Output

RÉPUBLIQUE DU BÉNIN
MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEUR

ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITÉ CATHOLIQUE DE
L’AFRIQUE DE L’OUEST
UNITE UNIVERSITAIRE A COTONOU
MEMOIRE
pour l’obtention du
Diplôme de Master
Option : Électrotechnique Automatisme et Système de Production (EASP)
THEME
Modélisation et recherche du point de

puissance maximale d’un système
photovoltaique par réseaux de neurones.
Réalisé et soutenu par :
Mahouton Brice SEDAGONDJI
Sous la supervision de :
Encadreur : Maitre-mémoire :
Ing Audace DIDAVI Dr (MC) Richard Gilles AGBOKPANZO
Soutenu le 23 Juin 2023
Jury composé de:
Président : Dr (MC) Sossou HOUNDEDAKO, Directeur de l’Ecole de Génie Electrique et Informatique (EGEI) de l’UCAO-UUC
Rapporteur : Dr Ing Maurel AZA-GNANDJI, Enseignant chercheur à l’Université Nationale d’Agriculture du Bénin
Examinateur : Dr Jacques AREDJODOUN, Enseignant à l’Ecole Polytechnique d’Abomey Calavi (EPAC)
Année Académique : 2022-2023

Page d’engagement
L’Université Catholique de l’Afrique de l’Ouest (UCAO) n’entend donner ni approbation ni

improbation aux opinions émises dans ce document. Ces opinions sont propres à l’auteur
i
Dédicace
A
Mes parents
Mahouton Brice SEDAGONDJI
ii
Remerciements
Nous tenons particulièrement à remercier :
• Dieu le père qui nous assiste par son Esprit-Saint et nous comble de sa grâce ;
• le Père Président de l’UCAO-UUC et toute l’administration ;
• le Professeur Dansou KOSSOU, Directeur Académique de L’Ecole de Génie Electrique

et Informatique (EGEI) de l’UCAO-UUC ;
• Dr (MC) Sossou HOUNDEDAKO Directeur de L’Ecole de Génie Electrique et Infor-

matique (EGEI) de l’UCAO-UUC ;
• Dr Carlos AGOSSOU, Directeur Adjoint de L’Ecole de Génie Electrique et Informa-

tique (EGEI) de l’UCAO-UUC ;
• Dr (MC) Richard Gilles AGBOPKANZO, notre maître de mémoire pour sa disponibi-

lité, son accompagnement et son soutien dans la réalisation de ce travail ;
• Ing Audace DIDAVI notre encadreur qui par sa rigueur, ses conseils, ses orientations
et surtout ses critiques a permis de parfaire ce travail ;
• les enseignants Maurel AZA-GNANDJI, Gabin DIDAVI, Patrick SOTINDJO, Patrice

CHETANGNY, Gervais HOUNKPE, pour leur soutien ;
• les sieurs Armel TOSSOU, Mathurin AYINA, pour leur soutien et leurs conseils ;
• les honorables membres de jury pour avoir accepté de consacrer leur précieux temps à
l’appréciation de ce travail ;
• mesdames et messieurs, TCHOKPON Marie-Rose, Chakiratou ZIBO, Marc Edem DAN-

GNIVO, nos camarades et amis fidèles ;
• tous nos camarades et amis de l’UCAO-UUC pour avoir créé un environnement pro-
pice à un partage de connaissances tout au long de notre formation ;
Que tous ceux qui de près ou de loin ont contribué à la réalisation de notre projet de
fin d’étude trouvent à travers ce travail, le signe de notre profonde reconnaissance.
iii
Sommaire
Page d’engagement i
Dédicace ii
Remerciements iii
Résumé xii
Abstract xiii
Introduction 1
1 Etat de l’art 3
1.1 Potentiel en énergie solaire photovoltaïque au Bénin . . . . . . . . . . . . . . 3
1.2 Les systèmes solaires photovoltaïques . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Les modèles des systèmes photovoltaïques . . . . . . . . . . . . . . . . . . . . 10
1.4 Techniques de recherche de MPPT . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Modélisation du système PV et développement du MPPT 30

2.1 Modélisation du système photovoltaïque . . . . . . . . . . . . . . . . . . . . . 30
2.2 La commande MPPT du système PV . . . . . . . . . . . . . . . . . . . . . . . . 36
3 Simulation de l’ensemble PV-MPPT 46

3.1 L’outil Matlab / Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Caractéristique du module photovoltaique . . . . . . . . . . . . . . . . . . . . 47
3.3 Simulation du module PV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4 Simulation du convertisseur cuk . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.5 Simulation de la commande MPPT . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 Réalisation d’un système de commande du MPP par réseau de neurone 65

4.1 Schéma synoptique du système . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2 Partie puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.3 Partie commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4 Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
iv
SOMMAIRE SOMMAIRE
Conclusion 76
Bibliographie i
Annexe vii
v
Table des figures
1.1 Radiation horizontale globale au Bénin [1] . . . . . . . . . . . . . . . . . . . . 5

1.2 Potentiel solaire photovoltaïque en KWh/KWc au Bénin [1] . . . . . . . . . . 6
1.3 Schéma synoptique des systèmes photovoltaïques . . . . . . . . . . . . . . . . 7
1.4 Systèmes photovoltaïques autonomes . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Structure générale d’un système photovoltaïque connecté au réseau électrique 8
1.6 Injection de la totalité de la production . . . . . . . . . . . . . . . . . . . . . . 9
1.7 Injection du surplus de production . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Structure d’une cellule photovoltaïque en silicium (présence d’une jonction
PN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.9 Circuit équivalent d’une cellule solaire, modèle d’une diode . . . . . . . . . . 11
1.10 Circuit équivalent d’une cellule solaire, modèle de deux diodes . . . . . . . . 12
1.11 Etage d’adaptation entre un GPV et une charge . . . . . . . . . . . . . . . . . . 15
1.12 convertisseurs DC-DC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.13 Chaîne de conversion d’énergie solaire comprenant une commande MPPT. . 18
1.14 Principe de fonctionnement d’une commande MPPT. . . . . . . . . . . . . . . 18
1.15 Algorithme de la Tension Constante . . . . . . . . . . . . . . . . . . . . . . . . 21
1.16 Algorithme du courant constant . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.17 Recherche du PPM par la méthode (P&O) . . . . . . . . . . . . . . . . . . . . . 23
1.18 Positionnement du point de fonctionnement . . . . . . . . . . . . . . . . . . . 24
1.19 Algorithme MPPT Incrément de Conductance (Inc.CoN) . . . . . . . . . . . . 24
1.20 Structure de base de la commande floue . . . . . . . . . . . . . . . . . . . . . . 25
1.21 Exemple d’un réseau de neurones . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1 Circuit électrique équivalent d’une cellule photovoltaïque. . . . . . . . . . . . 31

2.2 convertisseur DC-DC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 schéma de principe du convertisseur cuk . . . . . . . . . . . . . . . . . . . . . 34
2.4 schéma de fonctionnement du convertisseur cuk S fermé . . . . . . . . . . . . 34
2.5 schéma de fonctionnement du convertisseur cuk S ouvert . . . . . . . . . . . 34
2.6 Principe du (P&O) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.7 Organigramme de la méthode de perturbation et d’observation (P&O) . . . . 38
2.8 Mise en correspondance du neurone biologique /et du neurone artificiel . . . 39
2.9 Représentation d’un neurone mathématique . . . . . . . . . . . . . . . . . . . 39
2.10 Fonctions de transfert : (a) seuil, (b) linéaire, (c) sigmoïde et (d) Gaussienne. . 41
2.11 Réseau non bouclé. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.12 Réseau bouclé. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
vi
TABLE DES FIGURES TABLE DES FIGURES
2.13 Schéma synoptique du procédé d’apprentissage . . . . . . . . . . . . . . . . . 42

2.14 Schéma bloc de l’apprentissage supervisé d’un réseau de neurones . . . . . . 43
2.15 Schéma bloc de l’apprentissage non supervisé d’un réseau de neurone. . . . . 43
3.1 Schéma bloc sous Simulink du PV Array . . . . . . . . . . . . . . . . . . . . . . 48

3.2 Résultats de simulation des caractéristiques (Courant –Tension) et (Puissance
Tension) du module PV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Résultats de simulation de la caractéristiques (Courant –Tension) pour diffé-
rents éclairement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4 Résultats de simulation de la caractéristique (Puissance- Tension) pour diffé-
rents éclairement et une température . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5 Résultats de simulation de la caractéristique (Courant –Tension) pour diffé-
rentes température et éclairement et éclairement constant . . . . . . . . . . . . 50
3.6 Résultats de simulation des caractéristiques (Puissance- Tension) pour diffé-
rentes température à et éclairement constant . . . . . . . . . . . . . . . . . . . 50
3.7 Schéma bloc du convertisseur cuk. . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.8 Résultats de simulation de la tension aux bornes de la charge. . . . . . . . . . 51
3.9 Résultats de simulation de la puissance aux bornes de la charge. . . . . . . . . 52
3.10 Modèle de simulation du GPV adapté par la technique MPPT (P&O) . . . . . 52
3.11 Résultats de simulation de la tension générée par le générateur photovol-
taïque pour E=1000W/m2 et T=25°C . . . . . . . . . . . . . . . . . . . . . . . . 53
3.12 Résultats de simulation du courant généré par le générateur photovoltaïque
pour E=1000W/m2 et T=25°C . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.13 Résultats de simulation de la puissance générée par le générateur photovol-
taïque pour E=1000W/m2 et T=25°C . . . . . . . . . . . . . . . . . . . . . . . . 53
3.14 Résultats de simulation de la tension de sortie du système pour E=1000W/m2
et T=25°C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.15 Résultats de simulation du courant de sortie du système E=1000W/m2 et T=25°C 54
3.16 Résultats de simulation de la puissance de sortie du système pour E=1000W/m2
et T=25°C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.17 Résultats de simulation de la tension générée par le générateur photovol-
taïque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.18 Résultats de simulation du courant générée par le générateur photovoltaïque 55
3.19 Résultats de simulation de la puissance générée par le générateur photovol-
taïque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.20 Résultats de simulation de la tension de sortie du système . . . . . . . . . . . 56
3.21 Résultats de simulation du courant de sortie du système . . . . . . . . . . . . 56
3.22 Résultats de simulation de la puissance de sortie du système . . . . . . . . . . 56
3.23 Schéma structurel de réseaux du neurones artificiels . . . . . . . . . . . . . . . 57
3.24 Performances d’apprentissage de réseaux de neurones artificiels . . . . . . . . 59
3.25 Schéma Bloc du réseau de neurones artificiels dans SIMULINK . . . . . . . . 59
3.26 Modèle de simulation du GPV adapté par la technique MPPT(RNA) . . . . . 59
vii
TABLE DES FIGURES TABLE DES FIGURES
3.27 Résultats de simulation de la tension du GPV avec la méthode RNA . . . . . 60

3.28 Résultats de simulation du courant du GPV avec la méthode RNA . . . . . . . 60
3.29 Résultats de simulation de la puissance du GPV avec la méthode RNA . . . . 60
3.30 Résultats de simulation de la tension de sortie du système avec la méthode RNA 61
3.31 Résultats de simulation du courant de sortie du système avec la méthode
RNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.32 Résultats de simulation de la puissance de sortie du système avec la méthode
RNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.33 Comparaison de la puissance de sortie avec la commande P&O et la com-
mande RNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.34 Comparaison de la tension de sortie avec la commande P& O et la commande
RNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.35 Comparaison du courant de sortie avec la commande P& O et la commande
RNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.36 Comparaison du temps de réponse de la commande P& O et la commande
RNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.37 Comparaison du comportement des deux méthode face aux changement cli-
matiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1 Schéma global du système PV optimiser par la commande MPPT (RNA) . . . 66

4.2 Photo réelle du convertisseur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3 Carte Arduino Méga 2560 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4 Le Pyranomètre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.5 Le capteur thermique IR DFRobot TS01 . . . . . . . . . . . . . . . . . . . . . . 69
4.6 Gravity : I2C Digital Wattmeter . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.7 Arduino IDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.8 Test du convertisseur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.9 Test du convertisseur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.10 Bloc d’acquisition de température et d’irradiation . . . . . . . . . . . . . . . . 73
4.11 Iradiation solaire du 5/06/2023 10h45-11H . . . . . . . . . . . . . . . . . . . . 73
4.12 Température du 5/06/2023 10h45-11H . . . . . . . . . . . . . . . . . . . . . . 73
4.13 Schéma global de l’implantation de la commande PPM (RNA) sous Matlab
Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.14 Puissance de sortie du système . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.15 Comparaison des deux méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . 75
viii
Liste des tableaux
1.1 Rapports de transformation des principaux convertisseurs DC-DC . . . . . . 17

1.2 Exemple d’une table de vérité pour une commande logique floue . . . . . . . 26
3.1 Caractéristique électrique du module photovoltaique YL80Wp . . . . . . . . . 47

3.2 Spécification du convertisseur cuk . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3 Tableau d’apprentissage du RNA . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.1 Paramètres du convertisseur cuk . . . . . . . . . . . . . . . . . . . . . . . . . . 66

4.2 Composants du convertisseur cuk . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3 Valeurs pratiques des composants du convertisseur cuk . . . . . . . . . . . . . 67
4.4 Caractéristiques du pyranomètre . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.5 Caractéristiques du IR DFRobot TS01 . . . . . . . . . . . . . . . . . . . . . . . . 70
ix
Sigles et abréviations
ASECNA : Agence pour la Sécurité de la Navigation Aérienne
CS : convertisseur statique
DC : Courant alternatif (Alternative Current)
DC : Courant continu (Direct Current)
FF : Facteur de forme
GPV : Générateur photovoltaique
Icc : Courant de court - circuit (A)
Imax : Courant qui correspond à la puissance maximale (A).
Iopt : Courant optimal (A)
Iph : Photo-courant (A)
Ipv : Courant de sortie du générateur photovoltaïque.
K: Constante de Boltzmann
MOSFET : Metal Oxide Semiconductor Field Effect Transistor
MPP : Maximum power point
MPPT : Maximum power point tracking
MVP : Module photovoltaique
PPM : Point de puissance maximale
Ppv : Puissance de sortie du générateur photovoltaïque.
PV : Photovoltaique
q: charge électrique élémentaire
x
SIGLES ET ABRÉVIATIONS SIGLES ET ABRÉVIATIONS
RNA : Réseaux de neurone artificielle
T: Température absolue (K)
Tc : Température de la cellule (C°)
Vmax : Tension qui correspond à la puissance maximale (V)
Voc : Tension de circuit ouvert (V).
Vopt : Tension optimale (V)
Vpv : Tension de sortie du générateur photovoltaïque.
P&O : Perturbation et observation
xi
Résumé
L’énergie solaire photovoltaïque est l’une des sources l’énergie la plus utilisée parmi les
énergies renouvelables. Afin d’utiliser cette énergie de manière optimale, le système pho-
tovoltaïque (PV) doit fonctionner à son point de puissance maximale (MPPT). La méthode
classique MPPT, telle que le Perturb and Observe, offre des performances acceptables dans
des conditions d’irradiance et de température constantes. Cependant, elle rencontre des dif-
ficultés lorsqu’il s’agit de suivre les variations climatiques. En revanche, la méthode utilisant
un RNA est considérée comme une technique d’estimation rapide, précise et robuste. Dans
ce travail, nous avons conçu un contrôleur MPPT basé sur un réseau de neurones artifi-
ciels (RNA). Afin d’optimiser les performances, nous avons modélisé le système PV avec
un convertisseur cuk. Nous avons analysé les performances du MPPT basé sur le Perturb
and Observe ainsi que celles du MPPT basé sur le RNA pour des conditions climatiques
constantes et variables à l’aide du logiciel Matlab/Simulink. De plus, nous avons implé-
menté le MPPT basé sur le RNA sur un microcontrôleur afin de mener des expérimenta-
tions.
Mots clés : photovoltaïque, Contrôleur MPPT, algorithme P&O, MPPT basé sur RNA,
convertisseur cuk
xii
Abstract
Photovoltaic solar energy has become the most widely used of all renewable energies. In
order to use this energy optimally, the photovoltaic (PV) system must operate at its maxi-
mum power point (MPPT). The classic MPPT method, such as P&O, offers acceptable per-
formance under constant irradiance and temperature conditions. However, it encounters
difficulties when it comes to tracking climatic variations. In this work, we have designed an
MPPT controller based on an artificial neural network (ANN). To optimize performance,
we modeled the PV system with a cuk converter. We analyzed the performance of the
Perturb and Observe-based MPPT as well as the RNA-based MPPT for constant and vari-
able weather conditions using Matlab/Simulink software. In addition, we implemented the
RNA-based MPPT on a microcontroller for experimental purposes.
Key words: Photovoltaic, P&O MPPT controller, RNA based MPPT, cuk converter
xiii
Introduction générale
Les installations photovoltaiques sont largement utilisé de nos jours en raison de leur
rapport coût-efficacité. Il est considéré comme l’une des sources d’énergie renouvelables
les plus prometteuses en raison de sa propreté, de son abondance et de son respect de
l’environnement, par rapport aux sources d’énergie conventionnelles telles que le pétrole,
le gaz naturel et les combustibles fossiles.
Malgré ses avantages, la puissance de sortie du système photovoltaique varie en fonction
de l’irradiance solaire et de la température, notamment dans des conditions d’ombrage par-
tiel à changement rapide dues à la caractéristique non linéaire de la cellule photovoltaïque
[2]. La relation complexe entre la sortie de puissance d’interpolation et les paramètres
d’entrée PV conduit à une extraction de puissance non satisfaisante [3].
Pour pallier la limitation susmentionnée, le suivi du point de puissance maximale (MPPT)
devient le centre de recherche pour améliorer l’efficacité du système photovoltaique et s’assurer
que le point de fonctionnement est toujours au point de puissance maximale (MPP) [4]. Le
MPPT peut être suivi efficacement dans les conditions fixes (sans condition d’ombrage par-
tiel) avec les technique conventionnelles telles que la technique de l’incrément de la con-
ductance ou la méthode P&O. Cependant, la puissance de sortie du système d’énergie so-
laire génère de multiples pics dans les conditions d’ombrage partiel, dont un MPP global
et de nombreux autres pics locaux, ce qui complique la technique conventionnelle pour
rechercher le maximum réel [5].
Par conséquent, le MPPT évolue en un algorithme basé sur des techniques évolutives,
heuristiques et méta-heu-ristiques . Il est conçu pour suivre les pics globaux au lieu des pics
locaux car les techniques conventionnelles de MPPT ne permettent pas de suivre les pics
globaux sous les conditions d’ombrage partiel et les changements rapides de l’irradiance
solaire [2].
Outre les techniques mis en œuvre par voie électronique, il existe d’autres techniques
pour améliorer l’efficacité énergétique solaire, telles que la prévision météorologique par
informatique souple intégrée et l’ajustement de l’angle d’inclinaison du panneau solaire
pour suivre la direction du soleil [6]. Nous nous concentrons uniquement sur les techniques
MPPT basées sur l’intelligence artificielle (IA) pour les convertisseurs DC-DC dans le sys-
tème d’énergie solaire .
Dans notre travail, nous nous intéressons au développement d’un système de commande
1
Introduction
à base de Réseaux de neurones artificiels (RNA) qui permet la poursuite du PPM d’un sys-
tème photovoltaïque par voie de simulation et l’implémentation par le biais d’un circuit
électronique.
Pour ce faire, il est présenté dans une première partie un état de l’art sur les modèles de
système PV, les MMPT standards et les méthodes de régression à base de réseaux de neu-
rones. Dans la seconde partie nous avons modélisé le système PV ainsi que les commandes
P&O et RNA. Avec les résultats de simulations, une comparaison des deux méthodes est
réalisée. La dernière partie est consacrée à l’implémentation de la commande RNA sur un
microcontrôleur et la validation expérimentale du système PV.
2
Chapitre 1
Etat de l’art
Introduction partielle
L’énergie est la base de toute activité humaine. De nos jours, une grande partie de la
demande mondiale en énergie est assurée à partir de ressources fossiles. Cependant, les ré-
serves de combustible les fossiles sont limitées. Certains pays développés se sont orientés
vers l’énergie nucléaire, alors que cette dernière n’est pas à la portée de tous les états et
surtout des pays en voie de développement et présente des risques d’accidents graves. Il
urge donc de se tourner vers d’autres types d’énergies plus respectueuses de l’environne-
ment et disponible en abondance (les énergies renouvelables) dont le solaire. Le dispositif
de base d’un système PV est la cellule solaire, constituée de matériaux semi-conducteurs qui
absorbent l’énergie lumineuse et la convertit en courant électrique. Les cellules peuvent être
regroupées pour former des modules ou des panneaux. Pour un meilleur rendement, les
panneaux doivent délivrer une puissance maximale ce qui n’est pas toujours le cas au vue
de leur caractéristiques courant tension non linéaire. Pour y remédier plusieurs méthodes
de poursuite du point de puissance maximale ont été étudiées. Dans ce chapitre est pré-
senté un état de l’art sur le potentiel photovoltaique du Bénin, les modèles des systèmes
photovotaiques ainsi que les techniques MPPT.
1.1 Potentiel en énergie solaire photovoltaïque au Bénin
Le soleil est un astre incontournable pour notre planète en ce qu’il est au cœur de la
vie . Son énergie vient de la fusion nucléaire en son centre, qui se propage sous forme d’un
rayon électromagnétique de photons et d’infrarouge. Globalement, la terre reçoit régulière-
ment près de 170 millions de gigawatt d’énergie solaire dont 122 gigawatts sont absorbés et
environ 48 gigawatt réfléchis.
Les zones qui reçoivent le plus d’ensoleillement sont situées au niveau des tropiques
arides et, le Sahara, en Afrique, plus grand désert chaud au monde est le plus vaste espace
3
Chapitre 1. Etat de l’art 1.1. Potentiel en énergie solaire photovoltaïque au Bénin
à connaître la plus longue durée d’insolation.

