a qu’un petit nombre d’éléments non nuls. Cependant la
grande taille des matrices Ybus et Zbus dont les éléments sont de surcroit complexes rend
toute construction de Zbus par inversion directe très couteuse en temps de calcul.
En outre, la structure d’un réseau à un instant donné est le résultat d’un petit nombre
de modifications du réseau antérieur de ce réseau par ajout ou suppression de quelques
éléments bien identifiés. La matrice Zbus de ce réseau pourra donc se déduire de celle du
réseau dans son état antérieur en tenant compte des changements induits par les opérations
de modification.
Le réseau antérieur comprend m accès qui sont numérotés de 1 à m ainsi que

l’indique la figure qui correspond à une matrice Zbus de dimension 𝑚 × 𝑚. Nous allons
étudier les modifications induites sur cette matrice par les deux ajouts illustrés sur la
figure A1-3.
Figure A1-3. Ajout de branche et /ou corde
A1.2.1. ADDITION D’UNE BRANC HE ENTRE LES ACCES P ET Q

Cette opération correspond dans la pratique à la création d’un nouveau poste pour
le réseau de distribution en construisant depuis un accès défini une nouvelle ligne qui va
112
alimenter ce poste. En général cette ligne, qui se situe sur un trajet nouveau, n’a pas de
couplage électromagnétique avec des lignes existantes, elle peut donc en côtoyer certaines
sur une partie de son trajet ce qui nous conduira à envisager le cas général bien que ce
dernier soit relativement rare.
Cette branche est supposée avoir dans le réseau élémentaire une admittance propre
ypq.pq ou une impédance propre Zpq.pq. Elle peut être couplée avec une branche rs à travers
une admittance de couplage ypqrs.
Cette opération va transformer un réseau à m accès en un réseau à (𝑚 + 1) accès,

ce qui va transformer Zbus d’une matrice de dimensin 𝑚 × 𝑚 en une nouvelle matrice de
dimension (𝑚 + 1) × (𝑚 + 1). Cette nouvelle matrice s’écrit :
𝐸1 𝑍11 𝑍12 … … 𝑍1𝑝 … … 𝑍1𝑚 𝑍1𝑞 𝐼1

𝐸2 𝑍21 𝑍22 … … 𝑍2𝑝 … … 𝑍2𝑚 𝑍2𝑞 𝐼2
… …
… …
𝐸𝑝 = 𝑍𝑝1 𝑍𝑝2 … … 𝑍𝑝𝑝 … … 𝑍𝑝𝑚 𝑍𝑝𝑞 . 𝑝𝐼 (A1.4)
… …
… …
𝐸𝑚 𝑍𝑚1 𝑍𝑚2 … … 𝑍𝑚𝑝 … … 𝑍𝑚𝑚 𝑍𝑚𝑞 𝐼𝑚
[ 𝐸𝑞 ] [ 𝑍𝑞1 𝑍𝑞2 … … 𝑍𝑞𝑝 … … 𝑍𝑞𝑚 𝑍𝑞𝑞 ] [ 𝐼𝑞 ]
Le nouvel accès q est connecté aux précédent à travers le réseau par les impédances
de type 𝑍𝑞𝑝.
A1.2.2. ADDITION D’UNE CORDE

Cette opération correspond au renforcement du réseau par la construction d’une
nouvelle ligne entre deux nœuds existants. Elle ne modifie pas le nombre de nœuds et
donc la taille et l’ordre de la matrice mais l’insertion de cette nouvelle impédance va
modifier l’ensemble des termes de Zbus.
Le calcul des éléments modifiés sera fait en deux opérations distinctes et

successives :
 Dans un premier temps on insère entre les nœuds p et q un nœud fictif l et

une source de tension el définie de manière à ce que le courant ipq soit nul
𝑖𝑝𝑞 = 0. Au cours de cette opération, la dimension de la matrice Zbus est
augmentée d’une unité.
113
 Le nœud fictif l est éliminé et la source de tension court-circuitée, ce qui

ramène la dimension de la matrice à sa valeur initiale en modifiant tous ses
éléments au cours de cette seconde opération. [62]
A1.3. EXEMPLE DE CONVERSION DE LA MATRICE Y A LA

MATRICE Z
Considérons un système à quatre bus hypothétique, la matrice Y est donnée, on va

la transformer en une matrice Z
+7 −2 0 −3
𝑌̅ = [ −2 5 −3 0]
0 −3 4 0
−3 0 0 6
Pivot (3,3) :
𝑌
𝑌31 = 𝑌31 = 0
33
𝑌32 −3
𝑌32 = 𝑌 = = 0,75
33 4
1
𝑌33 = 𝑌 = 0,25
33
𝑌
𝑌34 = 𝑌34 = 0
33
𝑌
𝑌13 = − 𝑌13 = 0
33
𝑌 3
𝑌23 = − 𝑌23 = − (− 4) = 0,75
33
𝑌
𝑌43 = − 𝑌43 = 0
33
𝑌23 𝑌32 (−3)(−3)

𝑌22 = 𝑌22 − =5− = 2,75 etc.
𝑌33 4
la matrice transformée est :
+7 −2 0 −3
−2 2,75 0,75 0
[ ]
0 −0,75 0,25 0
−3 0 0 6
après, utilisons le pivot (4,4). la matrice transformée est :
114
5,5 −2 0 0,5
−2 2,75 0,75 0
[ ]
0 −0,75 0,25 0
−0,5 0 0 0,167
après, utilisons le pivot (2,2) :
4,045 0,727 0,545 0,5

−0,727 0,364 0,273 0
[ ]
0,545 0,273 0,455 0
−0,5 0 0 0,167
Finalement le pivot (1,1) donne la matrice Z :
0,2470 0,1797 0,1350 0,1236

0,1797 0,4950 0,3709 0,0898
𝑍̅ = [ ]
0,1350 0,3709 0,528 0, 0674
0,1236 0,0898 0,0674 0,2289
115
ANNEXE 2 TACHES D’APPRENTISSAGE
A NNEXE 2
A2.1. TACHES D’APPRENTISSAGE

Les différentes catégories de tâches que l’on peut vouloir réaliser avec un réseau de
neurones sont énumérées ci-dessous :
A2.1.1 APPROXIMATION
Soit la fonction g telle que
𝑑 = 𝑔(𝑝) (A2.1)
où p est l’argument de la fonction (un vecteur) et d la valeur (un scalaire) de cette
fonction évaluée en p. Supposons maintenant que la fonction g(·) est inconnue. La tâche
d’approximation consiste alors à concevoir un réseau de neurones capable d’associer les
éléments des couples entrée-sortie : {(𝑝1 , 𝑑1 ), (𝑝2 , 𝑑2 ), … , (𝑝𝑄 , 𝑑𝑄 )} . Ce problème peut
être résolu à l’aide d’un apprentissage supervisé sur les Q exemples, avec les 𝑝𝑖
représentant les stimuli, et les 𝑑𝑖 représentant les sorties désirées pour chacun de ces
stimuli, avec 𝑖 = 1, 2, … , 𝑄. Ou inversement, on peut aussi dire que l’apprentissage
supervisé est un problème d’approximation de fonction ;
A2.1.2. ASSOCIATION
Il en existe deux types : l’auto-association et l’hétéro-association. Le problème de
l’auto-association consiste à mémoriser un ensemble de patrons (vecteurs) en les
présentant successivement au réseau. Par la suite, on présente au réseau une version
partielle ou déformée d’un patron original, et la tâche consiste à produire en sortie le
patron original correspondant. Le problème de l’hétéro-association consiste quant à lui à
associer des paires de patrons : un patron d’entrée et un patron de sortie. L’auto-
association implique un apprentissage non supervisé, alors que l’hétéro-association
requiert plutôt un apprentissage supervisé.
A2.1.3. CLASSEMENT
Pour cette tâche, il existe un nombre fixe de catégories (classes) de stimuli d’entrée
que le réseau doit apprendre à reconnaître. Dans un premier temps, le réseau doit
entreprendre une phase d’apprentissage supervisée durant laquelle les stimuli sont
présentés en entrée et les catégories sont utilisées pour former les sorties désirées,
116
généralement en utilisant une sortie par catégorie. Ainsi, la sortie 1 est associée à la
catégorie 1, la sortie 2 à la catégorie 2, etc. Pour un problème comportant Q catégories,
on peut par exemple fixer les sorties désirées 𝑑 = [𝑑1 , 𝑑2 , … , 𝑑𝑄 ]𝑇 à l’aide de
l’expression suivante :
1 𝑠𝑖 𝑙𝑒 𝑠𝑡𝑖𝑚𝑢𝑙𝑢𝑠 𝑎𝑝𝑝𝑎𝑟𝑡𝑖𝑒𝑛𝑠 à 𝑙𝑎 𝑐𝑎𝑡é𝑔𝑜𝑟𝑖𝑒 𝑖

𝑑𝑖 = { , 𝑖 = 1, … , 𝑄. (A2.2)
0 𝑎𝑢𝑡𝑟𝑒𝑚𝑒𝑛𝑡
Par la suite, dans une phase de reconnaissance, il suffira de présenter au réseau