Au Bénin, depuis des siècles, l’énergie solaire est utilisée pour le séchage des peaux des
animaux et des vêtements, la conservation de la viande, le séchage des produits des ré-
coltes et l’évaporation de l’eau de mer pour extraire du sel. Aujourd’hui elle est utilisée
pour d’autres applications plus modernes tel que :
• A petite échelle : assurer l’éclairage, la cuisine et le chauffage de l’eau ;
• A moyenne échelle : permettre le chauffage d’eau pour les hôtels, l’irrigation des champs
et l’alimentation des fontaines d’eau ;
• Au niveau communautaire : permettre la conservation des vaccins, le pompage et

l’épuration d’eau et l’électrification rurale ;
• A grande échelle : permettre la production d’électricité et les télécommunications.
Les stations météorologiques installées au Bénin ne disposent actuellement pas d’ins-

trument de mesure fiable de l’irradiation solaire. Les données disponibles se limitent alors
aux mesures d’ensoleillement journalier. L’éclairement horizontal global est un indicateur
de mesure du rayonnement solaire qui rassemble à la fois les taux de radiation normale di-
recte et le taux de radiation diffuse. Afin de déterminer les valeurs des taux d’irradiation
sur le territoire national, le « global horizontal irradiation » est utilisé. La radiation normale
directe est la quantité de radiation solaire reçue par unité sur une surface qui est toujours
perpendiculaire aux rayons solaires et les reçoit en ligne directe depuis le ciel selon l’inclinai-
son du plan. En ce qui concerne, la radiation diffuse, c’est la quantité de radiation reçue par
unité sur une surface, les rayons qui ne viennent pas directement du rayonnement solaire,
mais qui sont issus de l’éparpillement de ce rayonnement du fait des particules et molécules
atmosphériques [1].
L’éclairement horizontal global est défini comme la quantité de rayonnement solaire en
ondes courtes reçue depuis le ciel par une surface horizontale au sol. C’est un paramètre des
systèmes solaires photovoltaïques, qui permet de déterminer la moyenne de l’éclairement
solaire entre les rayons qui frappent perpendiculairement le sol et ceux qui sont atténués
par l’atmosphère. La figure 1.1 donne un aperçu de l’éclairement horizontal global sur le
territoire béninois et de la quantité d’énergie électrique qu’elle pourrait générer par mètre
carré en une journée ou en une année.
4
Chapitre 1. Etat de l’art 1.1. Potentiel en énergie solaire photovoltaïque au Bénin
F IGURE 1.1 : Radiation horizontale globale au Bénin [1]
La radiation solaire horizontale globale du Bénin peut être subdivisée en quatre zones
principales par ordre de grandeur décroissante du nord au sud [7].
En effet, au nord, la zone englobant les départements de l’Alibori et de l’Atacora connaît
les taux les plus élevés de rayonnement solaire en ce qu’elles sont proches des régions sub
désertiques ; elles sont suivies des départements de la Donga et du Borgou qui ont des rayon-
nements favorables dans leurs parties septentrionales ; on relève dans cette partie nord du
pays un productible solaire journalier qui varie entre 5,8 kWh/m2 et 5,3 kWh/m2 .
Dans la région avoisinant la moitié sud des départements du Borgou et de la Donga,
la totalité du département des Collines et le nord des départements du Mono, Zou et du
Plateau y compris les régions côtières, c’est-à-dire le sud des départements de l’Ouémé, de
l’Atlantique, du Couffo et tout le Littoral ont une production solaire moyenne comprise
entre 5,2 kWh/m2 et 4,8 kWh/m2 .
Par ailleurs, les plus faibles taux d’ensoleillement se localisent approximativement au
sud du département du Plateau, dans le nord de l’Ouémé, au centre de l’Atlantique et une
partie du nord du département du Couffo. Elles varient entre 4,7 kWh/m2 et 4,5 kWh/m2
environ.
Les relevés au sol de l’ASECNA indiquent approximativement les mêmes valeurs avec
un potentiel qui varie entre 3,9 kWh/m2 /jour à 6,2 kWh/m2 /jour[8].
Le potentiel solaire enregistré pour ce rayonnement a été déterminé en kilowattheure par
5
Chapitre 1. Etat de l’art 1.2. Les systèmes solaires photovoltaïques
watt crête sur l’ensemble du territoire et est illustré par la figure 1.2.
F IGURE 1.2 : Potentiel solaire photovoltaïque en KWh/KWc au Bénin [1]
Elle nous permet d’apprécier pour un panneau solaire photovoltaïque d’une puissance
d’un watt crête, la quantité d’énergie électrique que ce dernier peut générer.
De l’observation de cette carte, on relève donc que dans les régions septentrionales du
pays, l’énergie électrique que l’énergie solaire pourrait aider à produire variera par journée
entre 4,4 kWh/kWc de puissance du panneau et 4 kWh/kWc. Elle sera du centre au sud du
pays, à l’exception de quelques régions du sud-est dans une fourchette de 3,9 KWh/kWc et
3,6 kWh/kWc. Les régions qui produisent le moins d’énergie électrique par puissance des
panneaux se retrouvent au nord-est du département de l’Atlantique, au nord du départe-
ment de l’Ouémé et au sud du département du Zou.
1.2 Les systèmes solaires photovoltaïques
Un système photovoltaïque est constitué d’un ensemble d’organes distincts ou de sous-

systèmes en relation entre eux, représentant un processus énergétique complexe. L’élément
de base est le système de captation relié au sous système de conditionnement de l’énergie
6
électrique produite aux spécifications des récepteurs. Cet ensemble regroupe tous les équi-
pements entre le système de conversion d’énergie solaire (champ pv) et la charge finale ; à
savoir la structure porteuse rigide des composants du champ pv, qui est fixe ou mobile, le
câblage, boite de jonction, les éléments de protection, la batterie en cas de production avec
stockage d’énergie et son régulateur de charge, le convertisseur DC/AC (l’onduleur) dans
la majorité des cas. La gamme de puissance admise pour les systèmes photovoltaïques varie
de quelque dizaine de watts à plusieurs kilowatts voir de mégawatts pour les installations
les plus puissantes.
F IGURE 1.3 : Schéma synoptique des systèmes photovoltaïques
Les systèmes solaires photovoltaïques sont classés en trois grandes catégories :
− Les systèmes photovoltaïques autonomes (également appelés systèmes hors réseau ou

isolée)
− Les systèmes photovoltaïques connecté au réseau
− Les systèmes hybrides
1.2.1 Les systèmes photovoltaïques autonomes

Ces systèmes photovoltaïques sont installés pour assurer un fonctionnement autonome sans
recours à d’autres sources d’énergie. Généralement, ils sont utilisés dans les régions isolées
et éloignées du réseau.
Les différents types de systèmes photovoltaïques autonomes ont les possibilités de cou-
plage direct à une charge adaptée ou couplage avec adaptateur d’impédance MPPT, fonc-
tionnement au fil du soleil ou avec stockage d’énergie électrique. Le couplage direct im-
plique un fonctionnement au fil du soleil, donc à puissance essentiellement variable au cours
de la journée. Les charges typiques à courant continu qui peuvent satisfaire le critère (tension
constante à puissance variable) sont les accumulateurs électrochimiques. Les charges alter-
natives sont les pompes à eau, c’est le pompage au fil du soleil, le stockage est néanmoins
présent sous la forme d’eau emmagasinée (dans un réservoir).
7
F IGURE 1.4 : Systèmes photovoltaïques autonomes
On distingue deux types selon les besoins de la charge
1.2.1.1 Système autonome sans batterie.
Ce type de système ne requiert pas de stockage d’électricité, soit parce que la production
d’énergie des cellules est suffisante sous un faible éclairage, soit que le temps de fonctionne-
ment de la charge n’est pas critique (ex. : pompage photovoltaïque : le réservoir d’eau sert
de stockage).
1.2.1.2 Système autonome avec batterie.
C’est la configuration la plus courante des systèmes photovoltaïques autonomes que les
anglophones appellent Stand-alone systems. Le champ PV sert de chargeur pour la batterie.
L’électricité peut alors être utilisée en tout temps. (Ex. l’éclairage d’une maison la nuit).
1.2.2 Les systèmes PV connecté au réseau

Ils sont en interaction avec le réseau électrique. Le principal avantage de ces systèmes
est que l’énergie peut être tiré du réseau électrique et lorsque l’alimentation n’est pas dispo-
nible à partir du réseau, le système PV peut compléter ce pouvoir. Ces systèmes connectés
au réseau sont conçus avec une batterie ou sans stockage de la batterie.
La figure 1.5 illustre la structure générale d’un système photovoltaïque connecté au ré-
seau électrique.
F IGURE 1.5 : Structure générale d’un système photovoltaïque connecté au réseau électrique
8
On distingue deux types d’installation suivant le mode d’injection souhaité
1.2.2.1 Injection de la totalité de la production
L’énergie produite par les modules est directement injectée dans le réseau électrique (fi-
gure1.6). Les périodes d’injection dans le réseau correspondent aux périodes de production
photovoltaïque.
F IGURE 1.6 : Injection de la totalité de la production
1.2.2.2 Injection du surplus de production
L’énergie produite par les modules est directement consommée sur place par les charges
(figure1.7). L’éventuel surplus de production par rapport à la consommation instantanée est
injecté dans le réseau.
F IGURE 1.7 : Injection du surplus de production
1.2.3 Les systèmes solaires hybrides

Ce sont des systèmes qui combinent le système photovoltaïque avec une autre source
d’énergie. Ce type d’installation est utilisé pour l’électrification des régions loin du réseau.
Il existe plusieurs configurations de ces systèmes : PV/thermiques, PV/batterie, PV/cel-
lules à combustible, PV/éolienne/batterie, PV/éolienne, PV/groupe électrogène. Le choix
se base essentiellement selon les caractéristiques météorologiques du site d’implantation.
Les systèmes hybrides connectés au réseau ont pour but de renforcer la source principale
d’électricité alimentant le réseau.
9
Chapitre 1. Etat de l’art 1.3. Les modèles des systèmes photovoltaïques
1.3 Les modèles des systèmes photovoltaïques
La modélisation mathématique des phénomènes physiques d’origine photovoltaïque

est primordiale, en ce qu’elle permet de caractériser le comportement d’un système photo-
voltaïque, depuis les organes de captation jusqu’aux organes de restitution de l’énergie, afin
d’établir une relation directe entre les différents composants du système et d’introniser un
rapport entre l’énergie produite par l’installation et la demande énergétique et de prévoir
les caractéristiques de chaque partie du système en fonction des données météorologiques.
1.3.1 L’effet photovoltaique

L’effet photovoltaïque, c’est la transformation de l’énergie solaire (« photon ») en élec-
tricité (« Volt »). Il a été découvert en 1839, par le physicien français A. BECQEREL. Son uti-
lisation industrielle n’est apparue qu’au début des années soixante, principalement pour les
applications spatiales, d’autres applications ont vu le jour pour répondre dans un premier
temps aux besoins des professionnels et dans un second temps à ceux des particuliers. Une
cellule photovoltaïque est un capteur constitué d’un matériau semi-conducteur qui trans-
forme l’énergie lumineuse absorbée en courant électrique.
Le principe de fonctionnement est basé sur les propriétés d’absorption du rayon-
nement lumineux par des matériaux semi-conducteurs. Les cellules photovoltaïques sont
constituées de deux couches de semi-conducteur, une couche dopée n (chargé négativement)
et une couche dopée p (chargée positivement). Ces deux couches de signes opposés créent
un champ électrique, on parle de jonction PN. Lorsque la cellule absorbe les photons pro-
venant du soleil, cela crée des paires électrons/trous dans le matériau, ou encore charges
négatives/charges positives. Comme il est bien connu, les charges de signes opposés s’at-
tirent. Les électrons vont donc aller vers la couche dopée p et les trous vont se déplacer
jusqu’à la couche dopée n (figure 1.8). Ce mouvement de charge engendre un courant élec-
trique continu, qui est recueilli dans un circuit conducteur placé sous les cellules et qui relie
l’ensemble des cellules d’un panneau.
F IGURE 1.8 : Structure d’une cellule photovoltaïque en silicium (présence d’une jonction
PN)
10
1.3.2 Modélisation courant tension d’une cellule photovoltaique

1.3.2.1 Modèle à une diode
Le circuit équivalent d’une cellule solaire est idéalisé par une diode de jonction P-N par
une source de courant Iph, une résistance série Rs modélise les pertes par effet joule, qui
sont dues à une série de résistances causée par la résistivité du matériau semi-conducteur,
par les résistances de contact des électrodes et par la résistance de la grille collectrice et le
courant collecté par le bus, la valeur habituelle de cette résistance est très petite de quelque
dixième d’ohms, reflète directement la qualité de fabrication des cellules PV et une résis-
tance parallèle Rp représente les pertes internes, ou le courant de fuite à travers la diode de
Shockley [9]. En employant la loi du Kirchhoff au circuit équivalent (figure 1.9) pour trouver
le rapport entre le courant de sortie I et la tension de sortie V aux bornes de la résistance de
charge Rc :
F IGURE 1.9 : Circuit équivalent d’une cellule solaire, modèle d’une diode
L’équation suivante fournit la relation entre le courant I et la tension V [10, 11]

V + IRsc V + IRsc
I = Iphc − Isc exp −1 − (1.1)
ac Rpc
Isc est le courant d’obscurité des porteurs minoritaires (saturation).

Iphc : le photo-courant généré par la cellule PV.
ac = AKT q
V
(volts), présente le potentiel thermique.
q : la charge électrique élémentaire 1.607 10-19 C
A : coefficient d’idéalité de la cellule dépendant du matériau.
K : constante de Boltzmann = 1.3806503 10-23 J/K
T : est la température en degré Kelvin
Rsc : Résistance série (Ω).
Rpc : Résistance parallèle (shunts) (Ω).
1.3.2.2 Modèle à deux diodes
Dans ce modèle une diode supplémentaire est mise en parallèle au circuit du modèle
simple d’une diode (figure 1.10). Cette diode est incluse pour fournir une courbe caractéris-
tique I-V bien plus précise, qui prend en compte la différence dans l’écoulement du courant
11
aux basses valeurs courantes dues à la recombinaison de charges dans la région de la zone
de charge d’espace du semi-conducteur.
F IGURE 1.10 : Circuit équivalent d’une cellule solaire, modèle de deux diodes
Le courant délivré à la charge sous une tension V est donné par la relation[10]

V + IRsc V + IRsc V + IRsc
I = Iph − Is1 exp − 1 − Is2 exp −1 − (1.2)
ac1 ac2 Rpc
Is1 : courant d’obscurité de la première diode.

Is2 : courant d’obscurité de la deuxième diode.
ac1 = A1 KT
q
V
(volts) la tension thermique au niveau de la diode D1
A2 KT V
ac2 = q (volts) la tension thermique au niveau de la diode D2
A1 : Coefficient d’idéalité de la diode D1.
A2 : Coefficient d’idéalité de la diode D2.
Ce modèle à deux diodes est plus exact que le modèle simple d’une diode mais en raison
de la difficulté de la résolution de l’équation du courant, le modèle simple d’une diode est
préféré.
1.3.3 Module photovoltaique

La cellule photovoltaïque élémentaire constitue un générateur électrique de très faible
puissance au regard des besoins de la plupart des applications domestiques ou industrielles.
En effet, une cellule élémentaire de quelques dizaines de centimètres carrés délivre au maxi-
mum quelques watts sous une tension très faible, par principe, puisqu’il s’agit d’une tension
de jonction. Les générateurs photovoltaïques sont, par conséquent, réalisés par association
d’un grand nombre de cellules élémentaires. Ces cellules sont commercialisées sous la forme
de modules photovoltaïques associés généralement en série pour élever la tension. Ces cel-
lules élémentaires sont issues de la même technologie et de caractéristiques identiques. Sui-
vant les besoins de l’utilisation, ces modules sont ensuite associés en réseau série parallèle
de façon à obtenir la tension et le courant désirés. Cette association doit être réalisée en
respectant des critères précis, en raison des déséquilibres apparaissent dans un réseau de
photopiles en fonctionnement. En effet, bien que les cellules choisies théoriquement soient
identiques, les nombreuses cellules qui constituent le générateur présentent des caractéris-
tiques différentes du fait des dispersions de construction inévitables, mais aussi d’un éclai-
12
rement et d’une température non uniformes sur l’ensemble du réseau. La mise en place de
dispositifs de protection efficaces contre les effets négatifs de ces déséquilibres sur le com-
portement et la fiabilité doit être prévue.
1.3.3.1 Modèles d’un module d’une et de deux diodes
Afin d’augmenter la puissance, les cellules sont généralement associées en série pour
former un module photovoltaïque ainsi pour obtenir la tension adéquate de fonctionne-
ment. L’équation terminale de la caractéristique courant-tension d’un module est déduite
du modèle implicite d’une diode d’une cellule solaire et celui de deux diodes :
1. Modèle d’une diode [12]

V + IRs V + IRs
I = Iph − Is exp −1 − (1.3)
a Rp
2. Modèle à deux diodes [13]

V + IRs V + IRs V + IRs
I = Iph − Is1 exp − 1 − Is2 exp −1 − (1.4)
a1 a2 Rp
La résistance série et parallèle d’un module sont :

Rs = nsRsc Rp = nsRpc
nsAKT V
a= q
(V) la tension thermique
Où ns désigne le nombre de cellules connectées en série.