n’importe quel stimulus inconnu pour pouvoir procéder au classement de celui-ci dans
l’une ou l’autre des catégories. Une règle simple de classement consiste, par exemple, à
choisir la catégorie associée avec la sortie maximale.
A2.1.4 PREDICTION
La notion de prédiction est l’une des plus fondamentales en apprentissage. Il s’agit
d’un problème de traitement temporel de signal. En supposant que nous possédons M
échantillons passés d’un signal, 𝑥(𝑡 − 1), 𝑥(𝑡 − 2),. . . . , 𝑥(𝑡 − 𝑀), échantillonnés à
intervalle de temps fixe, la tâche consiste à prédire la valeur de x au temps t. Ce problème
de prédiction peut être résolu grâce à un apprentissage par correction des erreurs, mais
d’une manière non supervisée (sans professeur), étant donné que les valeurs de sortie
désirée peuvent être inférées directement de la série chronologique. Plus précisément,
l’échantillon de x(t) peut servir de valeur désirée et le signal d’erreur pour l’adaptation
des poids se calcule simplement par l’équation suivante :
𝑒(𝑡) = 𝑥(𝑡) − 𝑥̂(𝑡 | 𝑡 − 1, 𝑡 − 2, . .. , 𝑡 − 𝑀), (A2.3)
où 𝑥(𝑡) désigne la sortie désirée et 𝑥̂(𝑡 | 𝑡 − 1, 𝑡 − 2, . .. , 𝑡 − 𝑀) représente la sortie

observée du réseau étant donné les M échantillons précédents. La prédiction s’apparente
à la construction d’un modèle physique de la série chronologique. Dans la mesure où le
réseau possède des neurones dont la fonction de transfert est non-linéaire, le modèle
pourra lui-aussi être non-linéaire.
117
A2.1.5 COMMANDE
La commande d’un processus est une autre tâche d’apprentissage que l’on peut
aborder à l’aide d’un réseau de neurones. Considérons un système dynamique non-
linéaire {𝑢(𝑡), 𝑦(𝑡)} où 𝑢(𝑡) désigne l’entrée du système et 𝑦(𝑡) correspond à la réponse
de celui-ci. Dans le cas général, on désire commander ce système de manière à ce qu’il
se comporte selon un modèle de référence, souvent un modèle linéaire, {𝑟(𝑡), 𝑑(𝑡)}, où
pour tout temps 𝑡 ≥ 0, on arrive à produire une commande 𝑢(𝑡) telle que :
lim |𝑑(𝑡) − 𝑦(𝑡)| = 0 (A2.4)

𝑡→∞
de manière à ce que la sortie du système suit de près celle du modèle de référence. Ceci
peut se réaliser grâce à certains types de réseaux supervisés.
Dans les sections qui suivent, nous allons aborder des réseaux spécifiques en
commençant par l’un des plus connus et des plus utilisés : le perceptron simple et le
perceptron multicouches et son algorithme de rétropropagation des erreurs. [63]
A2.2 REGLE DE CORRECTION D’ERREUR

La règle est fondée sur la correction de l’erreur observée en sortie. Soit 𝑎𝑖 (𝑡) la
sortie que l’on obtient pour le neurone i au temps t. Cette sortie résulte d’un stimulus
𝑝(𝑡) que l’on applique aux entrées du réseau dont un des neurones correspond au
neurone i. Soit 𝑑𝑖 (𝑡) la sortie que l’on désire obtenir pour ce même neurone i au temps
t. Alors, 𝑎𝑖 (𝑡) et 𝑑𝑖 (𝑡) seront généralement différents et il est naturel de calculer l’erreur
𝑒𝑖 (𝑡) entre ce qu’on obtient et ce qu’on voudrait obtenir :
𝑒𝑖 (𝑡) = 𝑑𝑖 (𝑡) − 𝑎𝑖 (𝑡) (A2.5)
et de chercher un moyen de réduire autant que possible cette erreur. Sous forme
vectorielle, on obtient :
e(𝑡) = d(𝑡) − a(𝑡) (A2.6)
Avec e(𝑡) = [𝑒1 (𝑡)𝑒2 (𝑡) … 𝑒𝑖 (𝑡) … 𝑒𝑆 (𝑡)] qui désigne le vecteur des erreurs
observées sur les S neurones de sortie du réseau. L’apprentissage par correction des
erreurs consiste à minimiser un indice de performance F basé sur les signaux d’erreur
118
𝑒𝑖 (𝑡), dans le but de faire converger les sorties du réseau avec ce qu’on voudrait qu’elles
soient. Un critère très populaire est la somme des erreurs quadratiques :
𝐹(𝑒(𝑡)) = ∑ 𝑒𝑖𝟐 (𝑡) = 𝑒(𝑡)𝑇 𝑒(𝑡) (A2.7)

𝑖=1
Maintenant, il importe de remarquer que les paramètres libres d’un réseau sont ses
poids. Prenons l’ensemble de ces poids et assemblons les, sous la forme d’un vecteur
𝑤(𝑡) au temps t. Pour minimiser 𝐹(𝑒(𝑡)) = 𝐹(𝑤(𝑡)) = 𝐹(𝑡) , nous allons commencer
par choisir des poids initiaux (t = 0) au hasard, puis nous allons modifier ces poids de la
manière suivante :
𝑤(𝑡 + 1) = 𝑤(𝑡) + 𝜂𝑥(𝑡) (A2.8)
où le vecteur 𝑥(𝑡) désigne la direction dans laquelle nous allons chercher le

minimum et 𝜂 est une constante positive déterminant l’amplitude du pas dans cette
direction (la vitesse d’apprentissage). L’objectif est de faire en sorte que
𝐹(𝑡 + 1) < 𝐹(𝑡). Mais comment peut-on choisir la direction x pour que la condition
précédente soit respectée ? Considérons la série de Taylor de 1er ordre autour de 𝑤(𝑡) :9
𝐹(𝑡 + 1) = 𝐹(𝑡) + ∇𝐹(𝑡)𝑇 ∆𝑤(𝑡) (A2.9)
où ∇𝐹(𝑡) désigne le gradient de F par rapport à ses paramètres libres (les poids w) et
∆𝑤(𝑡) = 𝑤(𝑡 + 1) − 𝑤(𝑡). Or, pour que 𝐹(𝑡 + 1) < 𝐹(𝑡) , il faut que la condition
suivante soit respectée :
∇𝐹(𝑡)𝑇 ∆𝑤(𝑡) = 𝜂∇𝐹(𝑡)𝑇 𝑥(𝑡) < 0 (A2.10)
9
la série de Taylor de F(x) du 1er ordre de la fonction F(x) autour de a est :
́
𝐹(𝑎)
𝐹(𝑥) = 𝐹(𝑎) + (𝑥 − 𝑎)
1!
Dans notre cas 𝐹(𝑥) = 𝐹(𝑡 + 1) = 𝐹(𝑤(𝑡 + 1)) et on cherche la décomposition de Taylor autour de 𝑤(𝑡)
𝐹(𝑤(𝑡 + 1)) = 𝐹(𝑤(𝑡)) + 𝐹(𝑤(𝑡)) ́ (𝑤(𝑡 + 1) − 𝑤(𝑡))
́
𝐹(𝑤(𝑡 + 1)) = 𝐹(𝑤(𝑡)) + 𝐹(𝑤(𝑡))∆𝑤(𝑡)
́ ∆𝑤(𝑡)
𝐹(𝑡 + 1) = 𝐹(𝑡) + 𝐹(𝑡)
́
Avec 𝐹(𝑡) = 𝛻(𝐹(𝑡)) désigne le gradient de F, donc : 𝐹(𝑡 + 1) = 𝐹(𝑡) + 𝛻𝐹(𝑡)𝑇 ∆𝑤(𝑡)
119
N’importe quel vecteur 𝑥(𝑡) qui respecte l’inégalité de l’équation précédente

pointe donc dans une direction qui diminue F. On parle alors d’une direction de
«descente». Pour obtenir une descente maximum, étant donnée 𝜂 > 0, il faut que le vecteur
x(𝑡) pointe dans le sens opposé au gradient car c’est dans ce cas que le produit scalaire
sera minimum :
x(𝑡) = −∇𝐹(𝑡) (A2.11)
Ce qui engendre la règle dite de «descente du gradient» :
∆w(𝑡) = −𝜂∇𝐹(𝑡) (A2.12)
Dans l’espace des poids, la figure A2.1 montre les courbes de niveau de F
représentées par des ellipses hypothétiques. La flèche en pointillés montre la direction
optimale pour atteindre le minimum de F. La flèche pleine montre la direction du gradient
qui est perpendiculaire à la courbe de niveau en w(t).
Figure. A2.1– Trajectoire de la descente du gradient
La règle de la correction des erreurs est utilisée pour beaucoup de réseaux de

neurones artificiels, bien qu’elle ne soit pas plausible biologiquement. En effet, comment
le cerveau pourrait-il connaître a priori les sorties qu’il doit produire ? Cette règle ne peut
être utilisée que dans un contexte d’apprentissage supervisé.
120
RÉFÉRENCES BIBLIOGRAPHIQUE
Références Bibliographiques
[1] Dale R. PATRICK et Stephen W. FARDO. Electrical distribution systems, 2nd
edition. The Fairmont Press, 2009, 471 pages.
[2] S. N. SINGH. Electric power generation, transmission and distribution, 2nd edition,
2008, 452 pages.
[3] Theodore WILDI et Gilbert SYBILLE. Électrotechnique. 4 ième édition, De Boeck

université, 2005, 1214 pages.
[4] John J. GRAINGER, Jr et William D. STEVENSON. Power System Analysis,