En supposant que la valeur de la résistance série des modules solaires est très faible
devant la valeur de la résistance parallèle Rp, l’équation caractéristique du courant et de la
tension à la sortie des modules se réduit à la forme suivante :

V + IRs V
I = Iph − Is exp −1 − (1.5)
a Rp

V + IRs V + IRs V
I = Iph − Is1 exp − 1 − Is2 exp −1 − (1.6)
a1 a2 Rp
Si la résistance parallèle Rp est infinie, ses deux modèles sont ramenés à :

V + IRs
I = Iph − Is exp −1 (1.7)
a

V + IRs V + IRs
I = Iph − Is1 exp − 1 − Is2 exp −1 (1.8)
a1 a2
Dans le cas des modules photovoltaïques à base du silicium monocristallin leurs résis-
tances parallèles Rp ont souvent des valeurs très élevées, parfois, on utilise ces deux derniers
modèles
13
Chapitre 1. Etat de l’art 1.4. Techniques de recherche de MPPT
1.3.3.2 Modèle explicite
Ce modèle à besoin de quatre paramètres d’entrées, le courant du court-circuit Icc, ten-

sion de circuit ouvert Vco, le courant et la tension maximale de fonctionnement Im et Vm.
Ce modèle a été développé par Borowy et Salameh en (1996). La relation entre le courant et
la tension aux bornes de la charge est donnée par[14, 15, 16] :

V
I = Icc 1 − C1 exp −1 (1.9)
C2V co
Les paramètres C1 et C2 sont comme suit :

Vm
−1

Im −V m
C1 = 1− exp et C2 = co
V (1.10)
Icc C2V co Im
ln 1 − Icc
1.3.3.3 Modèle CENERG
Ce modèle a été développé par le Centre énergétique, qui se base sur le modèle d’une
diode. Un bilan électrique sur le schéma de la Fig 1.9 permet d’établir une expression don-
nant le courant I en fonction de la tension V disponible aux bornes du capteur [17].

V + IRs Eg V + IRs
I = P 1G(1 + P 2(G − Go) + P 1(T c − T ref )) − P 4T c3exp − −
a KT c Rp
(1.11)
2
G : rayonnement incident (W/m )
Tc : température de jonction du capteur PV
P1, P2, P3, P4 : paramètres à déterminer expérimentalement
Go : rayonnement de référence (1000 W/m2 )
Eg : bande d’énergie
1.4 Techniques de recherche de MPPT
La poursuite du point maximum de la puissance (MPPT) est une partie essentielle dans
les systèmes photovoltaïque. Plusieurs techniques sont développées depuis 1968 dates de
publication de la première loi de commande de ce type adaptées à une source d’énergie re-
nouvelable de type PV. Ces techniques se diffèrent entre elles par leur complexité, le nombre
de capteurs requis, la vitesse de convergence, le coût, le rendement et le domaine d’applica-
tion.
14
1.4.1 Les Principes de conversion dans les systèmes PV

Le générateur PV est l’élément principal d’un système PV. Cependant, pour une appli-
cation pratique, d’autres éléments sont nécessaires, par exemple pour le stockage de l’éner-
gie, pour la régulation de la circulation du flux d’énergie ou pour l’alimentation du réseau
alternatif. Ces composants supplémentaires représentent une part considérable du coût, pro-
voquent la réduction du rendement et influencent considérablement le comportement et les
performances de tout le système.
1.4.2 Étage d’Adaptation entre un Générateur PV et une Charge

Un GPV présente des caractéristiques I(V) non linéaires avec des points de puissance
maximale (PPM). Ces caractéristiques dépendent du niveau d’éclairement et de la tempéra-
ture de la cellule. De plus, selon les caractéristiques de la charge sur laquelle le GPV débite,
nous pouvons trouver un très fort écart entre la puissance potentielle du générateur et celle
réellement transférée à la charge en mode connexion directe. Afin d’extraire à chaque ins-
tant le maximum de puissance disponible aux bornes du GPV et de la transférer à la charge,
la technique utilisée classiquement est d’utiliser un étage d’adaptation entre le GPV et la
charge comme décrit dans la figure 1.11. Cet étage joue le rôle d’interface entre les deux élé-
ments en assurant à travers une action de contrôle, le transfert du maximum de puissance
fournie par le générateur pour qu’elle soit la plus proche possible de la puissance maximale
Pmax disponible [18].
F IGURE 1.11 : Etage d’adaptation entre un GPV et une charge
L’adaptateur communément utilisé en PV est un convertisseur statique (convertisseur de

puissance DC/DC).
1.4.3 Convertisseur DC/DC

La figure 1.12 montre la représentation d’un convertisseur DC/DC, qui peut être utilisé
comme interface entre la source et la charge.
15
F IGURE 1.12 : convertisseurs DC-DC
L’utilisation des convertisseurs DC-DC permet le contrôle de la puissance électrique

dans les circuits fonctionnant en courant continu avec une très grande souplesse et un ren-
dement élevé. Les circuits des hacheurs se composent de condensateurs, d’inductances et de
commutateurs. Dans le cas idéal, tous ces dispositifs ne consomment aucune puissance ac-
tive, c’est la raison pour laquelle on a de bons rendements. Le commutateur est réalisé avec
un dispositif semi-conducteur, habituellement un transistor MOSFET ou un IGBT fonction-
nant en mode (bloqué/saturé). Si le dispositif semi-conducteur est bloqué, son courant est
zéro d’où une dissipation de puissance nulle. Si le dispositif est dans l’état saturé, la chute
de tension à ses bornes sera presque nulle et par conséquent la puissance perdue sera très
faible [19].
1.4.3.1 Topologie des convertisseurs DC/DC
Il y a un plusieurs topologies des convertisseurs DC-DC. Elles sont classées par catégo-
rie, selon que la topologie est isolée ou non isolée.
Les topologies isolées emploient un transformateur d’isolement fonctionnant à haute
fréquence. Elles sont très employées souvent dans les alimentations à découpage. Les topo-
logies les plus connues dans la majorité des applications sont le flyback, en demi-pont et en
pont complet. Dans les applications photovoltaïques (PV), les systèmes de couplage avec le
réseau électrique emploient souvent ces types de topologies quand l’isolement électrique est
préféré pour des raisons de sûreté [20].
Les topologies non isolées ne comportent pas de transformateurs d’isolement. Elles
sont généralement utilisées dans l’entraînement des moteurs à courant continu. Ces topo-
graphies sont encore classées par catégorie en trois types : dévolteur (Buck), survolteur
(Boost),dévolteur-survolteur(Buck-Boost). La topologie buck est employée pour les faibles
tensions. Dans les applications PV, le convertisseur buck est habituellement employé comme
chargeur de batteries et dans des systèmes de pompage de l’eau. La topologie boost est em-
ployée pour augmenter la tension. Les systèmes de production de l’énergie emploient un
convertisseur boost pour augmenter la tension de sortie au niveau de service avant l’étage
de l’onduleur. Puis, il y a des topologies capables d’augmenter et de diminuer la tension tel
que le buck-boost, le cuk, et le sepic [21].
Le tableau 1.1 résume les principaux rapports de transformation en fonction du rapport
cyclique pour les différentes structures de convertisseurs statiques avec et sans isolement
16
galvanique. Où D désigne le rapport cyclique du convertisseur et K le rapport de transfor-

mation du transformateur d’isolement.
TABLEAU 1.1 : Rapports de transformation des principaux convertisseurs DC-DC
Type Fonction Switch Diode Rapport Transformateur Complexité
Buck Abaisseur 1 1 D Non faible
1
Boost Elevateur 1 1 1−D
Non Faible
−D
Buck-Boost Abaisseur/Elevateur 1 1 1−D
Non Faible
D
Cuk Abaisseur/Elevateur 1 1 1−D
Non Faible
D
Sepic Abaisseur/Elevateur 1 1 1−D
Non Faible
D
Flyback Abaisseur/Elevateur 1 1 K 1−D Oui Moyenne
Push Pull Abaisseur/Elevateur 2 2 KD Oui Fort
Forward Abaisseur/Elevateur 1 1 KD Oui Moyenne
1.4.4 Principe de MPPT

La commande MPPT(Maximum Power Point Tracking) est un organe fonctionnel du
système PV et permet de chercher le point de fonctionnement optimal du générateur PV qui
dépend des conditions météorologiques et de la variation de la charge [22]. Son principe de
régulation est basé sur la variation automatique du rapport cyclique à la valeur adéquate de
manière à maximiser continuellement la puissance à la sortie du panneau PV.
La chaîne de puissance ou un générateur photovoltaïque alimente une charge continue
en une adaptation avec un convertisseur statique de type hacheur commandé par une MPPT
peut être représentée comme l’indique la figure 1.13. La commande MPPT varie le rapport
cyclique du hacheur de telle sorte que la puissance fournie par le GPV soit la puissance
maximale disponible.
17
F IGURE 1.13 : Chaîne de conversion d’énergie solaire comprenant une commande MPPT.
1.4.5 Evolution du point d’opération du GPV

Rechercher le point de puissance maximale revient à comparer un point de puissance
(P2) mesuré à l’instant (t) avec un point de puissance (P1) mesuré à l’instant (t-1) (figure
1.14). Si P1<P2 , la dérivée est positive, cela signifie que nous nous rapprochons du PPM , et
si la dérivée de la puissance est négative, cela veut dire que nous avons dépassé le PPM.
Ainsi au démarrage du système, la recherche de PPM se fait progressivement, en cher-
chant le premier maximum. Les commandes MPPT présentant finalement un bon compro-
mis de rendements en statique et dynamique mais aussi de robustesse sont basées sur une
continuelle évaluation de la puissance et une comparaison avec l’état à l’instant précédent.
F IGURE 1.14 : Principe de fonctionnement d’une commande MPPT.
1.4.6 Classification des commandes MPPT

Les commandes MPPT peuvent être généralement classées selon le type d’implémenta-
tion électronique : analogique, numérique ou mixte. Il est cependant plus intéressant de les
classifier selon le type de recherche qu’elles effectuent et selon les paramètres d’entrée de la
commande MPPT.
1.4.6.1 Classification des commandes MPPT Selon les paramètres d’entrée.
1. Commandes MPPT fonctionnant à partir des paramètres d’entrée du CS
18
Il y a un certain nombre de commandes MPPT qui effectue une recherche du PPM

selon l’évolution de la puissance fournie par le GPV. Comme la méthode de Perturb&
Observe, les algorithmes d’incrément de conductance qui utilisent la valeur de la puis-
sance fournie par le GPV pour l’application d’une action de contrôle adéquate pour le
suivi du PPM ou les commandes qui sont basé sur des relations de proportionnalité
entre les paramètres optimaux caractérisant le point de puissance maximal (Vopt et Iopt )
et les paramètres caractéristiques du module PV (Voc et Icc ). Notamment, les MPPT
inspirées des réseaux de neurones. Dans ces commandes, soit on fait appel à des sys-
tèmes à mémoires informatiques importantes ayant stocké tous les cas possibles, soit
les commandes sont encore une fois de plus approximatives. Toutes ces commandes
ont comme avantages leurs précisions et leur rapidité de réaction [23].
2. Commandes MPPT fonctionnant à partir des paramètres de sortie du convertisseur

Il existe également des algorithmes basés sur les paramètres de sortie des CS. Par
exemple, les commandes MPPT basées sur la maximisation du courant de sortie qui
sont principalement utilisées quand la charge est une batterie. Dans tous les systèmes
utilisant les paramètres de sortie, une approximation de Pmax est faite à travers le
rendement du convertisseur. En somme, plus l’étage de conversion est bon, plus cette
approximation est valable.
Par contre, en général, tous les systèmes avec un seul capteur sont par essence, non
précis [23].
1.4.6.2 Classification Des commandes MPPT selon le type de recherche
1. MPPT Indirect
Ce type de commandes MPPT utilise le lien existant entre les variables mesurées
(Isc ou Voc), qui peuvent être facilement déterminées, et la position approximative du
MPP. Il compte aussi les commandes se basant sur une estimation du point de fonc-
tionnement du GPV réalisée à partir d’un modèle paramétrique défini au préalable.
Il existe aussi des commandes qui établissent une poursuite de la tension optimale en
prenant en compte uniquement les variations de la température des cellules donnée
par un capteur. Ces commandes ont l’avantage d’être simples à réaliser. Elles sont plu-
tôt destinées à des systèmes peu coûteux et peu précis devant fonctionner dans des
zones géographiques où il y a peu de changements climatiques [23, 24].
2. MPPT Direct
Ce type de commande MPPT détermine le point de fonctionnement optimal (MPP)
à partir des courants, tensions ou puissances mesurés dans le système. Il peut donc ré-
agir à des changements imprévisibles du fonctionnement du GPV. Généralement, ces
procédures sont basées sur un algorithme de recherche, avec lequel le maximum de
la courbe de puissance est déterminé sans interruption du fonctionnement. Pour cela,
la tension du point de fonctionnement est incrémentée dans des intervalles réguliers.
19
Si la puissance de sortie est plus grande, alors la direction de recherche est maintenue
pour l’étape suivante, sinon elle sera inversée. Le point de fonctionnement réel oscille
alors autour du MPP. Ce principe de base peut être préservé par d’autres algorithmes
contre des erreurs d’interprétation. Ces erreurs peuvent survenir, par exemple, à cause
d’une mauvaise direction de recherche, résultant d’une hausse de puissance qui est
due à une augmentation rapide du niveau de rayonnement. L’avantage de ce type de
commandes est leurs précisions et leur rapidité de réaction [23, 24].
1.4.7 Algorithmes MPPT

Il existe plusieurs principes de fonctionnement des commandes MPPT plus ou moins per-
formantes basées sur les propriétés du GPV. Ils peuvent être classés en deux catégories :
• Les algorithmes MPPT conventionnelles
• Les algorithmes MPPT intelligentes
1.4.7.1 Algorithmes MPPT conventionnelles
1. Approche de la Tension Constante (CV, Constant Voltage)

La méthode de tension constante également appelée la méthode de circuit ouvert
(open circuit voltage) est basée sur la mesure en temps réel de la tension de circuit
ouvert Voc et la relation linéaire approximative liant cette tension avec la tension de
point maximal VM P P du GPV [25].
VM P P = K1 ∗ Voc (1.12)
Où k1 est une constante de proportionnalité.

Il est généralement compris entre 0,71 et 0,86. Une fois que k1 est déterminé, le
VM P P peut être calculé à l’aide de l’expression précédante avec Voc mesurée périodi-
quement en ouvrant momentanément le convertisseur de puissance (circuit ouvert).
La tension VM P P est alors prise comme tension de référence.
Le principe de cette méthode est basé sur la comparaison entre la tension du pan-
neau photovoltaïque réel Vpv et la tension de référence Vref (VM P P ).Le signal d’erreur
est traité pour rendre V =Vref .
La figure 1.15 présente l’algorithme de cette méthode.
20
F IGURE 1.15 : Algorithme de la Tension Constante
Cette méthode présente deux avantages : la rapidité de la réponse aux fluctua-

tions et l’absence de variations (même infimes) en état stationnaire[25]. Cependant, ces
points forts ne peuvent cacher leurs défauts, à cause de la dépendance de la tension du
panneau avec l’ensoleillement et la température, la tension de puissance maximale est
déviée, alors la tension de référence doit être corrigée pour différents ensoleillements
et températures au long des périodes de l’année. Aussi, le MPP n’est pas toujours entre
71% et 78% de la tension Voc [26].
2. Approche Du Courant Constant (Constant Current)

La méthode du Courant constant également appelée la méthode de court-circuit
est basée sur la mesure en temps réel du courant de court-circuit Isc (short-circuit cur-
rent) et la relation linéaire approximative liant ce courant avec le courant de point
maximal IM P P du GPV.
IM P P = K2 ∗ Isc (1.13)
Avec k2 constante de proportionnalité. Comme pour la méthode CV, K2 est déter-

minée pour le GPV utilisé. La constante K2 est généralement comprise entre 0,78 et
0,92 [27].
La mesure du courant Isc durant le fonctionnement est problématique. Un com-
mutateur est généralement ajouté au convertisseur de puissance pour court-circuiter
le panneau et mesurer le courant Isc à l’aide d’un capteur de courant. Pour une valeur
21
constante du courant, la puissance est calculée pour des tensions différentes. Si la dif-
férence entre la puissance calculée et la puissance de crête est supérieure à la valeur
de tolérance, alors la valeur de la tension est soit incrémentée ou décrémentée en fonc-
tion de la puissance obtenue. Pour que la tension et le courant MPP correspondent, ce
procédé est répété jusqu’à ce que la différence se situe dans la plage de tolérance [25].
La figure 1.16 présente l’algorithme de cette méthode.
F IGURE 1.16 : Algorithme du courant constant
3. Méthode de perturbation et observation (P&O)

La méthode de perturbation et d’observation (P&O) est l’une des approches les
plus utilisées et qui vient le plus naturellement à l’esprit pour faire une recherche du
point maximal de puissance MPPT parce qu’elle est simple et exige seulement des me-
sures de tension et de courant du panneau photovoltaïque Vpv et Ipv respectivement.
Elle peut déduire le point de puissance maximale même lors des variations de l’éclaire-
ment et de la température [28]. Comme son nom l’indique, la méthode P&O fonctionne
avec l’introduction d’une petite perturbation des mesures de tension en agissant sur le
rapport cyclique du convertisseur statique, puis en observant le sens de la variation de
puissance de sortie PV.
La figure 1.17 représente la variation de la puissance en fonction de la tension
d’un panneau photovoltaïque. On voit que, si suite à une perturbation de tension,
la puissance PV augmente, la direction de perturbation est maintenue. Dans le cas
contraire, elle est inversée pour reprendre la convergence vers le nouveau PPM.
22
F IGURE 1.17 : Recherche du PPM par la méthode (P&O)
L’inconvénient de la technique de P&O réside dans le cas de changement rapide

des conditions atmosphériques, tel qu’un nuage mobile ; cette méthode peut déplacer
le point de fonctionnement dans une fausse direction.
L’algorithme de P&O continuera à déplacer le point de fonctionnement du conver-
tisseur plus loin du point réel de puissance maximale, et il y aura davantage de puis-
sance perdue. Cet ajustement incorrect continuera jusqu’à ce que le changement de
l’éclairement se stabilise. Un autre inconvénient de cette méthode est l’oscillation au-
tour du point de puissance maximale dans les conditions de fonctionnement normale
.
La première solution à ce problème est d’augmenter la vitesse d’exécution en em-
ployant un micro- contrôleur plus rapide.
La deuxième solution est de vérifier n’importe quel changement rapide d’irradia-
tion en vérifiant la valeur de la variation du courant et en neutralisant l’ajustement de
tension si le changement de variation du courant dépasse une certaine limite.
4. Algorithme d’incrémentation de l’inductance

Cette technique se base sur la connaissance de la variation de conductance du
GPV et des conséquences sur la position du point de fonctionnement par rapport à un
PPM. Ainsi, la conductance du module photovoltaïque est définie par le rapport entre
le courant et la tension du GPV comme indiqué ci-dessous.
Ipv
G= (1.14)
Vpv
Et une variation élémentaire (incrément) de conductance peut être définie par :
∆Ipv
∆G = (1.15)
∆Vpv
D’autre part, l’évolution de la puissance du module (Ppv) par rapport à la tension
23
(Vpv) donne la position du point de fonctionnement par rapport au PPM. Lorsque la

dérivée de puissance est nulle, cela signifie que l’on est sur le PPM, si elle est positive
le point d’opération se trouve à gauche du maximum, lorsqu’elle est négative, on se
situe à droite [25].
F IGURE 1.18 : Positionnement du point de fonctionnement
Le maximum de puissance peut être alors traqué en effectuant des comparaisons à

chaque instant de la valeur de la conductance avec celle de l’incrément de conductance
, comme l’illustre l’algorithme de la figure 1.19 . Vr correspond à la tension de référence
et force le GPV à fonctionner à cette valeur.
Si on est au PPM, alors la tension Vr correspond bien à la tension optimale Vopt.
Une fois le PPM atteint, le point de fonctionnement peut être maintenu sur cette po-
sition jusqu’à la détection d’une variation de ∆Ipv. Cela indique alors un changement
de conditions climatiques, donc un nouveau PPM à rechercher. Pour cela, l’algorithme
incrémente ou décrémente la valeur de Vr jusqu’à atteindre le PPM. Le schéma de
principe de cette méthode est illustré sur la figure 1.19 [18, 29].
F IGURE 1.19 : Algorithme MPPT Incrément de Conductance (Inc.CoN)
24
Dans [30, 31] une étude comparative des mppt conventionnelles a été fait et il ressort que
le INC.ON présente de meilleur performance que le P&0.
1.4.7.2 Les algorithmes MPPT basées sur l’intelligence artificiel
• La Commande MPPT Flou

La commande basée sur la logique floue (dans la littérature anglo-saxonne Fuzzy
Logic Control) est de plus en plus populaire grâce à l’évolution des microcontrôleurs
[32]. L’avantage de cette technique est qu’elle peut fonctionner avec des valeurs d’en-
trées peu précises et qu’elle n’a pas besoin de modèle mathématique de grande préci-
sion. De plus, elle peut traiter des non linéarités. Le principe d’une commande floue
se base sur deux variables d’entrées qui sont l’erreur et le changement d’erreur et une
variable de sortie (variation du rapport cyclique). La valeur de la variable de sortie, qui
pilote le convertisseur statique pour rechercher le PPM, est déterminée à l’aide d’une
table de vérité et de l’évolution des paramètres d’entrée.
En général, la commande logique floue comprend donc trois étapes communé-
ment nommées dans la littérature :
– la fuzzification,
– la lecture de la table de vérité,
– la défuzzification
Durant la fuzzification, les variables d’entrées numériques sont converties en va-

riable linguistique pouvant prendre les cinq valeurs suivantes :
– NB : Negative Big,
– NS : Negative Small,
– ZE : Zero,
– PS : Positive Small,
– PB : Positive Big.
F IGURE 1.20 : Structure de base de la commande floue
25
Les paramètres d’entrées E et∆E sont liées aux équations suivantes [31] :
P (n) − P (n − 1)
E(n = ) (1.16)
V (n) − V (n − 1)
∆E(n) = E(n) − E(n − 1) (1.17)
En fonction de leurs évolutions et d’une table de vérité, une valeur est attribuée au
paramètre de sortie ∆D.
TABLEAU 1.2 : Exemple d’une table de vérité pour une commande logique floue
∆E
NB NS ZE PS PB
E
NB ZE ZE NB NB NB
NS ZE ZE NS NS NS
ZE NS ZE ZE ZE PS
PS PS PS PS ZE ZE
PB PB PB PB ZE ZE
La variable linguistique assignée à ∆D, dépend des différentes combinaisons entre

E et ∆E. Par exemple, si les variables d’entrée (E et ∆E), ont comme valeur PB et ZE
correspondant à un point de fonctionnement très éloigné du PPM, d’après la table de
vérité la valeur donnée à la variable de sortie ∆D est PB, ce qui implique une forte
variation positive du rapport cyclique pour atteindre le PPM [31].
En résumé, les variations du rapport cyclique dépendent de la différence de posi-
tion entre le point de fonctionnement et un PPM. Ainsi, dès que ce dernier s’approche
du PPM, les incréments appliqués à ∆D s’affinent jusqu’à atteindre le PPM.
• Les techniques MPPT basées sur les réseaux de neurones artificiels

La technique de réseaux de neurones est, elle aussi, de plus en plus utilisée, car
elle offre une grande alternative pour résoudre des problèmes complexes. Ces der-
nières années, l’utilisation de cette méthode dans divers domaines d’application ne
cesse d’augmenter car elle fonctionne à partir d’une boite noire qui n’exige pas d’infor-
mations détaillées sur le fonctionnement du système. Elle établit des relations entre les
variables d’entrée et de sortie en analysant les précédentes données mémorisées. Un
autre avantage est qu’elle peut traiter des problèmes d’une grande complexité grâce à
des paramètres interdépendants.
Les réseaux de neurones sont composés généralement de trois couches différenciées
(figure 1.21) ; la couche d’entrée (Input layer), la couche cachée (Hidden layer) et la
couche de sortie (Output layer) [31].
26
F IGURE 1.21 : Exemple d’un réseau de neurones
Le nombre de nœuds au niveau des différentes couches est variable en fonction du

degré d’apprentissage souhaité et de la précision de la commande souhaitée.
Pour une commande MPPT, les variables d’entrées peuvent donc être les paramètres ca-
ractéristiques d’un GPV (Voc, Icc) associées ou non à des données atmosphériques comme
la température. Ou plusieurs signaux de référence comprenant au moins le rapport cyclique
permettant de commander le convertisseur statique pour fonctionner le plus souvent pos-
sible au PPM. La qualité de la recherche du PPM dépend essentiellement de l’algorithme
utilisé dans la couche cachée et de la construction proprement dite du réseau. Ainsi, l’impor-
tance entre deux nœuds de la valeur du poids choisi est à prendre en compte. Pour identifier
avec précision les différents PPM. Éventuels, les poids doivent être initialement déterminés
avec le plus de soin possible à travers des procédures d’apprentissage laborieuses et spéci-
fiques à chaque GPV, chaque site d’implantation et chaque type de charge [31].
1.4.7.3 Autres Méthodes
Il existe dans la littérature[2] d’autres algorithmes MPPT plus complexes qui font par-
fois appel à des techniques nouvelles. On peut citer :
• méthode de look-up table ;
• les algorithmes d’identification en temps réel du MPP ;
• Méthode de β ;
• l’algorithme génétique ;
• l’algorithme de la luciole ;
• l’algorithme de la capacité parasite (Parasitic Capacitance) ;
• l’algorithme PSO ;
• les l’algorithme hybrides.
27
1.4.7.4 Critères d’évaluation d’une commande MPPT
La qualité d’une commande MPPT peut être définie comme la position du point de
fonctionnement du système par rapport au PPM. Plusieurs critères sont prise en compte
dans l’évaluation d’une commande MPPT
• Le rendement
Il donne le pourcentage de pertes de puissance d’un module PV par rapport à la four-
niture [31]
Pin
η= (1.18)
Pmax
de la puissance maximale qu’il pourrait produire.
• Simplicité et Coût
En plus de ses performances théoriques, il est important de connaître le niveau de
complexité de l’algorithme entraînant des difficultés d’implémentation et des pertes
liées directement au nombre de calculs nécessaires. En résumé, une commande MPPT
doit avoir un niveau de simplicité important favorisant une faible consommation et
donc un coût de développement raisonnable pour que sa présence compense le sur-
coût généré [31].
• Réponse dynamique
Une commande MPPT doit avoir un bon comportement en dynamique afin de
pouvoir piloter l’étage d’adaptation et assurer que la recherche du nouveau PPM, suite
aux changements d’éclairement ou de température, soit faite le plus rapidement pos-
sible [31].
• Flexibilité
Une commande MPPT doit être précise et stable quelles que soient ses conditions
d’utilisation. C’est-à-dire qu’elle ne doit pas être conçue pour fonctionner pour un seul
type de panneau. Elle doit être la plus universelle possible, capable de fonctionner avec
des panneaux de différentes technologies sans trop de modifications, tout en gardant
le même taux de précision et de robustesse [31].
• Compétitive sur une large gamme de puissance

Par définition, une commande MPPT, utilisée dans des applications photovol-
taïques, est supposée traquer le PPM généré par un module PV, quel que soit le ni-
veau d’ensoleillement. La commande MPPT est dite compétitive si le PPM est atteint
avec une erreur statique, correspondant à la position du point de fonctionnement par
rapport au PPM, relativement faible sur une large gamme de puissance [31].
28
Conclusion partielle
Ce chapitre nous a permis de faire un état de l’art sur les potentialités du Bénin en
énergies photovoltaique, sur les modèles des systèmes et sur les techniques MPPT. Le Bénin
dispose de forts potentiels en énergie solaire ;une irradiation annuelle variant entre 1800
et 2100kW KWh/m2). Plusieurs techniques de MPPT standards existent dans la littérature
et la plus utilisée est la méthode P&O. De nouvelles techniques basées sur l’intelligence
artificielle dont le RNA sont apparues récemment avec de meilleures performances. Ce sont
ces deux techniques que nous avons développées dans la suite de notre travail.
29
Chapitre 2
Modélisation du système PV et
développement du MPPT
La modélisation est une étape fondamentale qui permet d’introduire un certain nombre
de modèles puis d’évaluer la caractéristique de chaque élément de l’installation ainsi que les
paramètres constituants. Dans un système énergétique photovoltaïque, on espère toujours
travailler au voisinage du point de puissance maximale MPP. Ce chapitre, à pour but la
modélisation d’un système photovoltaïque adapté à un hacheur abaisseur/élévateur « cuk
» avec les commandes MPPT numériques « perturbation et observation » et les réseaux de
neurones.
2.1 Modélisation du système photovoltaïque
2.1.1 Le générateur photovoltaïque « GPV »

La composante élémentaire du panneau photovoltaïque est la cellule photovoltaïque.
Cette dernière a un cœur constitué par une jonction de type P-N. Ainsi, pour avoir une cel-
lule photovoltaïque, il faut réaliser une structure de diode à jonction P-N dans un matériau
de silicium dopé en parallèle avec une source de courant idéal de courant fournissant un
courant Iph proportionnel à la puissance lumineuse incidente [33, 34].
Le générateur photovoltaïque est représenté par un modèle standard à une seule diode,
établit par shockley pour une seule cellule PV, et généralisé à un module PV en le considérant
comme un ensemble de cellules identiques branchées en série-parallèle.
30
Chapitre 2. Modélisation du système PV et développement du MPPT 2.1. Modélisation du système photovoltaïque
F IGURE 2.1 : Circuit électrique équivalent d’une cellule photovoltaïque.
Le fonctionnement de ce circuit, peut ainsi être formalisé par un système d’équations

résultant des lois de Kirchhoff
Ipv = Iph − Id − IRp (2.1)
Avec :

q(Vpv + Ipv .Rs ) Vpv + Ipv .Rs
Id = Isat exp − 1 etIRp = (2.2)
nKT Rp
Ainsi, le modèle mathématique d’une cellule photovoltaïque à une diode est défini par
la relation suivante :

q(Vpv + Ipv .Rs ) Vpv + Ipv .Rs
Ipv = Iph − Isat exp −1 − (2.3)
Vt Rp
Avec :
Vt = nKT q
Où
Vpv , Ipv : la tension (V) et le courant (A) de sortie du panneau,
G
Iph =Icc ( 1000 ) : le photo courant en ampère,
Isat : le courant de saturation de la diode en ampère,
Rs : la résistance série en ohm,
Rp : la résistance shunt en ohm,
q : la charge de l’électron ,
k : la constante de Boltzmann
n : le facteur de qualité de la diode, normalement compris entre 1 et 2.
2.1.1.1 Paramètres électriques du module photovoltaïque
Les différents paramètres caractérisant un module photovoltaïque sont la tension de

circuit ouvert, courant de court-circuit, puissance maximale, facteur de forme et rendement.
Ils sont extraits des caractéristiques courant-tension, permettent de comparer diffèrent mo-
dules éclairés dans des conditions identiques.
1. La tension de circuit ouvert
Si on place un module sous une source lumineuse constante sans aucune circulation de
courant, on obtient à ses bornes une tension maximale continue, dite tension à circuit
31
ouvert Voc
Voc = Ns ∗ 0, 6 (2.4)
Où 0.6 V est la tension pour une cellule PV élémentaire et Ns est le nombre de cellules.
2. Le courant de court-circuit
Lorsqu’on place le module PV en court-circuit, il débite son courant maximal à ten-
sion nulle. On dit courant de court-circuit Icc . On obtient sa valeur en branchant un
ampèremètre aux bornes du module.
3. La puissance maximale
La puissance fournie au circuit extérieur par un module photovoltaïque sous éclaire-
ment dépend de la résistance de charge (résistance externe placée aux bornes du mo-
dule). Cette puissance est maximale (Pmax ) pour un point de fonctionnement Pmax (Ipot ,
Vpot ) de la courbe Courant-Tension.
Pmax = Iopt ∗ Vopt (2.5)
4. Le facteur de forme
On appelle facteur de forme le rapport entre la puissance maximale fournie par le
module PV Pmax (Ipot , Vpot ) et le produit du courant de court-circuit Icc par la tension de
circuit ouvert Voc .
Iopt Vopt Pmax
ff = = (2.6)
Voc Icc Voc Icc
Le facteur de forme indique la qualité du module ; plus il s’approche de l’unité plus
le module est performant, Il est de l’ordre de 0.7 pour les modules performants ; et
diminue avec la température.
5. Le rendement
Le rendement énergétique d’un module PV est le rapport entre la puissance électrique
maximale fournie par le module et la puissance solaire incidente. Il est donné par :
Pmax
η= (2.7)
Pin
2.1.2 Convertisseur DC/DC

La figure 2.2 montre la représentation d’un convertisseur DC/DC, qui peut être utilisé
comme interface entre la source et la charge.
32
F IGURE 2.2 : convertisseur DC-DC
L’utilisation des convertisseurs DC-DC permet le contrôle de la puissance électrique

dans les circuits fonctionnant en courant continu avec une très grande souplesse et un ren-
dement élevé. Les circuits des hacheurs se composent de condensateurs, d’inductances et de
commutateurs. Dans le cas idéal, tous ces dispositifs ne consomment aucune puissance ac-
tive, c’est la raison pour laquelle on a de bons rendements. Le commutateur est réalisé avec
un dispositif semi-conducteur, habituellement un transistor MOSFET ou un IGBT fonction-
nant en mode (bloqué/saturé). Si le dispositif semi-conducteur est bloqué, son courant est
zéro d’où une dissipation de puissance nulle. Si le dispositif est dans l’état saturé, la chute
de tension à ses bornes sera presque nulle et par conséquent la puissance perdue sera très
faible [19].
Il existe plusieurs convertisseurs DC/DC les un plus complexes que les autres (tableau
1.1 chapitre 1).
Dans [35] une étude comparative de principaux types de convertisseur pour les MPPT
(P&O) a été réalisée et il en ressort que les convertisseurs de type abaisseur-élévateur pré-
sentent de meilleures performances surtout dans les conditions changeantes. De même dans
[36] une comparaison entre les convertisseurs boost et cuk pour le MPPT (RNA et P&O) a
révélée que le cuk fournit de meilleures performances dans les conditions climatiques va-
riables. Dans notre étude nous utiliserons donc le convertisseur cuk .
2.1.2.1 Convertisseur cuk
Le convertisseur cuk tient son nom de son inventeur Slobodan cuk ; et le premier à
décrire cette topologie. Il utilise un condensateur pour stocker l’énergie [37].
Le cuk est constitué de deux inductances, de deux condensateurs, d’un interrupteur (gé-
néralement un transistor) et d’une diode. Le côté entrée du convertisseur cuk est le conver-
tisseur Boost et le côté sortie est le convertisseur Buck. Le schéma de base d’un convertisseur
cuk est représenté par la figure 2.3. Un inconvénient subsiste concernant l’inversion du signe
de la tension de sortie par rapport à celle de l’entrée.
33
F IGURE 2.3 : schéma de principe du convertisseur cuk
1. Principe de fonctionnement
Dans chaque période de commutation, le convertisseur cuk opère dans deux mode :
Pendant le premier mode qui correspond à la fermeture de l’interrupteur S(MOSFET),
il y a stockage d’énergie dans l’inductance L1. Le condensateur (C1) décharge son éner-
gie dans la charge à travers la boucle formée par l’interrupteur (S), C2, R, et L2 (figure
2.4) .
En conduction continue la tension Vc1 ne s’annule pas. La diode D est bloquée pendant
cette phase.
F IGURE 2.4 : schéma de fonctionnement du convertisseur cuk S fermé
− IC1 = IL2 (2.8)
Au second mode, on ouvre l’interrupteur K ; La diode D devient conductrice. Le

condensateur (C1) se charge par la tension d’entrée (V) à travers l’inductance(L1).
L’énergie stockée dans l’inductance (L2) est transférée à la charge par la boucle consti-
tuée par D, L2, C2 et R (figure2.5).
F IGURE 2.5 : schéma de fonctionnement du convertisseur cuk S ouvert
34
on peut donc écrire :

IC1 = IL1 = I (2.9)
Le phénomène étant périodique le courant moyen du condensateur C1 est nul
IC1(S.ON ) × αT + IC1(S.0F F ) × (1 − α)T = 0 (2.10)
− IL2 × αT + IL1 × (1 − α)T = 0 (2.11)

IL1 α
= (2.12)
IL2 1−α
Si le convertisseur est idéal :
PIN = POU T (2.13)
IL1 VIN
VIN .IL1 = −VOU T .IL2 alors =− (2.14)
IL2 VOU T
on a donc
VOU T α
− = (2.15)
VIN 1−α
2. Dimensionnement des composants