McGraw-Hill Education Pvt Limited. 2003, 785 pages.
[5] Centrale thermique de Vouvry (Chavalon). Centrale à cycle combiné. [en ligne].
http://www.chavalon.ch/centrale-%C3%A0-cycle-combin%C3%A9 [page
consultée le : 16/05/2016].
[6] Connaissance des énergies newspaper. Qu’est-ce qui différencie une centrale à gaz
à cycle combiné d’une centrale classique. [Image en ligne]. (consultée le 15 avril
2014).
[7] Leonard L. GRIGSBY. Electric power generation, transmission, and distribution

third edition. The electric power engineering handbook, CRS press, Taylor &
Francis Group. 2012, 750 pages.
[8] Groupe EDF. Les différents types de réacteurs nucléaires. [en ligne]
https://www.edf.fr/groupe-edf/espaces-dedies/l-energie-de-a-a-z/tout-sur-l-
energie/produire-de-l-electricite/les-differents-types-de-reacteurs-nucleaires [page
consultée le 20/06/2016].
[9] Stephen W. Fardo et Dale R. Patrick. Electrical power systems technology. Third
edition, CRS press, Taylor & Francis Group. 2009, 481 pages.
[10] Dictionnaire interactif des sciences et technologies. Produire de l’électricité avec la

chaleur du soleil. [Image en ligne] < http://www.sciences-en-
ligne.com/DIST/News/actu.php?id_rubrique=33&id_actu=269#.V2LbTJHhDIU>
(consultée le 15 mai 2016).
[11] Syndicat départemental d’énergie de Tarn. Documentation : Réseau électrique. [en

ligne]. http://www.sdet.fr/node/39 [page consultée le : 12/06/2016].
[12] Publication UTE C 18-15. La norme NF C 18-510 et les guides UTE associés.2010.
121
[13] Guide de conception des réseaux électriques industriels, groupe Schneider. Les
architectures de réseaux.
[14] Patrick Jacob, Schéma de principe de la distribution haute tension HTA. [en ligne].
http://jacob.patrick.free.fr/rssBT/co/01_reseaux_de_distribution_web/co/02_Distri
butionHT.html.[page consultée le : 20/06/2016].
[15] Tran Khanh Viet Dung, Interconnexion des sources d'énergie renouvelable au
réseau de distribution électrique. Thèse doctorat en génie électrique. Université du
Québec à Trois-Rivières. Août 2009.
[16] Jean-Claude SABONNADIÈRE et Nouredine HADJSAÏD. Lignes et réseaux

électriques 2 : méthodes d'analyse des réseaux électriques. Collection Sciences et
technologies de l'énergie électrique. Lavoisier. 2007
[17] J. C. DAS. Power System Analysis Short-Circuit Load Flow and Harmonics. Amec,
Inc. Atlanta, Georgia. Marcel Dekker. 2002.
[18] Hady SAADAT. Power system analysis. McGraw-Hill, 2nd Revised edition. 2004.
712 pages.
[19] H.E. BROWN. Solution of Large Networks by Matrix Methods, Wiley, New York,
1975. 320 pages.
[20] W. S. MEYER, V. D. ALBERTSON et N. M. PETERSON. “The Interarea Matrix:

A Tie Line Flow Model for Power Pools”, IEEE Transactions on Power Apparatus
and Systems, Volume: PAS-90, Issue: 1, 1971, p. 36 – 45.
[21] O. ALSAC et B. SCOTT. “Optimal load flow with steady state security”, IEEE
Transactions on Power Systems, Vol. PAS-93, No. 3, 1974, p.745–751.
[22] H.W. DOMMEL et W.F. TINNEY. “Optimal power flow solutions”, IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-87, No. 10, 1968,
p.1866–1876.
[23] W. F. TINNEY et C. E. HART. “Power Flow Solution by Newton's Method”. IEEE

Transactions on Power Apparatus and Systems, Vol.PAS-86, No: 11, 1967, p.1449
-1460.
[24] O. I. ELGERD. Electric energy systems theory. Tata McGraw-Hill, 1983. 533
pages.
[25] E. ACHA, C. R. FUERTE-ESQUIVEL, H. AMBRIZ-PE´REZ et C ANGELES-

CAMACHO. FACTS. Modelling and Simulation in Power Networks. John Wiley
& Sons, Ltd. 2004, 420 pages.
[26] Journal officiel de la république algérienne, N°33, page :06, 19 mai 2010.
122
[27] D. SOUQUE, L. CHATONNET, É. MONNOT. Technique de l’ingénieur, d4096,

Réglage de tension - Rôles, obligations et organisation du producteur pour les
besoins du système électrique en France, nov. 2013.
[28] S. DUDHE. “Reactive Power Compensation Techniques in Transmission lines”,

International Journal on Recent and Innovation Trends in Computing and
Communication. Volume: 3 Issue: 5, 2015, p 3224 – 3226.
[29] V.B. RAO. C++ Neural Networks and Fuzzy Logic, MTBooks, IDG Books
Worldwide, Inc. 1995.
[30] Documentation Matlab R2016a. Neuron Model (logsig, tansig, purelin).
[31] P. BORNE, M. BENREJEB et J. HAGGÈGE. Les réseaux de neurones :

présentation et application, Edition Technip, Paris, 2007, 151 pages.
[32] K. TOMSOVIC et M.Y. CHOW. Tutorial on Fuzzy Logic Applications in Power