Le dimensionnement de chaque composant du convertisseur Cuk est en fonction
de l’application et du type du générateur PV utilisé. Dans le cadre de notre réalisation,
notre objectif est de réaliser, à partir d’un cahier de charge, un PV adapté de moyenne
puissance (80W).
• Rapport cyclique
VOU T α −VOU T
− = donc α= (2.16)
VIN 1−α VOU T − VIN
• La fréquence et la période
La fréquence de hachage est fixée à 100kHz, nous avons choisi de travailler à
cette fréquence relativement importante pour diminuer les dimensions des com-
posants réactifs (capacités et inductance). La période est obtenue par :
1
T = (2.17)
f
• Les inductances
Les valeurs des inductances sont choisies de telles sorte que ∆IL1 ne soit pas
supérieur à 5% de IIN et ∆IL2 ne soit pas supérieur à 5% de IL2
VIN × α VIN × α
L1 = et L2 = (2.18)
∆IL1 × f ∆IL2 × f
• Les condensateurs
La tension d’oscillation à travers les condensateurs doit être de moins de 5%.
35
Chapitre 2. Modélisation du système PV et développement du MPPT 2.2. La commande MPPT du système PV
La tension moyenne à travers C1[37] :
VC1 = VIN + VOU T et ∆VC1 = 0.05 × VC1 (2.19)
VOU T × α
C1 = (2.20)
∆VC1 × RLoad × f
C2 est calculé par l’équation d’oscillation de la sortie
∆VOU T 1−α
= (2.21)
VOU T 8 × L 2 × c2 × f 2
donc :
1−α
C2 = ∆VOU T
(2.22)
8× VOU T
× L2 × f 2
• Choix de la diode
Nous choisissons une diode de faible seuil à l’état passant pour minimiser les
pertes de puissance par conduction et faible temps de commutation (en général
5 à 10ns). La tension inverse maximale de la diode est la même que la tension
moyenne du condensateur C1. Le courant direct moyen de la diode est la combi-
naison des courants de sortie et d’entré lorsque le transistor de commutation est
fermé alors :
ID = IL1 + IL2 (2.23)
• Choix du transistor
Les transistors MOSFET sont les plus utilisés pour les domaines de faibles et
moyenne puissance. La tension crête du commutateur est obtenue par l’applica-
tion de la loi de kirchhoff lorsque le commutateur est fermé
dIl1
VOU T = IIN − (2.24)
dt
2.2 La commande MPPT du système PV
On retrouve dans la littérature plusieurs types de commande MPPT (chapitre 1). Parmi
celles conventionnelles, le P&0 est celui qui est le plus utilisé.
2.2.1 Commande MPPT du système PV par la méthode P&O

Comme son nom l’indique, la méthode P&O fonctionne avec l’introduction d’une pe-
tite perturbation des mesures de tension en agissant sur le rapport cyclique du convertisseur
statique, puis en observant le sens de la variation de puissance de sortie PV. La figure 2.7 re-
présente la variation de la puissance en fonction de la tension d’un panneau photovoltaïque.
On voit que, si suite à une perturbation de tension, la puissance PV augmente, la direction
36
de perturbation est maintenue. Dans le cas contraire, elle est inversée pour reprendre la
convergence vers le nouveau PPM.
F IGURE 2.6 : Principe du (P&O)
Les étapes de la recherche (du point optimal) par la méthode P&O sont illustrées dans
le diagramme de la figure 2.7. A chaque cycle, Vpv et Ipv sont mesurés pour calculer Ppv (k).
Cette valeur de Ppv (k) est comparée à la valeur Ppv (k-1) calculée au cycle précédent. Si la
puissance de sortie a augmenté, Vpv est ajustée dans la même direction que dans le cycle
précédent. Si la puissance de sortie a diminué, Vpv est ajustée dans la direction opposée
au cycle précédent, Vpv est ainsi perturbée à chaque cycle de MPPT[28]. Quand le point de
puissance maximale est atteint, Vpv oscille autour de la valeur optimale. Le rendement de
cette technique est d’environ 85%.
37
F IGURE 2.7 : Organigramme de la méthode de perturbation et d’observation (P&O)
2.2.2 Commande MPPT du système PV par réseau de neurone

2.2.2.1 L’architecture des Réseaux de Neurones Artificiels
Le premier modèle du neurone formel date des années quarante. Il a été présenté par
Mc Culloch et Pitts. S’inspirant de leurs travaux sur les neurones biologiques. La figure
2.8 montre la similitude entre un neurone artificiel et un neurone biologique qui est l’objet
d’inspiration de la structure artificielle. Comme illustré sur la structure artificielle, chaque
neurone est un processeur élémentaire. Il reçoit un nombre variable d’entrées en provenance
des neurones amont (afférents) [38]. A chacune de ces entrées est associé un poids W abré-
viation de poids (weight en anglais) représentatif de la force (ou bien de la pondération) de
la connexion. Chaque processeur élémentaire est doté d’une sortie unique, qui se ramifie
ensuite pour alimenter un nombre variable de neurones en aval (afférents).
38
F IGURE 2.8 : Mise en correspondance du neurone biologique /et du neurone artificiel
L’architecture la plus simple contient trois couches comme représenté sur la figure 1.21
. La couche d’entrée (Input layer) reçoit les données externes, la deuxième couche est la
couche cachée (Hidden layer) comportant plusieurs neurones cachés qui reçoivent des don-
nées à partir de la couche d’entrée et les envoient à la troisième couche qui est la couche de
sortie (Output layer) .
2.2.2.2 Modèle mathématique (neurone artificiel)
Un neurone artificiel reçoit l’information provenant des entrées xi (i = 1, 2, ..., n) par

l’intermédiaire des connexions dont on affecte à chacune d’elles un poids w (en anglais
weights) pondérant l’information reçue, appelé aussi poids synaptique (figure 2.9 ).
F IGURE 2.9 : Représentation d’un neurone mathématique
Le traitement se fait en deux étapes :

La première phase représente le pré-traitement des données reçues en calculant le poten-
tiel Vj du neurone j par la fonction suivante :
n
X
vj = Wj,i Xi + bj (2.25)
i=1
39
Où Wj,i désigne le poids de la connexion liant le neurone j à l’entrée i, et bj est un terme

constant appelé biais qui peut être considéré comme le poids d’une entrée X0 égale à 1.
Ainsi, la relation s’écrit plus simplement :
n
X
vj = Wj,i Xi (2.26)
i=0
Dans la deuxième phase, une fonction de transfert f appelée également fonction d’acti-
vation calcule la valeur de l’état interne yj du neurone j à partir de la valeur du potentiel vj .
Cette valeur désignera la sortie du neurone.
Xn
yj = f (vj ) = f ( Wj,i Xi ) (2.27)
i=0
Les variables Xi désignent les entrées, la sortie est notée yj , le biais bj et les poids sy-
naptiques sont désignés pour Wji .
Ainsi, le neurone peut être défini mathématiquement comme étant une fonction algé-
brique, à priori non linéaire (suivant f) et bornée, des entrées Xj et paramétrée par les poids
Wji :
yj = f (Xj , Wj,i ) = f Wj , i(Xi ) (i = 1, 2, . . . . . . ..n) (2.28)
Plusieurs possibilités existent pour spécifier la nature de la fonction d’activation du modèle.

Les fonctions mathématiques les plus souvent utilisées sont :
• La fonction seuil
F (x) = 0 si x<0 et F (x) = 1 si x≥0 (2.29)
• La fonction identité
F (x) = x (2.30)
• La fonction sigmoïde , dont les formes les plus utilisées sont la fonction logistique et la
fonction tangente hyperbolique
1
F (x) = (2.31)
1 + e−x
F (x) = tanh(x) (2.32)
• La fonction gaussienne d’écart type unité
2
F (x) = e−x (2.33)
40
F IGURE 2.10 : Fonctions de transfert : (a) seuil, (b) linéaire, (c) sigmoïde et (d) Gaussienne.
2.2.2.3 Architecture des réseaux de neurones
1. Les réseaux non bouclés

Ce sont des réseaux unidirectionnels sans retour arrière (feedforward)(figure 2.11).
Le signal de sortie est directement obtenu après l’application du signal d’entrée. Si tous
les neurones ne sont pas des organes de sortie, on parle de neurones cachés.
F IGURE 2.11 : Réseau non bouclé.
2. Réseaux bouclés
Il s’agit de réseaux de neurones avec retour en arrière (feedback network ou récurrent
Network). La figure 2.12 présente l’architecture de ce type de réseau.
F IGURE 2.12 : Réseau bouclé.
41
2.2.2.4 Apprentissage des réseaux de neurones artificiels
La propriété la plus importante pour un réseau de neurones, est sûrement sa capa-

cité d’apprendre de son environnement, d’améliorer sa performance à travers un processus
d’apprentissage. La première règle d’apprentissage a été formulée grossièrement de façon
qualitative par HEBB en 1949, il s’agissait d’ajuster ces poids de telle façon que le réseau
présente certains comportements désirés. En d’autres termes, l’apprentissage des réseaux
de neurones consiste à ajuster les poids synaptiques de telle manière à renforcer les sorties
du réseau et qu’elles soient aussi proches que possible des sorties désirées.
La phase d’apprentissage consiste à modifier les poids jusqu’à obtention d’une stabili-
sation du réseau. C’est-à-dire, jusqu’à ce que le poids ne se modifie plus que d’une façon
minime.
L’apprentissage mathématique, basé sur ce concept, sert à minimiser une fonction de
coûts formulés autour de l’erreur de sortie. Alors l’adaptation commence, par les neurones
de la couche de sortie, forcés de la bonne valeur, puis on fait varier légèrement les poids des
neurones des couches précédentes.
F IGURE 2.13 : Schéma synoptique du procédé d’apprentissage
1. Les types d’apprentissages

On peut distinguer trois types d’apprentissage :
• L’apprentissage supervisé
Pour ce type d’apprentissage, on présente simultanément au réseau, des en-
trées avec les sorties désirées correspondantes, de façon à pouvoir calculer les
différences entre les sorties actuelles et les sorties désirées. Un apprentissage est
dit supervisé lorsqu’on force le réseau à converger vers un état final précis, en
même temps qu’on lui présente un motif. L’apprentissage supervisé est illustré
par la figure 2.14
42
F IGURE 2.14 : Schéma bloc de l’apprentissage supervisé d’un réseau de neurones
• L’apprentissage non supervisé

Dans un modèle non supervisé (figure 2.15 ), le réseau de neurones organise
lui-même (une auto-adaptation) les entrées qui lui sont présentées de façon à op-
timiser un critère de performances donné.
F IGURE 2.15 : Schéma bloc de l’apprentissage non supervisé d’un réseau de neurone.
• L’apprentissage par renforcement

L’apprentissage par renforcement, pour lequel le réseau de neurones est in-
formé d’une manière indirecte sur l’effet de son action choisie. Cette action est
renforcée si elle conduit à une amélioration des performances.
2. Les règles d’apprentissage

Les stratégies des modifications des poids synaptiques sont dérivées des règles
générales suivantes :
• Règle de Hebb
C’est la méthode d’apprentissage la plus ancienne (1949), elle est inspirée de
la biologie. Elle traduit le renforcement des connexions liant deux neurones acti-
vés. Si un des deux neurones au moins n’est pas activé, le poids de la connexion
n’est pas modifié
• Apprentissage de Boltzmann
Cette règle d’apprentissage est de type stochastique (qui relève partiellement
du hasard) et elle consiste à ajuster les poids des connexions, de telle sorte que
l’état des cellules visibles satisfasse une distribution probabiliste souhaitée
43
• Règle de correction d’erreurs

Cette règle s’inscrit dans le cas d’apprentissage supervisé, c’est-à-dire, dans le
cas où on fournit au réseau, une entrée et la sortie correspondante. Si on considère
[y], la sortie calculée par le réseau et [d], la sortie désirée, le principe de cette règle
est d’utiliser l’erreur [d-y], afin de modifier les connexions et de diminuer ainsi
l’erreur globale du système. Le réseau va donc s’adapter jusqu’à ce que y soit égal
à [d]. C’est ce principe qui est utilisé dans le perceptron simple.
• Algorithme de la rétro-propagation du gradient de l’erreur
Cet algorithme est utilisé dans les réseaux de type feed-forward, qui sont des
réseaux de neurones à couches, ayant une couche d’entrée, une couche de sortie,
et au moins une couche cachée. Il n’y a pas de récursivité dans les connexions, et
pas de connexions entre neurones de la même couche.
Le principe de la rétro-propagation consiste à présenter au réseau un vecteur
d’entrées, de procéder au calcul de la sortie par propagation à travers les couches,
de la couche d’entrées vers la couche de sortie passant par les autres couches.
Cette sortie est comparée à la sortie désirée, une erreur est alors obtenue. À partir
de cette erreur, le gradient de l’erreur est calculé et propagé de la couche de sortie
vers la couche d’entrée, d’où le terme de rétro-propagation. Cela permet la modi-
fication des poids du réseau et donc l’apprentissage. L’opération est réitérée pour
chaque vecteur d’entrée et cela jusqu’à ce que le critère d’arrêt soit vérifié.
Le critère à minimiser est de la forme suivante [39, 40] :
i=1
1 X des
J= (yi − yi )2 (2.34)
2 N
Où :
yides : La i-ième sortie désirée du système
yi : La i-ième sortie calculée du système
N : Le nombre des neurones Le problème consiste à déterminer les poids W de
toutes les couches qui minimisent le critère de performance J
L’adaptation des poids W se fait selon la règle suivante [39, 40] :
(k) (k) δJ
Wij (t + 1) = Wij (t) − ∆W avec ∆W = −η (2.35)
δW
Cela montre les variations de J par rapport aux variations du poids. L’équation
est résolue en fonction de la suite de l’algorithme du gradient
44
Dans ce chapitre nous avons modélisé le système photovoltaïque adapté à un hacheur

abaisseur/élevateur « cuk » avec les commandes MPPT numériques « perturbation et obser-
vation » et les réseaux de neurones. Ces modèles nous serviront à observer le comportement
du système PV avec chaque type de commande (P&O et RNA) à travers les résultats de
simulation.
45
Chapitre 3
Simulation de l’ensemble PV-MPPT
Dans un système photovoltaïque, il est nécessaire de le faire fonctionner à sa puissance

maximale. C’est pour cela qu’il est impératif d’insérer un étage d’adaptation muni d’une
commande MPPT, ayant pour but d’agir sur le rapport cyclique du convertisseur statique
pour atteindre de PPM quel que soit les variations des conditions météorologiques ou de
la charge. Nous présenterons dans ce chapitre le fonctionnement à puissance maximale et
les différents types de commandes de la recherche du point de puissance maximale telle
que la méthode P&O et la méthode de réseaux de neurones artificiels objet de notre étude.
Par la suite, nous donnerons les résultats de simulation à l’aide de logiciel Matlab pour
la recherche du point de puissance maximale pour différentes valeurs de températures ou
d’ensoleillement en utilisant les deux algorithmes «P&O » et « réseaux de neurones artificiels
» afin de comparer les deux méthodes.
3.1 L’outil Matlab / Simulink
MATLAB fait partie d’un ensemble d’outils intégrés dédiés au traitement du signal. En com-
plément du noyau de calcul Matlab, l’environnement comprend des modules optionnels qui
sont parfaitement intégrés à l’ensemble :
• Une vaste gamme de bibliothèques de fonctions spécialisées (Toolboxes) ;
• Simulink, un environnement puissant de modélisation basée sur les schémas-blocs et

de simulation des systèmes dynamiques linéaires et non linéaires ;
• Des bibliothèques de blocs spécialisés (Blocksets) ;
• D’autres modules dont un Compilateur, un générateur de code C, un accélérateur ;
46
Chapitre 3. Simulation de l’ensemble PV-MPPT 3.2. Caractéristique du module photovoltaique
• Un ensemble d’outils intégrés dédiés au traitement du signal : le DSP Workshop.
SIMULINK est une plate-forme de simulation multi-domaine et de modélisation des sys-

tèmes dynamiques. Il fournit un environnement graphique et un ensemble de bibliothèques
contenant des blocs de modélisation qui permettent le design précis, la Simulation, l’implé-
mentation et le contrôle de systèmes de communications et de traitement du signal
3.2 Caractéristique du module photovoltaique
Dans notre travail, nous avons utilisé le module photovoltaique YL80Wp de YingliSolar.
Le moule est constitué de 36 cellules solaires en silicium en série et fournit 80W de puissance
maximale . Le tableau 3.1 montre ses caractéristiques fournies par la fiche technique du
fabricant.
TABLEAU 3.1 : Caractéristique électrique du module photovoltaique YL80Wp
Grandeur Valeur
Puissance maximale Pmax 80W
Tension à Pmax (Vpmax ) 17.5
courant à Pmax (Ipmax ) 4.57A
Tension à circuit ouvert (Voc ) 22V
Tension de court-circuit de référence (Icc ) 5.1A
Coefficient de la température de Vco -0.37%/°C
Coefficient de la température de Icc -0.06%/°C
Coefficient de la température de la puissance -0.45%/°C
Température nominale d’opération de la cellule (NOCT) 46°C±2
3.3 Simulation du module PV
Pour simuler le comportement du GPV, nous avons paramétré le bloc PV-Array de si-
mulink avec les caractéristiques de notre panneau (figure 3.1).
47
Chapitre 3. Simulation de l’ensemble PV-MPPT 3.3. Simulation du module PV
F IGURE 3.1 : Schéma bloc sous Simulink du PV Array
Les caractéristiques (Ipv = f(Vpv)) et (Ppv = f(Vpv)) à température et éclairement constants,

et particulièrement aux conditions standards (STC) (E = 1000 w/m2. T = 25°C). est donnée
par la figure 3.2 :
F IGURE 3.2 : Résultats de simulation des caractéristiques (Courant –Tension) et (Puissance

Tension) du module PV
Pour visualiser l’influence de l’éclairement, on fixe la température ambiante (T = 25°C)

et on fait varier l’éclairement dans une gamme suffisante (ici de 200 à 1000W/m2). La figure
3.3 montre la caractéristique courant-tension pour différents éclairement.
48
Chapitre 3. Simulation de l’ensemble PV-MPPT 3.3. Simulation du module PV
F IGURE 3.3 : Résultats de simulation de la caractéristiques (Courant –Tension) pour diffé-

rents éclairement
D’après la figure 3.3 on remarque une forte diminution du courant de court-circuit par
rapport à l’éclairement et une faible diminution de la tension du circuit ouvert. Ce qui
prouve que le courant de court circuit de la cellule dépend de l’éclairement, par contre la
tension de circuit ouvert subit une légère augmentation quand l’éclairement varie de 200
W/m2 à 1000 W/m2 .
La caractéristique puissance-tension pour différents éclairement est représentée à la fi-
gure 3.4.
F IGURE 3.4 : Résultats de simulation de la caractéristique (Puissance- Tension) pour diffé-

rents éclairement et une température
On remarque que l’éclairement influe proportionnellement sur la puissance et la tension

du circuit ouvert du GPV.
Pour visualiser l’influence de la température, on fixe l’éclairage (E =1000 W/m2 ) et on
fait varier la température dans une gamme suffisante(figure 3.5).
49
Chapitre 3. Simulation de l’ensemble PV-MPPT 3.4. Simulation du convertisseur cuk
F IGURE 3.5 : Résultats de simulation de la caractéristique (Courant –Tension) pour diffé-

rentes température et éclairement et éclairement constant
On constate que l’effet de l’augmentation de la température fait diminuer la tension du

circuit ouvert du GPV, contrairement au courant de court-circuit qui reste constant.
Aussi l’augmentation de la température fait diminuer la puissance et la tension du circuit
ouvert du GPV (figure 3.6).
F IGURE 3.6 : Résultats de simulation des caractéristiques (Puissance- Tension) pour diffé-
rentes température à et éclairement constant
3.4 Simulation du convertisseur cuk
Avec les équations de dimensionnement du chapitre 2, nous avons dimensionné le conver-

tisseur cuk pour une charge de 50W de 12V avec une entrée de 17,5V. Les composants du
cuk sont inscrits dans le tableau 3.2 :
50
Chapitre 3. Simulation de l’ensemble PV-MPPT 3.4. Simulation du convertisseur cuk
TABLEAU 3.2 : Spécification du convertisseur cuk
Composants Valeur
L1 249µH
L2 341 µH
C1 11µF
C2 5µF
α 0.4
R 2.88 Ω
fs 100KHz
La figure 3.7 représente le schéma bloc du convertisseur cuk.
F IGURE 3.7 : Schéma bloc du convertisseur cuk.
Après simulation on obtient une tension de 12V (figure 3.8) fixe avec une puissance de
50W (figure 3.9) ce qui confirme le bon fonctionnement du convertisseur.
F IGURE 3.8 : Résultats de simulation de la tension aux bornes de la charge.
51
Chapitre 3. Simulation de l’ensemble PV-MPPT 3.5. Simulation de la commande MPPT
F IGURE 3.9 : Résultats de simulation de la puissance aux bornes de la charge.
3.5 Simulation de la commande MPPT
3.5.1 Méthode de commande P&O

3.5.1.1 Schéma de simulation
La figure 3.10 illustre le bloc schématique de SIMULINK du système photovoltaïque adapté

par la commande MPPT « perturbation et observation »
F IGURE 3.10 : Modèle de simulation du GPV adapté par la technique MPPT (P&O)
3.5.1.2 Résultats de simulation P&O
Les résultats de simulation du P&O à température et éclairement constants pour un pas

de variation du rapport cyclique de 0,001s sont illustrés par les figures 3.11, 3.12, 3.13, 3.14,
3.15 et 3.16
52
F IGURE 3.11 : Résultats de simulation de la tension générée par le générateur photovoltaïque

pour E=1000W/m2 et T=25°C
F IGURE 3.12 : Résultats de simulation du courant généré par le générateur photovoltaïque

pour E=1000W/m2 et T=25°C
F IGURE 3.13 : Résultats de simulation de la puissance générée par le générateur photovol-

taïque pour E=1000W/m2 et T=25°C
53
F IGURE 3.14 : Résultats de simulation de la tension de sortie du système pour E=1000W/m2

et T=25°C
F IGURE 3.15 : Résultats de simulation du courant de sortie du système E=1000W/m2 et

T=25°C
F IGURE 3.16 : Résultats de simulation de la puissance de sortie du système pour

E=1000W/m2 et T=25°C
Pour observer le comportement du système dans des conditions d’éclairage variables

nous avons réaliser la simulation pour un éclairage variant de 1000W/m2 à 500W/m2
54
F IGURE 3.17 : Résultats de simulation de la tension générée par le générateur photovoltaïque
F IGURE 3.18 : Résultats de simulation du courant générée par le générateur photovoltaïque
F IGURE 3.19 : Résultats de simulation de la puissance générée par le générateur photovol-

taïque
55
F IGURE 3.20 : Résultats de simulation de la tension de sortie du système
F IGURE 3.21 : Résultats de simulation du courant de sortie du système
F IGURE 3.22 : Résultats de simulation de la puissance de sortie du système
Interprétation des résultats

On remarque un bon suivi du PPM qui est compris entre 48 et 50W. De même face aux
changements climatiques, le système répond efficacement. Néanmoins, notons que la puis-
sance maximale présente des oscillations.
56
3.5.2 Méthode de commande MPPT à base RNA

La nouvelle technique choisie pour le poursuit du point maximale est la méthode neuro-
nale, qui consiste en trois étapes, nous allons les appliquer pour approximer la sortie qui est
le rapport cyclique qui corresponde à la puissance maximale, en fonction des changements
d’illuminations et de la température, Où notre système doit pouvoir évoluer, rapidement et
efficacement.
La première chose dans l’implémentation des réseaux de neurones est le comptage des
variables d’entrée et de sortie du problème. On a deux variables comme entrées, l’éclaire-
ment (G) et la température (T) et une variable en sortie qui est la tension de référence (le
rapport cyclique). Dans notre travail, on a construit un réseau de neurones multicouches
composée de :
• une couche d’entrée à deux neurones dont le rôle est de transmettre les valeurs des
entrées qui correspondent aux variables (G,T) vers la couche suivante appelée "couche
cachée" ;
• une couche cachée dotée de dix neurones ;
• une couche de sortie à un neurone.
Pour la fonction de transfert de la couche d’entrée et de celle de sortie ainsi que la couche
cachée, on a utilisé la fonction sigmoïde.
F IGURE 3.23 : Schéma structurel de réseaux du neurones artificiels
Une fois la structure du réseau fixée, l’opération de l’optimisation du système photovol-

taïque sera réalisée en deux étapes :
1. L’étape d’apprentissage du réseau de neurones, durant laquelle les poids et les pa-
ramètres du réseau vont être ajustés de manière à minimiser la somme des erreurs
quadratiques entre les rapports cycliques de sortie du réseau et celles de l’ensemble
des échantillons. L’erreur quadratique globale est calculée et utilisée pour corriger
les poids de la couche de sortie. Puis, par rétro propagation de cette erreur, des er-
reurs intermédiaires correspondant à la couche cachée qui sont ainsi calculées et vont
permettre l’ajustement des poids en question, en utilisant l’algorithme de Levenberg-
Marquardt. L’ensemble des échantillons utilisés pour l’apprentissage du réseau de
neurones est constitué des différents éclairements, variant entre 100 W/m2 et 1000
57
W/m2 . On construit une base de données très riche, qui possède beaucoup d’informa-
tions qui serviront à l’apprentissage et au test du réseau de neurones sur les différents
niveaux d’irradiation et de température. Pour cette phase, on a réalisé le tableau 3.3 :
TABLEAU 3.3 : Tableau d’apprentissage du RNA
G
100 200 300 400 500 600 700 800 900 1000
T°C
20 0,172 0,2231 0,2492 0,2911 0,3013 0,3265 0,3494 0,3687 0,375 0,3999
22 0,1723 0,2235 0,2493 0,2911 0,3233 0,3261 0,3496 0,3742 0,3976 0,4
24 0,1725 0,2237 0,2493 0,2919 0,3237 0,3265 0,3496 0,3743 0,3984 0,4002
26 0,1728 0,2237 0,2707 0,2927 0,3212 0,3269 0,3496 0,3741 0,3987 0,4002
28 0,1728 0,2237 0,2726 0,2983 0,3237 0,3427 0,3494 0,3747 0,3989 0,4024
30 0,1732 0,2237 0,2727 0,2985 0,3233 0,3482 0,3726 0,375 0,3988 0,4004
32 0,1732 0,2239 0,2731 0,2986 0,3234 0,3484 0,3731 0,3743 0,3988 0,4226
34 0,1732 0,2239 0,2731 0,2987 0,3239 0,3484 0,3731 0,3744 0,3992 0,4113
36 0,1736 0,2239 0,2731 0,2987 0,3241 0,3488 0,3732 0,3752 0,3992 0,4131
38 0,1736 0,224 0,2732 0,2987 0,3239 0,3487 0,3738 0,3752 0,3994 0,4134
40 0,1736 0,224 0,2732 0,2986 0,3245 0,3491 0,3678 0,3752 0,3998 0,4234
42 0,1737 0,2244 0,2735 0,2991 0,3247 0,3462 0,3737 0,377 0,3998 0,4244
44 0,1738 0,2244 0,2733 0,2992 0,3247 0,3488 0,3739 0,3982 0,3998 0,4243
2. L’étape d’optimisation consiste à simuler avec finesse le comportement du réseau de

neurones conçu dans la première étape dans le plan (G, T) puis D.
La fonction de création d’un réseau est spécifique au modèle de réseau utilisé (newc,
newlvq, etc). Pour les réseaux multicouches, la création du réseau est commandée par la
fonction newff :Réseau = newff (P, T, S, TF, BTF, BLF, PF, IPF, OPF, DDF)
P : matrice d’entrée (notre cas est la puissance maximale Pmpp) ;
T : matrice de sortie (notre cas est le rapport cyclique D) ;
S : nombre de neurones dans la couche cachée (notre cas est une seule couche neurones) ;
TF : fonction d’activation dans les couches, par défaut est la fonction (tansig) pour les
couches cachées, et la fonction purelin pour la couche de sortie ;
BTF : algorithme d’apprentissage par paquets du réseau (par default = trainlim) ;
BLF : l’algorithme d’apprentissage incrémental du réseau (par default = learngdm) ;
PF : fonction de performance (par default = MSE main square error) ;
DDF : fonction de division des données, (par default = dividerand).
Résultat de test du réseau :
On a effectué un apprentissage automatique à l’aide du logiciel Matlab jusqu’à l’obten-
tion d’une erreur quadratique très petite.
58
F IGURE 3.24 : Performances d’apprentissage de réseaux de neurones artificiels
Création d’un Bloc du réseau de neurone artificielle dans SIMULINK :
F IGURE 3.25 : Schéma Bloc du réseau de neurones artificiels dans SIMULINK
F IGURE 3.26 : Modèle de simulation du GPV adapté par la technique MPPT(RNA)
59
Les résultats de simulation du RNA à température et éclairement constants (1000W/m2 ;

25°C) sont illustrés par les figures 3.27 à 3.32
F IGURE 3.27 : Résultats de simulation de la tension du GPV avec la méthode RNA
F IGURE 3.28 : Résultats de simulation du courant du GPV avec la méthode RNA
F IGURE 3.29 : Résultats de simulation de la puissance du GPV avec la méthode RNA
60
F IGURE 3.30 : Résultats de simulation de la tension de sortie du système avec la méthode

RNA
F IGURE 3.31 : Résultats de simulation du courant de sortie du système avec la méthode

RNA
F IGURE 3.32 : Résultats de simulation de la puissance de sortie du système avec la méthode

RNA
3.5.3 Comparaison des deux méthodes

Afin d’évaluer les performances des deux mécanismes de poursuite, ces derniers sont sou-
mis à des variations des conditions météorologiques. On fixe la température (25 °C) et on
61
varie l’éclairement solaire entre 1000W/m2 et 500W/m2. les résultats de comparaison de la

puissance ,de la tension et du courant sont représentés par les figures 3.33, 3.34 et 3.35,
F IGURE 3.33 : Comparaison de la puissance de sortie avec la commande P&O et la com-

mande RNA
F IGURE 3.34 : Comparaison de la tension de sortie avec la commande P& O et la commande

RNA
F IGURE 3.35 : Comparaison du courant de sortie avec la commande P& O et la commande

RNA
62
Interprétation des résultats

Avec la méthode P&O le MPP oscille autour de 48w et 50w avec un temps de réponse de
0.009s, avec des oscillations qui vont provoquer des pertes de puissance .Par contre avec la
méthode RNA le MPP Oscille autour de 50w avec un temps de réponse de 0.0015s (figure
3.36).
Ces résultats confirment le bon fonctionnement du contrôleur P&O mais montrent
également un meilleur fonctionnement du contrôleur neuronal. Ce dernier a prouvé qu’il
a de meilleures performances, un temps de réponse rapide, l’erreur à l’état permanent très
faible.
F IGURE 3.36 : Comparaison du temps de réponse de la commande P& O et la commande

RNA
De même, dans des conditions climatiques variables, le RNA répond plus rapidement
avec presque que pas de perte de puissance dans le changement de puissance ce qui atteste
de sa robustesse face aux différentes variations des conditions atmosphériques. (figure 3.37)
F IGURE 3.37 : Comparaison du comportement des deux méthode face aux changement cli-
matiques
63
Dans ce avons simuler et analyser dans l’environnement MATLAB/SIMULINK le fonc-

tionnement électrique d’un système PV, adapté par convertisseur DC-DC (hacheur cuk), ré-
gulé avec une commande MPPT, pour rechercher le point de puissance maximale (MPPT)
d’un système photovoltaïque ; nous avons présenté la méthode P&O et nous avons remar-
qué que ce dernier dépend fortement des conditions initiales et qu’il présente des oscilla-
tions autour de la valeur optimale. Son inconvénient majeur est son mauvais comportement
suite à un changement brusque de l’éclairement . La poursuite du point de puissance maxi-
male par l’approche RNA a montré l’efficacité de cette dernière. Son utilisation a permis
l’adaptation du point maximal de fonctionnement pour des variations de perturbations ex-
ternes. Selon les résultats obtenus, on peut conclure que le système RNA fait apparaître une
cohérence entre les caractéristiques et l’efficacité des calculs, sa robustesse, sa rapidité et la
précision de ses sorties lui permettent de donner des décisions correctes et d’éviter les cas
d’indécisions.
64
Chapitre 4
Réalisation d’un système de commande du
MPP par réseau de neurone
Dans ce chapitre, nous nous somme intéressé à l’implémentation en temps réel en uti-
lisant le logiciel Matlab et l’environnement Simulink pour traiter notre système proposé
qui est constitué du panneau PV, du convertisseur cuk et d’une carte Arduino qui assure
la communication avec l’environnement physique à partir des capteurs de Température et
d’irradiation et effectue la commandes MPPT par réseau de neurone artificiel.
4.1 Schéma synoptique du système
La figure 4.1 représente le schéma global du système PV optimiser par la commande

MPPT (RNA). Il est constitué d’un module PV relier avec la charge résistive par un hacheur
piloté par un circuit de commande à base d’une carte « Arduino Méga 2560 » qui sert à
l’acquisition des données de température et d’irradiation (les entrées du réseau de neurone)
et la commande du transistor MOSFET du convertisseur en faisant varier le rapport cyclique
pour trouver le maximum de puissance à la sortie du générateur. Les sorties du module
photovoltaique et du convertisseur sont mesurées à partir de capteur de courant de tension
et de puissance.
65
Chapitre 4. Réalisation d’un système de commande du MPP par réseau de neurone 4.2. Partie puissance
F IGURE 4.1 : Schéma global du système PV optimiser par la commande MPPT (RNA)
Le système peut être divisé en deux grande partie : Une partie puissance constitué du
convertisseur abaisseur-élévateur(cuk) et une partie commande qui lui aussi peut être sub-
divisé en deux dont une partie d’acquisition de données (gérée par la carte arduino) et une
partie de programmation (gérée par le logiciel Matlab).
4.2 Partie puissance
Dans cette partie, nous nous sommes intéressés au dimensionnement des différents
composants constituant le circuit de puissance à savoir, le transistor de commutation, la
diode, les inductances et les condensateurs. Cette étape est critique dans l’implémentation
d’un cuk commandé par MPPT.
Le tableau (4.1) présente les paramètres de notre convertisseur cuk DC-DC
TABLEAU 4.1 : Paramètres du convertisseur cuk
Paramètres Valeur
Tension d’entrée 17.5V
Tension de sortie 12V
Fréquence de commutation 100 KHz
Charge R 2.88 Ω
4.2.1 Conception de convertisseur cuk

La photo réelle du convertisseur est représentée à la figure 4.2
66
Chapitre 4. Réalisation d’un système de commande du MPP par réseau de neurone 4.2. Partie puissance
F IGURE 4.2 : Photo réelle du convertisseur
Les équations de dimensionnement du convertisseur (chapitre 2) ont permis de dé-

terminer les valeurs des inductances et condensateurs. Ces valeur sont inscrits dans le ta-
bleau 4.2
TABLEAU 4.2 : Composants du convertisseur cuk
Composants Valeur
Inductance L1 249µH
Inductance L2 341 µH
condensateur C1 11µF
condensateurs C2 5µF
Charge R 2.88 Ω
Ces valeurs n’étant pas normalisées nous avons pris des valeurs pratiques inscrit dans le
tableau 4.3
TABLEAU 4.3 : Valeurs pratiques des composants du convertisseur cuk
Composants Valeur
Inductance L1 350µH
Inductance L2 400 µH
condensateur C1 15µF , 35V
condensateurs C2 6,8µF , 35V
Charge R 2.88 Ω
Choix du transistor
Le choix du transistor est basé sur sa capacité à supporter le courant de fonctionnement,
la tension appliquée à ses bornes, et la fréquence de la commutation. Nous choisissons dans
notre travail un transistor "N-CHANNEL MOSFET IRL3713 " qui fonctionne avec une ten-
sion VDS jusqu’à 30V, et un courant Id jusqu’à 260A.
Choix de la diode
67
Chapitre 4. Réalisation d’un système de commande du MPP par réseau de neurone 4.3. Partie commande
Le choix des diodes à mettre en circuit est soumis à plusieurs critères, notamment la
tension de polarisation inverse, le temps de basculement de l’état conducteur à l’état bloqué
et le courant admissible. Le Catalogue de la diode Schottky SBL2040CT présente une tension
de blocage inverse 40V et courant moyenne maximale de 20A convient à l’utilisation dans
notre circuit.
4.3 Partie commande
4.3.1 La carte ARDUINO

L’Arduino Méga 2560 est une carte électronique basée sur le microcontrôleur ATmega2560.
Elle dispose de 54 broches numériques d’entrée / sortie (dont 15 disposent d’une sortie
PWM), 16 entrées analogiques, un résonateur céramique (Quartz) à 16 MHz, une connexion
USB, une prise d’alimentation, un connecteur ICSP, et un bouton de réinitialisation.
F IGURE 4.3 : Carte Arduino Méga 2560
4.3.2 Le Pyranomètre
F IGURE 4.4 : Le Pyranomètre
68
Il est constitué d’une double coupelle de verre et d’une thermopile. Nous l’avons utilisé
pour la mesure de l’irradiation solaire globale sur plan horizontal. Ses caractéristiques sont
présentées dans le tableau 4.4
TABLEAU 4.4 : Caractéristiques du pyranomètre
Paramètres Valeur
Tension de fonctionnement 10 à 30V DC
Consommation électrique 0.6W
Température de fonction -25 à 60°C
Plage de mesure 0-1800W/m2
Précision ∓5%
Gamme de longueurs d’onde 400-1100nm
Résolution 1W/m2
Sortie 0-5V,4-20mA
Temps de réponse ≤10s
Stabilité annuelle ≤3%
Sélectivité spectrale ≤3%
4.3.3 Le capteur thermique IR DFRobot TS01
F IGURE 4.5 : Le capteur thermique IR DFRobot TS01
Le capteur thermique IR DFRobot TS01 est un capteur qui peut être utilisé pour mesurer
l’intensité infrarouge d’un objet sans être en contact avec celui-ci afin de calculer sa tempé-
rature de surface sans le toucher. Il a été utilisé pour mesurer la température ambiante.
69
TABLEAU 4.5 : Caractéristiques du IR DFRobot TS01
Paramètres Valeur
Tension de fonctionnement 5 à 24V DC
Température de fonction -40 à 85°C
Plage de mesure -70 à 380°C
Précision ∓5% à ∓4%
Résolution 0,111°C
Sortie 0-3V
courant normale de fonctionnement 20mA
4.3.4 Gravity : I2C Digital Wattmeter