Systems, Prepared for the IEEE-PES Winter Meeting in Singapore January, 2000.
[33] A. M. IBRAHIM. FUZZY LOGIC for Embedded Systems Applications, 2003,

Elsevier Science (USA). 313 pages.
[34] L. A. ZADEH, G. J. KLIR, Bo YUAN. Fuzzy sets, fuzzy logic, and fuzzy systems,
selected papers by Lotfi A.Zadeh. Advances in Fuzzy systems- Applications and
Theory, Vol. 6. World Scientific, 1996, 826 pages.
[35] M.N. CIRSTEA, A. DINU, J.G. KHOR, M. MCCORMICK. Neural and Fuzzy
Logic Control of Drives and Power Systems. Elsevier Science, 2002, 397 pages.
[36] J.S.R. JANG. “ANFIS: Adaptive Network-Based-Fuzzy Inference System”, IEEE

transaction on systems, man and cybernetics, Vol 23, No 3, May/June 1993. p. 665-
685.
[37] Matlab documentation center, ANFIS and the ANFIS Editor GUI, The MathWorks,
Inc, MATLAB R2013a.
[38] J.S.R. JANG et C.T. SUN. “Neurofuzzy modeling and control”, Proc.IEEE,
Volume 83,Issue: 3,Mar 1995, p.378–406.
[39] J.S.R. JANG, C.T. SUN et E. MIZUTANI. Neurofuzzy and soft computing.
Prentice Hall, 1997, p.510–514.
[40] H. BUNKE et A. KANDEL. Neuro-fuzzy Pattern Recognition. World Scientiﬁc

Publishing, Singapore, 2000, 264 pages.
[41] G. XU et Z. WANG. “Power System Load Flow Distribution Research based on

Adaptive Neuro-Fuzzy Inference Systems”, congress on Engineering and
Technology (S-CET), Spring 2012, p.1-4.
123
[42] P. BONISSONE, Adaptive Neural Fuzzy Inference Systems (ANFIS): Analysis

and Applications, 2002.
[43] A. RATHINAM et S. PADMINI. “Composite counterpropagation neural networks

for solving power flow problem”, International Conference on Computational
Intelligence and Multimedia Applications, 2007.IEEE, Vol.1, p. 212 – 216.
[44] C. U. SHANKAR, R. THOTTUNGAL et N. M. SUNDARAM. “Unified power
flow controller with matrix converter: Performance evaluation with fuzzy logic
control”, IET Chennai Fourth International Conference on Sustainable Energy and
Intelligent Systems (SEISCON 2013), IEEE, p. 254 – 258.
[45] A. DRAIDI et D. LABED. “Power flow analysis using adaptive neuro-fuzzy
inference systems”, IRSEC’15: 3rd international renewable and sustainable energy
conference. December 10-13, 2015 Marrakech & Ouarzazate, Morocco, p. 1 - 5
[46] Information trust institute website, CSL coordinated science lab, Illinois center for
a smarter electric grid.
[47] A. PAI, Energy Function Analysis for Power System Stability, University of Illinois
at Champaign/Urbana, Kluwer academic publishers. Appendix A. 1989, 238 pages.
[48] T. ATHAY, R. PODMORE, et S. VIRMANI. “A Practical Method for the Direct

Analysis of Transient Stability”, IEEE Transactions on Power Apparatus and
Systems, vol. PAS-98, no. 2, March/April 1979, p. 573-584.
[49] P. QINGLE et Z MIN. “Very Short-Term Load Forecasting Based on Neural

Network and Rough Set”, International Conference on Intelligent Computation
Technology and Automation (ICICTA), 2010, Volume :3, p. 1132 – 1135.
[50] S. SUHARTONO, I. PUSPITASARI, M. S. AKBAR et M. H. Lee. “Two-level
seasonal model based on hybrid ARIMA-ANFIS for forecasting short-term
electricity load in Indonesia”, International Conference on Statistics in Science,
Business, and Engineering (ICSSBE), 2012, p. 1-5.
[51] R. E. ABDEL-AAL. “Modeling, Forecasting Electric Daily Peak Loads Using
Abductive Networks”. Elsevier, Oxford, United Kingdom, vol. 28, no2, 2006.p.
133-141.
[52] D.K CHATURVEDI, S PREMDAYAL. “Modified Neural and Neuro-fuzzy

Approach for Short Term Load Forecasting”, 2nd International Conference on
Power, Control and Embedded Systems 2012, p.1 – 5.
[53] A.K MAHALANABIS, D.P KOTHARI et S.I. AHSON. Computer Aided Power
System Analysis and Control, Tata McGraw Hill Publishing Company limited,
New Delhi, 1988, 338 pages
[54] G. E BOX, G. M JENKINS. Time Series Analysis Forecasting and control, Holden-
Day, San Fransisco,1976, 575 pages.
124
[55] I.MOGHRAM et S RAHMAN. “Analysis and evaluation of five short-term load

forecasting techniques”. IEEE Transactions on Power Systems, Vol.4, No. 4,
October 1989, p.1484-1491.
[56] Equilibres, la lettre de la commission de régulation de l’électricité et du Gaz