Gravity : I2C Digital Wattmeter G est un module de mesure haute résolution, haute
précision et à grande échelle qui peut mesurer la tension, le courant et la puissance de di-
vers modules électroniques et équipements électriques sous 26 V 8 A, et l’erreur relative
maximale est inférieure à ± 0,2.% (Un simple calibrage manuel est nécessaire avant utilisa-
tion). Il peut être utilisé pour l’évaluation de la consommation d’énergie ou de la durée de
vie de la batterie des systèmes d’énergie solaire, de la batterie, des moteurs, du contrôleur ou
des modules électroniques. Nous l’avons utilisé pour la mesure de la puissance du panneau
solaire.
F IGURE 4.6 : Gravity : I2C Digital Wattmeter
4.3.5 Programmation et environnements de développement

1. Arduino IDE
Arduino est une plate-forme de développement et de prototypage Open Source consti-
tué d’une carte et d’un environnement de développement (IDE).
70
F IGURE 4.7 : Arduino IDE
Le langage Arduino est inspiré de plusieurs langages. On retrouve notamment des

similarités avec le C, le C++, le Java et le Processing. Le langage impose une structure
particulière typique de l’informatique embarquée
2. Matlab/simulink
MATLAB est un langage de haut niveau et environnement interactif qui résout
rapidement les problèmes numériques.On peut l’utiliser pour capturer et analyser les
données des capteurs en communiquant avec des plates-formes matérielles populaires
comme Arduino, Raspberry Pi et plus encore.
Simulink est un environnement de simulation graphique pour la simulation et la
conception basée sur un modèle. Peut l’utiliser pour modéliser, simuler et analyser des
projets, puis programmer du matériel en utilisant des diagrammes de blocs graphiques
sur Arduino, Raspberry Pi ou d’autres cartes populaires
Le SIMULINK support package Arduino fournit quelques librairies (entrée sor-
tie) qui génère automatiquement du code permet de programmer une carte Arduino.
Ces librairies sont bonnes pour certains projets simples, mais elles ne fournissent pas
toutes les possibilités de contrôler le microcontrôleur, comme le contrôle deTimer pour
générer les fréquences du PWM supérieur à 500 Hz, des afficheurs LCD et les librairies
des nouveaux matériels (capteurs, moteurs, etc.. . .)
Pour cette raison, nous exploitons les bibliothèques créées par les développeurs
de l’environnement IDE pour l’utilisation dans SIMULINK via le bloc de S-function
builder qui permet de générer un code dans le langage C et le compiler pour l’injecter
par la suite dans la carte Arduino.
71
Chapitre 4. Réalisation d’un système de commande du MPP par réseau de neurone 4.4. Test
4.4 Test
4.4.1 Test du convertisseur

Afin de vérifier le bon fonctionnement du convertisseur nous avons procéder à des test
en laboratoire avec en entré une tension fixe de 17,5V un rapport cyclique de 0,4 et sur une
charge résistive de 5Ω (figure 4.8)
F IGURE 4.8 : Test du convertisseur
Nous obtenons une tension continue de sortie de 11,82V. La Figure 4.9 représente son
allure
F IGURE 4.9 : Test du convertisseur
4.4.2 Acquisition des données de température et d’irradiation

Ici nous utilisons les capteurs de température ( IR DFRobot TS01) et d’irradiation (pyra-
nomètre)afin d’enregistrer les données sur une durée de 2H. La figure 4.10 présente le bloc
72
d’acquisition
F IGURE 4.10 : Bloc d’acquisition de température et d’irradiation
La figure 4.11 et 4.12 présentent les courbes de température et d’irradiation sur une pé-
riode d’acquisition de 15min le 5 juin 2023 à 11H.
F IGURE 4.11 : Iradiation solaire du 5/06/2023 10h45-11H
F IGURE 4.12 : Température du 5/06/2023 10h45-11H
73
4.4.3 Test global du système

Nous avons réalisé deux tests. Dans un premier temps, nous avons simulé le modèle
RNA avec les données de température et d’irradiations mesurées puis nous avons observé
la puissance en sortie convertisseur et celui du panneau (figure 4.13).
F IGURE 4.13 : Schéma global de l’implantation de la commande PPM (RNA) sous Matlab
Simulink
La figure 4.14 présente la puissance de sortie du système
F IGURE 4.14 : Puissance de sortie du système
Ensuite les deux commandes on été simulées avec les mêmes données afin de les com-
parer. La figure 4.15 présente une comparaison des puissance de sortie du système pour les
deux méthodes.
74
F IGURE 4.15 : Comparaison des deux méthodes
Ces résultats confirment le bon fonctionnement du méthode P&O mais montrent éga-
lement que les performances de la méthode neuronale sont meilleures ; temps de réponse
rapide et une stabilité de la puissance de sortie que dans des conditions climatique variable.
Ce chapitre est consacré au l’implantation et le dimensionnement d’un système pho-

tovoltaïque qui alimente une charge résistive par la commande RNA. D’après les résultats
des deux tests on peut conclure qu’avec les deux commandes (P&O et RNA) la puissance
maximale du panneau est atteinte quelque soient les conditions climatiques.
Cependant la performance du contrôleur neuronal est meilleure que celle du contrôleur
classique de perturbation et observation. En termes de temps de réponse le plus rapide et la
stabilité dans le régime permanent.
75
Conclusion générale
La conversion photovoltaïque de l’énergie solaire est une des alternatives qui, depuis l’avè-
nement des grands programmes spatiaux, a montré sa grande souplesse et son aptitude à
fonctionner en milieu hostile. Il s’agit d’une solution intéressante aux moyens de produc-
tions conventionnels.
Pour assurer le fonctionnement d’un générateur photovoltaïque à son point de puis-
sance maximale, des contrôleurs MPPT sont souvent utilisés. Ces contrôleurs sont destinés
à la poursuite PPM et à minimiser ainsi l’erreur entre la puissance de fonctionnement et la
puissance maximale de référence qui est variable en fonction de la charge et des conditions
climatiques.
Dans le même but, plusieurs techniques de contrôle MPPT ont été introduites, dans ce
travail, nous avons présenté deux techniques : la méthodes classiques Perturbation et Ob-
servation (P&O), et les réseaux de neurones, en vue d’élaborer un système de commande et
de poursuite du point de puissance maximale afin d’extraire le maximum de puissance. La
poursuite du point de puissance maximale par l’approche RNA a montré l’efficacité de cette
dernière. L’utilisation de l’approche RNA a permis une génération automatique des règles
d’intelligence artificielle.
Selon les résultats obtenus, on peut conclure que le système RNA fait apparaître un bon
compris entre la caractérisation et l’efficacité des calculs. Sa robustesse, sa rapidité et la préci-
sion de ses sorties lui permettent de donner des décisions correctes et d’éviter les cas d’indé-
cisions, les réseaux de neurones avec leurs capacités à s’adapter à des situations inconnues
par le biais de l’apprentissage. Les résultats obtenus lors de notre travail encouragent la
poursuite des recherches dans ce sens. Comme perspectives, on propose quelques tâches à
traiter ultérieurement, telle que :
• étendre le principe de la technique MPPT proposée sur d’autres topologies de conver-

tisseurs plus efficaces ;
• l’application dans les domaines de pompage et de production de l’énergie électrique ;
• l’amélioration de l’algorithme Perturbation et Observation par d’autres approches comme

la technique neurone-floue.
76
Bibliographie
[1] K. G. M. Yêhouénou, Transition énergétique au Bénin : quel apport du solaire photovoltaïque ?

PhD thesis, Strasbourg, 2020.
[2] K. Y. Yap, C. R. Sarimuthu, and J. M.-Y. Lim, “Artificial intelligence based mppt tech-
niques for solar power system : A review,” Journal of Modern Power Systems and Clean
Energy, vol. 8, no. 6, pp. 1043–1059, 2020.
[3] Y. Yang and H. Wen, “Adaptive perturb and observe maximum power point tracking
with current predictive and decoupled power control for grid-connected photovoltaic
inverters,” Journal of Modern Power Systems and Clean Energy, vol. 7, no. 2, pp. 422–432,
2019.
[4] Y. K. Yung, H. Chua, M. Bashir, F. Albert, and S. Govinda, “Central composite design
(ccd) for parameters optimization of maximum power point tracking (mppt) by res-
ponse surface methodology (rsm),” Journal of Mechanics of Continua and Mathematical
Sciences, vol. 1, p. 259, 2019.
[5] A. Ibrahim, S. Obukhov, and R. Aboelsaud, “Determination of global maximum power

point tracking of pv under partial shading using cuckoo search algorithm,” Applied
Solar Energy, vol. 55, pp. 367–375, 2019.
[6] D. P. Mishra and S. Chakraborty, “Application of soft computing in simulation of solar

power tracking,” in 2018 Technologies for Smart-City Energy Security and Power (ICSESP),
pp. 1–5, IEEE, 2018.
[7] G. C. Semassou, Aide à la décision pour le choix de sites et systèmes énergétiques adaptés aux
besoins du bénin. PhD thesis, Bordeaux 1, 2011.
[8] J. Bobée, “L’électrification rurale par l’énergie solaire. etude de cas au bénin,” 2009.
[9] M. Tivanov, A. Patryn, N. Drozdov, A. Fedotov, and A. Mazanik, “Determination of

solar cell parameters from its current–voltage and spectral characteristics,” Solar energy
materials and solar cells, vol. 87, no. 1-4, pp. 457–465, 2005.
[10] M. BENCHERIF, Modélisation de systèmes énergétiques photovoltaïques et éoliens intégration

dans un système hybride basse tension. PhD thesis, 2014.
i
[11] A. Ortiz-Conde, F. J. G. Sánchez, and J. Muci, “New method to extract the model para-
meters of solar cells from the explicit analytic solutions of their illuminated i–v charac-
teristics,” Solar Energy Materials and Solar Cells, vol. 90, no. 3, pp. 352–361, 2006.
[12] J. A. Duffie and W. A. Beckman, Solar engineering of thermal processes. Wiley New York,
1980.
[13] N. Veissid, D. Bonnet, and H. Richter, “Experimental investigation of the double expo-
nential model of a solar cell under illuminated conditions : considering the instrumen-
tal uncertainties in the current, voltage and temperature values,” Solid-State Electronics,
vol. 38, no. 11, pp. 1937–1943, 1995.
[14] B. S. Borowy and Z. M. Salameh, “Methodology for optimally sizing the combination of
a battery bank and pv array in a wind/pv hybrid system,” IEEE Transactions on energy
conversion, vol. 11, no. 2, pp. 367–375, 1996.
[15] W. Xiao, W. G. Dunford, and A. Capel, “A novel modeling method for photovoltaic
cells,” in 2004 IEEE 35th Annual Power Electronics Specialists Conference (IEEE Cat. No.
04CH37551), vol. 3, pp. 1950–1956, IEEE, 2004.
[16] D. Weiner and A. Levinson, “An optimal operation design of a photovoltaic dc motor
coupled water pumping system,” in Conference Record of the 1990 IEEE Industry Applica-
tions Society Annual Meeting, pp. 268–274, IEEE, 1990.
[17] M. Haouari-Merbah, M. Belhamel, I. Tobias, and J. Ruiz, “Extraction and analysis of so-
lar cell parameters from the illuminated current–voltage curve,” Solar Energy Materials
and Solar Cells, vol. 87, no. 1-4, pp. 225–233, 2005.
[18] F. M. Ishengoma and L. E. Norum, “Design and implementation of a digitally controlled

stand-alone photovoltaic power supply,” 2002.
[19] A. T. Singo, Système d’alimentation photovoltaïque avec stockage hybride pour l’habitat éner-
gétiquement autonome. PhD thesis, Université Henri Poincaré-Nancy 1, 2010.
[20] N. Abouchabana, Etude d’une nouvelle topologie buck-boost appliquée à un MPPT. PhD
thesis, Ecole nationale polytechnique, 2009.
[21] M. Moulay-Amar and M. Loghouini, “Etude et réalisation d’un système de poursuite

de point de puissance maximale à base de microcontrôleur destiné a une installation
photovoltaïque,” Mémoire d’ingéniorat, université de Ouargla, Algérie, 2005.
[22] H. LENSARI, A. NECAIBIA, et al., Optimisation et Réalisation d’un Système de Conver-

sion Photovoltaïque par l’Approche MPPT. PhD thesis, Université Ahmed Draia-ADRAR,
2018.
[23] B. Faiza, Etude Et Simulation D’une Commande MPPT Pour Système PV. PhD thesis, UNI-
VERSITE DE MOHAMED BOUDIAF M’SILA FACULTE DE TECHNOLOGIE, 2016.
ii
[24] W. BENSACI, “Modélisation et simulation d’un système photovoltaïque adapté par
une commande mppt,” Thème de Master, Université Kasdi Merbah–Ouargla, 2012.
[25] O. Guenounou, F. Bedrane, et al., Etude comparative entre quelques méthodes de poursuite
du point de puissance maximale dans les systèmes photovoltaïques. PhD thesis, Université
abderrahmane mira béjaia, 2013.
[26] A. Zbeeb, A new microcontroller-based MPPT algorithm for photovoltaic applications. PhD
thesis, Concordia University, 2009.
[27] D.-Y. Lee, H.-J. Noh, D.-S. Hyun, and I. Choy, “An improved mppt converter using
current compensation method for small scaled pv-applications,” in Eighteenth Annual
IEEE Applied Power Electronics Conference and Exposition, 2003. APEC’03., vol. 1, pp. 540–
545, IEEE, 2003.
[28] C. Chin, P. Neelakantan, H. Yoong, and K. Teo, “Optimisation of fuzzy based maximum
power point tracking in pv system for rapidly changing solar irradiance,” Transaction
on Solar Energy and Planning, vol. 2, pp. 130–137, 2011.
[29] M. S. Jamri, “Modeling and control of a photovoltaic energy system using the state-
space averaging technique,” American Journal of Applied Sciences, vol. 1, 2009.
[30] H. Abbes, H. Abid, K. Loukil, A. Toumi, and M. Abid, “Etude comparative de cinq
algorithmes de commande mppt pour un système photovoltaïque,” Journal of Renewable
Energies, vol. 17, no. 3, pp. 435–445, 2014.
[31] C. Cabal, Optimisation énergétique de l’étage d’adaptation électronique dédié à la conversion

photovoltaïque. PhD thesis, Université Paul Sabatier-Toulouse III, 2008.
[32] A. Dolara, R. Faranda, and S. Leva, “Energy comparison of seven mppt techniques for
pv systems,” Journal of Electromagnetic Analysis and Applications, vol. 2009, 2009.
[33] D. Saheb-Koussa and M. Haddadi, “Modélisation d’un générateur photovoltaïque dans

l’environnement «matlab»,” in 4th International Conference on Computer Integrated Manu-
facturing CIP, no. 03-04, 2007.
[34] A. Khedidja, Modélisation et Simulation d’un générateur photovoltaïque couplé à un réseau

électrique. PhD thesis, University of Souk Ahras, 2014.
[35] A. Ba, C. O. Ehssein, M. E. M. O. M. Mahmoud, O. Hamdoun, and A. Elhassen, “Com-

parative study of different dc/dc power converter for optimal pv system using mppt
(p&o) method,” Applied Solar Energy, vol. 54, pp. 235–245, 2018.
[36] R. Divyasharon, R. N. Banu, and D. Devaraj, “Artificial neural network based mppt
with cuk converter topology for pv systems under varying climatic conditions,” in 2019
IEEE International Conference on Intelligent Techniques in Control, Optimization and Signal
Processing (INCOS), pp. 1–6, IEEE, 2019.
iii
[37] D. W. Hart and D. W. Hart, Power electronics, vol. 166. McGraw-Hill New York, 2011.
[38] F. Daikh, Contribution des approches de l’intelligence artificielle pour la stabilisation robuste
des systèmes non linéaires. PhD thesis, thèse de doctorat, Université d’Oran1 A. Ben Bella,
2015.
[39] A. Al-Amoudi and L. Zhang, “Application of radial basis function networks for solar-
array modelling and maximum power-point prediction,” IEE Proceedings-Generation,
Transmission and Distribution, vol. 147, no. 5, pp. 310–316, 2000.
[40] E. Gauthier, Use of the artificial neural network for autonomous vehicle control. PhD thesis,
Phd thesis, National Polytechnic Institute of Grenoble, 1999.
iv
Table des matières
Page d’engagement i
Dédicace ii
Remerciements iii
Résumé xii
Abstract xiii
Introduction 1
1 Etat de l’art 3
1.1 Potentiel en énergie solaire photovoltaïque au Bénin . . . . . . . . . . . . . . 3
1.2 Les systèmes solaires photovoltaïques . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Les systèmes photovoltaïques autonomes . . . . . . . . . . . . . . . . 7
1.2.2 Les systèmes PV connecté au réseau . . . . . . . . . . . . . . . . . . . 8
1.2.3 Les systèmes solaires hybrides . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Les modèles des systèmes photovoltaïques . . . . . . . . . . . . . . . . . . . . 10
1.3.1 L’effet photovoltaique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Modélisation courant tension d’une cellule photovoltaique . . . . . . 11
1.3.3 Module photovoltaique . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Techniques de recherche de MPPT . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1 Les Principes de conversion dans les systèmes PV . . . . . . . . . . . 15
1.4.2 Étage d’Adaptation entre un Générateur PV et une Charge . . . . . . 15
1.4.3 Convertisseur DC/DC . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.4 Principe de MPPT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.5 Evolution du point d’opération du GPV . . . . . . . . . . . . . . . . . 18
1.4.6 Classification des commandes MPPT . . . . . . . . . . . . . . . . . . . . 18
1.4.7 Algorithmes MPPT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Modélisation du système PV et développement du MPPT 30

2.1 Modélisation du système photovoltaïque . . . . . . . . . . . . . . . . . . . . . 30
2.1.1 Le générateur photovoltaïque « GPV » . . . . . . . . . . . . . . . . . . . 30
2.1.2 Convertisseur DC/DC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2 La commande MPPT du système PV . . . . . . . . . . . . . . . . . . . . . . . . 36
v
2.2.1 Commande MPPT du système PV par la méthode P&O . . . . . . . . . 36
2.2.2 Commande MPPT du système PV par réseau de neurone . . . . . . . . 38
3 Simulation de l’ensemble PV-MPPT 46

3.1 L’outil Matlab / Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Caractéristique du module photovoltaique . . . . . . . . . . . . . . . . . . . . 47
3.3 Simulation du module PV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4 Simulation du convertisseur cuk . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.5 Simulation de la commande MPPT . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5.1 Méthode de commande P&O . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5.2 Méthode de commande MPPT à base RNA . . . . . . . . . . . . . . . . 57
3.5.3 Comparaison des deux méthodes . . . . . . . . . . . . . . . . . . . . . . 61
4 Réalisation d’un système de commande du MPP par réseau de neurone 65