(CREG), n°14, Septembre 2011.
[57] Société nationale d’électricité et de gaz algérienne (SONELGAZ). Newsletter press

n°09, Aout 2012.
[58] Archive de courbes de charge quotidienne, Operateur de système électrique, [en

ligne]. http://www.ose.dz/courbes.php
[59] Historical weather data website, [en ligne]. http://www.wunderground.com/history.
[60] A. DRAIDI et D LABED, “A neuro-fuzzy approach for predicting load peak

profile”, International Journal of International Journal of Electrical and Computer
Engineering (IJECE),Vol. 5, No 6, p 1304-1310, December 2015.
[61] A. DRAIDI et D LABED, "Forecasting the Algerian load peak profile using time
series model based on backpropagation neural networks", POWERENG2013 4th
International Conference on Power Engineering, Energy and Electrical Drives
13-17 May 2013 ISTANBUL-TURKEY.
[62] J-C. SABONNADIÈRE et N. HADJSAÏD. Lignes et réseaux électriques 1 : lignes
d'énergie électrique. Collection Sciences et technologies de l'énergie électrique.
Lavoisier. 2007, 185 pages.
[63] J.C. PRINCIPE, N.R. EULIANO, W.C. LEFEBVRE, Neural and Adaptive
Systems: Fundamentals through Simulations, Wiley, 2000, 672 pages.
125
TITRE
RÉPARTITION OPTIMALE DES PUISSANCES UTILISANT LES TECHNIQUES DE

L’INTELLIGENCE ARTIFICIELLE
Résumé : Les réseaux électriques ont connu un énorme essor suite au développement de
l’informatique et des logiciels de commande, on parle aujourd’hui des ‘smart grids’ ou réseaux
intelligents. L’introduction des techniques de l’intelligence artificielle dans les logiciels de commande
et de décision, est un élément essentiel dans la recherche et dans le développement des réseaux
modernes. Les réseaux de neurones et la logique floue figurent parmi les techniques les plus répondues
dans le domaine de l’intelligence artificielle. La répartition optimale des puissances est une technique
importante pour le bon fonctionnement du réseau électrique et pour l’acheminement optimal et
économique de l’énergie électrique entre les unités de production et les différentes charges du réseau.
La prévision de la charge a de nombreuses applications pour les systèmes d'alimentation, y compris
l'achat d'énergie et de la production, la commutation des charges, l'évaluation du marché, et le
développement des infrastructures.
Dans cette thèse on va introduire une techniques hybride d’intelligence artificielle ANFIS
(système adaptatif d'inférence neuro-floue) pour l’optimisation de la répartition des puissances dans les
réseaux électriques et l’optimisation de la prévision des charges.
Mots clé : réseaux électriques ; écoulement de puissance ; prévision de la charge ; réseau de
neurone ; logique floue ; ANFIS.
TITLE
OPTIMAL POWER FLOW USING ARTIFICIAL INTELLIGENCE TECHNIQUES
Abstract: Power grids have been developing following the development of computer systems
and control software, today we are interested in smart grids. The introduction of artificial intelligence
techniques in the control and the decision is essential in research and development of modern power
systems. neural networks and fuzzy logic are among the techniques most used in the field of artificial
intelligence. The optimal power flow is an important element for proper optimal and economical
delivery of electrical energy between the production units and the various network loads. Load
forecasting has many applications for power systems, including energy purchasing and generation, load
switching, contract evaluation, and infrastructure development.
In this thesis we will introduce a hybrid artificial intelligence techniques ANFIS (Artificial neuro-
fuzzy inference system) to optimize power flow and load forecasting.
Keywords: power systems; load flow; load forecast; neural networks; fuzzy logic; ANFIS
‫العنوان‬
‫تدفق الطاقة األمثل باستخدام تقنيات الذكاء االصطناعي‬
‫ إدخال تقنيات‬.‫ نحن مهتمون حاليا بالشبكات الذكية‬،‫ تطورت شبكات الطاقة بعد تطوير نظم الكمبيوتر والبرمجيات‬:‫الملخص‬
‫ الشبكات العصبية والمنطق الضبابي هي من بين‬.‫الذكاء االصطناعي في المراقبة أمر ضروري في بحث وتطوير أنظمة الطاقة الحديثة‬
.‫أكثر التقنيات المستخدمة في مجال الذكاء االصطناعي‬
‫ التنبؤ باالستهالك له‬.‫تدفق الطاقة األمثل هو عنصر هام للتسليم األمثل السليم للطاقة الكهربائية بين وحدات اإلنتاج واالستهالك‬
.‫ وتطوير البنية التحتية‬،‫ بما في ذلك شراء الطاقة وتوليدها‬،‫العديد من التطبيقات ألنظمة الطاقة‬
‫ (الشبكات العصبية والمنطق الضبابي) لتحسين تدفق‬ANFIS ‫في هذه األطروحة سوف نقدم تقنية هجينة للذكاء االصطناعي‬
.‫الطاقة والتنبؤ باالستهالك‬
.ANFIS ‫ الشبكات العصبية؛ المنطق الضبابي؛‬.‫ توقعات االستهالك‬.‫ تدفق الطاقة‬.‫ أنظمة الطاقة‬:‫الكلمات المفتاحية‬

Modelisation de Ligne de Transport Electrique

Transféré par

Droits d'auteur :

Modelisation de Ligne de Transport Electrique

Transféré par

Informations du document

Description originale:

Titre original

Copyright

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 :

Modelisation de Ligne de Transport Electrique

Transféré par

Droits d'auteur :

RÉPUB L I Q U E A L G É R I EN N E DÉM O C RA T I Q UE ET PO P U LA I RE

Présentée pour obtenir le diplôme de

Président BOUZID Aissa Prof. Université des Frères Mentouri Constantine

Je dédie ce modeste travail à la mémoire de mon oncle Mohamed

À mon fils Dhia Eddine

À ma mère, À mon père

À mon frère Djamel et à ma sœur Imène

À toute ma famille et à tous mes amis...

Je tiens à exprimer ma profonde gratitude à Monsieur Labed

Djamel, Maître de conférences Classe A à l’université des Frères

Mentouri Constantine, Pour m’avoir accueilli et m’accepter au sein

de son équipe et pour avoir dirigé ce travail et m'avoir guidé,

encouragé et conseillé tout au long de ces années de Doctorat.

Je tiens à remercier Monsieur Aissa Bouzid

Professeur à l’université des Frères Mentouri Constantine, pour

m’avoir fait l’honneur de présider mon jury.

Mes remerciements vont aussi à Monsieur Chikhi Khaled,

Professeur à l’université Batna 2, pour m’avoir fait l’honneur

d’évaluer mon travail.

Je remercie également Monsieur Fetha Cherif, Professeur à

l’université Batna 2, pour avoir jugé ma thèse de Doctorat.

Je tiens à remercier aussi Monsieur Chenni Rachid, Professeur

à l’université des Frères Mentouri Constantine, pour avoir examiné

Finalement et tout particulièrement je remercie mes parents,

et ma femme pour leur soutien inconditionnel tout au long de ces

longues années d’étude.

Table des Matières

L’EFFET FERRANTI ............................................................................................... 38

4. APPLICATION DES ANFIS AUX RÉSEAUX ÉLECTRIQUES................................... 87

Liste des Figures

Chapitre 01 GÉNÉRALITÉS SUR LES RÉSEAUX ÉLECTRIQUES

Figure 1-1 Réseau de production et de transport Algérien 6

Chapitre 02 ÉCOULEMENT DE PUISSANCE

Figure 2-7 (a) Un point P à l'instant t’ sur un signal d'impulsion appliquée à 36

Chapitre 03 RÉSEAUX DE NEURONES ET LOGIQUE FLOUE

Chapitre 04 APPLICATION DES ANFIS AUX RÉSEAUX

Figure 4-5 . Données de vérification (cheking) en fonction de la sortie 93

Liste des Tableaux

Chapitre 02 ÉCOULEMENT DE PUISSANCE

Tableau 2-1 Constantes ABCD des lignes de transmission 34

Tableau 2-2 Type de jeux de barres 43

Chapitre 03 RÉSEAUX DE NEURONES ET LOGIQUE FLOUE

Tableau 3-1 Comparatif des avantages et des inconvénients des SIF et RN 82

Tableau 3-2 Les caractéristiques des couches 84

Chapitre 04 APPLICATION DES ANFIS AUX RÉSEAUX

Tableau.4-1 Résultats de PowerWorld Simulator 89

Tableau 4-2 Exemple de la matrice input 103

Liste des Symboles

HTB Haute tension de classe B

HTA Haute tension de classe A

BTB Basse tension de classe B

BTA Basse tension de classe A

TBT Très basse tension

𝜃 Angle de déphasage entre tension et courant

cos 𝜃 Le facteur de puissance

𝐹𝑃𝑎𝑚𝑙 Facteur de puissance amélioré

𝐹𝑃𝑒𝑥𝑖 Facteur de puissance existant

𝑘𝑉𝐴𝑑𝑖𝑠𝑝 Puissance apparente rendu disponible à partir de celle existante

𝑝𝑒𝑟𝑡𝑒𝑟𝑒𝑑 La réduction des pertes en P.U

𝐹𝑃𝑎𝑚𝑙 Facteur de puissance amélioré

𝑃𝑟𝑠 Puissance active à l’extrémité de réception

𝑄𝑟𝑠 Puissance réactive à l’extrémité de réception