4.1 Schéma synoptique du système . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2 Partie puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.2.1 Conception de convertisseur cuk . . . . . . . . . . . . . . . . . . . . . . 66
4.3 Partie commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3.1 La carte ARDUINO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3.2 Le Pyranomètre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3.3 Le capteur thermique IR DFRobot TS01 . . . . . . . . . . . . . . . . . . 69
4.3.4 Gravity : I2C Digital Wattmeter . . . . . . . . . . . . . . . . . . . . . . . 70
4.3.5 Programmation et environnements de développement . . . . . . . . . 70
4.4 Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.4.1 Test du convertisseur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.4.2 Acquisition des données de température et d’irradiation . . . . . . . . 72
4.4.3 Test global du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Conclusion 76
Bibliographie i
Annexe vii
vi
Annexe
Le pyranomètre
Le capteur de rayonnement solaire VMS-300LRA utilise le principe photoélectrique et sert

à mesurer le rayonnement totale sous la lumière du soleil. Le capteur de rayonnement uti-
lise un élément photo-sensible de haute précision avec une large absorption spectrale, une
absorption élevée dans toute la gamme spectrale et une bonne stabilité ; en même temps,
l’élément de détection est équipe d’un couvercle anti-poussière avec une transmission de
la lumière jusqu’à 95% à l’extérieur, le couvercle anti-poussière est spécialement traité pour
réduire l’absorption de la poussière et empêcher efficacement les interférences des facteurs
environnementaux sur l’élément interne, ce qui permet une mesure plus précise du rayon-
nement solaire.
Le produit utilise une sortie analogique, qui peut lue pour convertir la valeur actuelle
du rayonnement solaire, et est simple à câbler. Il a une forme petite et belle et occupe peu
d’espace d’installation.
Caractéristiques fonctionnelles
• Absorption élevé sur toute la gamme spectrale à l’aide d’un capteur d’absorption à
large spectre.
• Housse anti-poussière très transparente avec une bonne sensibilité et un traitement de

surface spécial pour empêcher l’absorption de la poussière.
• Volant de mise à niveau et de réglage automatique pour un ajustement facile sur place
• Classe de protection élevée avec boîtier en aluminium
• Alimentation à large tension DC 10 à 30V
vii
ShangHai DFRobot Robotics Co.,Ltd. ShangHai DFRobot Robotics Co.,Ltd.
1. Introduction Interface Description
This product is a non-contact infrared temperature sensor. It can be used to detect the
Name Description
infrared intensity of the object so as to calculate its surface temperature without touching,
and then convert the temperature value into voltage value and output it. Current Input Input Terminal of Loop Circuit
The sensor’s shell is made of metal which makes it able to protect against impact, water, Current Output Output Terminal of Loop Circuit
dust and so on. Given stable output data, this temperature sensor can exhibit a much better
Shielding Wire Grounding the shielding wire can help to reduce noise
measuring performance than most other similar products on the market.
2. Specification 5. Remarks
 Operating Voltage：DC 7.5~36 .0V  The field of view(FOV) of the sensor is 5 ° . The target dimension and the optical
 Operating Temperature Range：-40℃~85℃ properties of the IR temperature sensor decided the maximum distance between the
 Measuring Range：-70℃~380℃ target and the probe. The field of view of the sensor is shown below.
 Output Signal：4-20mA
 Measuring Accuracy：±0.5℃~±4℃ [see remarks]
 Field of View(FOV)：5° [see remarks]
 Defense Grade：IP65
 User Interface：stripped tin-plating line
3. Output Current vs Temperature  The gradient diagram of measuring accuracy of the sensor is shown below (To is the
measured temperature; Ta is the temperature of the environment the sensor locates in).
Please note that the temperature error only applies to a certain isothermal condition,
and it’s only valid when the detected object is fully filling in the FOV of the sensor.
4. Dimension and Interface Description (mm)
Ver 1.0 2/5 Ver 1.0 3/5

side currents (current flowing through the power supply or battery positive), which is
especially useful in solar or battery fuel gauge applications where the battery needs to
be charged and discharged. This status can be simply determined by positive or
negative current readings. In the motor applications, the current can be monitored in
real time by monitoring whether the motor current is too large due to overload. In
addition, you can use this module to measure the power consumption of various
Gravity: I2C Digital Wattmeter electronic modules or the entire project to evaluate battery life.
SKU:SEN0291
Features
• High precision, high resolution, large range, low temperature drift

• Bidirectional current high side measurement
• Compatible with 3.3V/5V controller
• Sophisticated and compact, easy to embed in the project
Application
• Solar Power Management

• Battery Fuel Gauge
• Electronic Module Power Evaluation
Specification
Introduction • Input Voltage (VCC) : 3.3V~5.5V

o Voltage Range (IN+ or IN- relative to GND): 0 ~ 26 V
Gravity: I2C Digital Wattmeter is a high-resolution, high-precision, large-scale o Voltage Resolution: 4 mV
measurement module that can measure the voltage, current and power of various o Voltage Relative Error: <±0.2% (Typical)
electronic modules and electrical equipment within 26V 8A, and the maximum relative o Current Range: 0 ~ ±8A (Bidirectional current)
error is less than ±0.2% (A simple manual calibration is required before usage). It can be
o Current Resolution: 1mA
used for power consumption or battery life evaluation of solar energy systems, battery,
o Current Relative Error: <±0.2% (Typical, manual calibration required)
motors, controller or electronic modules.
o Power Range: 0 ~ 206 W
The module adopts TI INA219 zero temperature drift current/power monitoring chip o Power Resolution: 20 mW (Hardware) / 4 mW (Software)
and 2W high power low temperature drift 10mΩ alloy sampling resistor. The voltage o Quiescent Current: 0.7 mA
and current resolution can reach 4mV and 1mA respectively. Under the full scale o Interface: Gravity I2C (logic level: 0-VCC)
measurement condition, the maximum relative error of voltage and current o I2C Address: Four options 0x40, 0x41, 0x44, 0x45
measurement is lower than ±0.2%. It provides also four I2C addresses that can be
• Dimension: 30.0mm*22.0mm
configured via the 2P DIP switch. The module accurately measures bi-directional high-
• Weight: 4g
Board Overview Requirements
• Hardware
o DFRduino UNO R3 (or similar) x 1
o DFRobot Gravity: I2C Digital Wattmeter x 1
o Gravity 4P sensor wire (or Dupont wires) x 1
o High resolution multimeter x1
• Software
o Arduino IDE
o Download and install the DFRobot_INA219 Library (About how to install the
library?)
Connection Diagram
No. Label Description
1 VCC Power VCC（3.3~5.5V）
2 GND Power GND
3 SCL I2C clock signal
4 SDA I2C data signal
5 ADDR I2C address DIP switch
6 3P TERMINAL Voltage and current measurement terminal 3P
Arduino Tutorial
This tutorial presents a basic usage of the module with Arduino UNO.
80(17)PR1010×660
YL80(156)
www.yinglienergy.com YL80Wp, Yingli Solar
ELECTRICAL PARAMETER INSTALLATION DIMENSIONS
YL80Wp, YINGLI SOLAR Module type
Cell
80(17)PR1010×660
Poly-crystal silicon
No. of Cells and Connections 36 in series
●
●
Yingli’s 80 watt photovoltafic module fis desfigned for large ● World-class Product Maximum Power (Pm) 80W±3%
electrical power requirements. With a 25 year warranty,
and Service
PV Manufacturer from China
Complete Production Chain
the YL85 has superb durabfilfity to wfithstand rfigorous World-class Product and Service Maximum Power Voltage (Vpm) 17.5V
operating conditions. Ideal for grid-connected and remote Maximum Power Current (Ipm) 4.57A
power systems, the YL 80 offers hfigh usable power per ● Complete Production Open Circuit Voltage (Voc) 22.0V
square foot of solar array. Chain Short Circuit Current (Isc) 5.1A
◆ Solar Cell: High efficiency crystalline solar cell.
Even if under the weak light, the solar module can
● PV Manufacturer
produce maximum power output. from China 2
(* (STC) Standard Test Conditions: 25°C, 1 KW/m , AM 1.5)
◆ Tempered glass: Anti-reflecting coating and high MECHANICAL CHARACTERISTIC

transmission rate glass increase the power output Dimensions (H×W×D ) 1010×660×35mm
and mechanical strength of solar module.
Weight 8.4Kg
◆ EVA and TPT: Using high quality EVA and TPT to Area 0.67m2
prevent destroying and water. ( Cable Length 900mm provide by clients' requirement )
◆ AI frame: Without screw, corner connection. 6 holes TEMPERATURE COEFFICIENTS

on the frame can be installed easily. Power Tk(Wp) -0.45％/℃
Open Circuit Voltage Tk(Voc) -0.37％/℃
◆ Junction box: Multi function junction box with water
proof. Short Circuit Current Tk(Isc) +0.06％/℃
◆ Long lifetime: ≥25 years; Less power decrease. ABSOLUTE MAXIMUM LIMITS
Max System Voltage V 600
◆ Good performance of preventing from atrocious
Module Operating Temperature ℃ -45—+85
weather such as wind and hails.
Wind Velocity Km/h 130
◆ Resisting moisture and etching effectively, not effect Noct ℃ 46±2
by geology.
I V CURVES
Yingli Enengy ( Beijing) Co., Ltd.

A-15 Floor No.8 Chaoyang Men St.N. Beijing China (100026)
Tel: +86(10)6554 6068 Fax: +86(10) 6554 1878
IRL3713/S/LPbF
Static @ TJ = 25°C (unless otherwise specified)

Symbol Parameter Min Typ Max Units Conditions
V(BR)DSS Drain-to-Source Breakdown Voltage 30 ––– ––– V VGS = 0V, ID = 250μA
ΔV(BR)DSS/ΔTJ Breakdown Voltage Temp. Coefficient ––– 0.027 ––– V/°C Reference to 25°C, ID = 1mA
––– 2.6 3.0 VGS = 10V, ID = 38A e
RDS(on) Static Drain-to-Source On-Resistance
––– 3.3 4.0
mΩ
VGS = 4.5V, ID = 30A e
VGS(th) Gate Threshold Voltage 1.0 ––– 2.5 V VDS = VGS, ID = 250μA
––– ––– 50 VDS = 30V, VGS = 0V
IDSS Drain-to-Source Leakage Current ––– ––– 20 μA VDS = 24V, VGS = 0V
––– ––– 100 VDS = 24V, VGS = 0V, TJ = 125°C
Gate-to-Source Forward Leakage ––– ––– 200 VGS = 20V
IGSS nA
Gate-to-Source Reverse Leakage ––– ––– -200 VGS = -20V
Dynamic @ TJ = 25°C (unless otherwise specified)

gfs Forward Transconductance 76 ––– ––– S VDS = 15V, ID = 30A
Qg Total Gate Charge ––– 75 110 ID = 30A
Qgs Gate-to-Source Charge ––– 24 ––– nC VDS = 15V
Qgd Gate-to-Drain ("Miller") Charge ––– 37 ––– VGS = 4.5V f
QOSS Output Gate Charge 61 92 VGS = 0V, VDS = 15V
RG Gate Resistance 0.5 ––– 3.4 Ω
td(on) Turn-On Delay Time ––– 16 ––– VDD = 15V
tr Rise Time ––– 160 ––– ID = 30A
ns
td(off) Turn-Off Delay Time ––– 40 ––– RG = 1.8Ω
tf Fall Time ––– 57 ––– VGS = 4.5V e
Ciss Input Capacitance ––– 5890 ––– VGS = 0V
Coss Output Capacitance ––– 3130 ––– pF VDS = 15V
Crss Reverse Transfer Capacitance ––– 630 ––– ƒ = 1.0MHz
Avalanche Characteristics
Symbol Parameter Typ Max Units
EAS Single Pulse Avalanche Energy d ––– 1530 mJ
IAR Avalanche Current c ––– 46 A
Diode Characteristics
IS
Continuous Source Current
––– ––– 260 h A
MOSFET symbol
(Body Diode) showing the
ISM
Pulsed Source Current
ch ––– ––– 1040 h integral reverse
(Body Diode) p-n junction diode.
––– 0.80 1.3 TJ = 25°C, IS = 30A, VGS = 0V e
VSD Diode Forward Voltage
––– 0.68 –––
V
TJ = 125°C, IS = 30A, VGS = 0V e
trr Reverse Recovery Time ––– 75 110 ns TJ = 25°C, IF = 30A, VR = 0V
Qrr Reverse Recovery Charge ––– 140 210 nC di/dt = 100A/μs e
trr Reverse Recovery Time ––– 78 120 ns TJ = 125°C, IF = 30A, VR = 20V
Qrr Reverse Recovery Charge ––– 160 240 nC di/dt = 100A/μs e
2 www.irf.com © 2013 International Rectifier June 21, 2013
Résumé
L’énergie solaire photovoltaïque est l’une des sources l’énergie la plus utilisée parmi les
énergies renouvelables. Afin d’utiliser cette énergie de manière optimale, le système pho-
tovoltaïque (PV) doit fonctionner à son point de puissance maximale (MPPT). La méthode
classique MPPT, telle que le Perturb and Observe, offre des performances acceptables dans
des conditions d’irradiance et de température constantes. Cependant, elle rencontre des dif-
ficultés lorsqu’il s’agit de suivre les variations climatiques. En revanche, la méthode utilisant
un RNA est considérée comme une technique d’estimation rapide, précise et robuste. Dans
ce travail, nous avons conçu un contrôleur MPPT basé sur un réseau de neurones artifi-
ciels (RNA). Afin d’optimiser les performances, nous avons modélisé le système PV avec
un convertisseur cuk. Nous avons analysé les performances du MPPT basé sur le Perturb
and Observe ainsi que celles du MPPT basé sur le RNA pour des conditions climatiques
constantes et variables à l’aide du logiciel Matlab/Simulink. De plus, nous avons implé-
menté le MPPT basé sur le RNA sur un microcontrôleur afin de mener des expérimenta-
tions.
Mots clés : photovoltaïque, Contrôleur MPPT, algorithme P&O, MPPT basé sur RNA,
convertisseur cuk
Abstract
Photovoltaic solar energy has become the most widely used of all renewable energies. In
order to use this energy optimally, the photovoltaic (PV) system must operate at its maxi-
mum power point (MPPT). The classic MPPT method, such as P&O, offers acceptable per-
formance under constant irradiance and temperature conditions. However, it encounters
difficulties when it comes to tracking climatic variations. In this work, we have designed an
MPPT controller based on an artificial neural network (ANN). To optimize performance,
we modeled the PV system with a cuk converter. We analyzed the performance of the
Perturb and Observe-based MPPT as well as the RNA-based MPPT for constant and vari-
able weather conditions using Matlab/Simulink software. In addition, we implemented the
RNA-based MPPT on a microcontroller for experimental purposes.
Key words: Photovoltaic, P&O MPPT controller, RNA based MPPT, cuk converter
xiii

Output

Transféré par

Droits d'auteur :

Formats disponibles

Output

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Output

Transféré par

Droits d'auteur :

Formats disponibles

RÉPUBLIQUE DU BÉNIN

MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEUR

UNITE UNIVERSITAIRE A COTONOU

Option : Électrotechnique Automatisme et Système de Production (EASP)

Modélisation et recherche du point de

Soutenu le 23 Juin 2023

Jury composé de:

Examinateur : Dr Jacques AREDJODOUN, Enseignant à l’Ecole Polytechnique d’Abomey Calavi (EPAC)

Année Académique : 2022-2023

L’Université Catholique de l’Afrique de l’Ouest (UCAO) n’entend donner ni approbation ni

Mahouton Brice SEDAGONDJI

Nous tenons particulièrement à remercier :

• le Père Président de l’UCAO-UUC et toute l’administration ;

• le Professeur Dansou KOSSOU, Directeur Académique de L’Ecole de Génie Electrique

• Dr (MC) Sossou HOUNDEDAKO Directeur de L’Ecole de Génie Electrique et Infor-

• Dr Carlos AGOSSOU, Directeur Adjoint de L’Ecole de Génie Electrique et Informa-

• Dr (MC) Richard Gilles AGBOPKANZO, notre maître de mémoire pour sa disponibi-

• les enseignants Maurel AZA-GNANDJI, Gabin DIDAVI, Patrick SOTINDJO, Patrice

• mesdames et messieurs, TCHOKPON Marie-Rose, Chakiratou ZIBO, Marc Edem DAN-

2 Modélisation du système PV et développement du MPPT 30

3 Simulation de l’ensemble PV-MPPT 46

4 Réalisation d’un système de commande du MPP par réseau de neurone 65

1.1 Radiation horizontale globale au Bénin [1] . . . . . . . . . . . . . . . . . . . . 5

2.1 Circuit électrique équivalent d’une cellule photovoltaïque. . . . . . . . . . . . 31

2.13 Schéma synoptique du procédé d’apprentissage . . . . . . . . . . . . . . . . . 42

3.1 Schéma bloc sous Simulink du PV Array . . . . . . . . . . . . . . . . . . . . . . 48

3.27 Résultats de simulation de la tension du GPV avec la méthode RNA . . . . . 60

4.1 Schéma global du système PV optimiser par la commande MPPT (RNA) . . . 66

1.1 Rapports de transformation des principaux convertisseurs DC-DC . . . . . . 17

3.1 Caractéristique électrique du module photovoltaique YL80Wp . . . . . . . . . 47

4.1 Paramètres du convertisseur cuk . . . . . . . . . . . . . . . . . . . . . . . . . . 66

ASECNA : Agence pour la Sécurité de la Navigation Aérienne

DC : Courant alternatif (Alternative Current)

DC : Courant continu (Direct Current)

GPV : Générateur photovoltaique

Icc : Courant de court - circuit (A)

Imax : Courant qui correspond à la puissance maximale (A).

Iopt : Courant optimal (A)

Iph : Photo-courant (A)

Ipv : Courant de sortie du générateur photovoltaïque.

MOSFET : Metal Oxide Semiconductor Field Effect Transistor

MPP : Maximum power point

MPPT : Maximum power point tracking

MVP : Module photovoltaique

PPM : Point de puissance maximale

Ppv : Puissance de sortie du générateur photovoltaïque.

q: charge électrique élémentaire

RNA : Réseaux de neurone artificielle

T: Température absolue (K)

Tc : Température de la cellule (C°)

Vmax : Tension qui correspond à la puissance maximale (V)

Voc : Tension de circuit ouvert (V).

Vopt : Tension optimale (V)

Vpv : Tension de sortie du générateur photovoltaïque.

P&O : Perturbation et observation

1.1 Potentiel en énergie solaire photovoltaïque au Bénin

à connaître la plus longue durée d’insolation.

• A petite échelle : assurer l’éclairage, la cuisine et le chauffage de l’eau ;

• Au niveau communautaire : permettre la conservation des vaccins, le pompage et

• A grande échelle : permettre la production d’électricité et les télécommunications.