Professional Documents
Culture Documents
Dédicace
Remerciement
Introduction Générale......................................................................................................1
Introduction générale
Introduction générale 2014
Introduction générale
La sécurité des systèmes électro-énergétiques à la suite des perturbations qui
est due à l’amortissement et des oscillations de la tension d’un générateur électrique a
des grandes préoccupations car elles peuvent affecter tous le système électrique.
Au fil des années, de nombreuses techniques ont été proposées pour le réglage
des paramètres PID. Les techniques classiques comme (ziegler-nichols, et le pôle de
lieu) et les techniques avancées (variance minimum, les horaires de gain) . Quelques
inconvénients de ces techniques de contrôle pour l'accord de régulateurs PID sont : (i)
le nombre excessif de règles pour définir les gains, (ii) l'insuffisance dynamique des
réponses en boucle fermée, (iii) la difficulté à faire face à des processus non linéaires,
et (iv) la complexité mathématique de la conception de commande.
Etant donné que le réglage optimal de gains du régulateur PID est un problème
d'optimisation multimodale et plus complexe en raison de la non-linéarité et de temps
de la variabilité du fonctionnement du système dans le monde réel. Par conséquent,
Organisation mémoire
Notre travail est organisé comme suit :
Le premier chapitre est consacré à la présentation des alternateurs et les
systèmes d’excitation et des généralités sur les régulateurs PID ainsi qu’à la
présentation de la problématique notre travail.
Dans le deuxième chapitre est consacré à la présentation des systèmes AVR,
leurs constituants ainsi qu’au développement du modèle mathématique d’un AVR
dans le but de simuler et d’étudier son comportement.
Chapitre I
I.1 Introduction
La plupart des structures d’excitation tirent leur énergie sous forme mécanique à
partir de La ligne d’arbre dans les deux premiers cas, ou directement de la GP sous
forme électrique pour le troisième cas.
puissance vers la roue polaire s’effectue par l’intermédiaire de bagues et de balais sur la
GP.
Cette structure a une réponse plus rapide que celle précédente, mais le système
bagues-balais possède plusieurs inconvénients (maintenance, étincelles, ...). En plus,
avec l’augmentation de la puissance transmise vers la roue polaire, le design du système
bagues-balais devient plus difficile.
On note que cette structure est très utilisée dans les applications d’aéronautiques
Son avantage principal est l´élimination du système bagues-balais, ce qui permet de
réduire les coûts de maintenance.
Dans les systèmes les plus anciens, la régulation de la tension était entièrement
Manuelle en utilisant un rhéostat qui servait à faire varier la tension de la roue polaire.
En 1940, on a commencé à utiliser le régulateur électromécanique (Silverstat par
exemple) qui fait la régulation automatique tout en agissant mécaniquement sur un
rhéostat pour la variation de la tension de la roue polaire.
stabilité statique apériodique, mais l’application des grandes valeurs des gains, a montré
un inconvénient très grave, par apparition d’un phénomène " auto -oscillatoire", et donc
la destruction de la stabilité du système.
Dans les années 50, est après plusieurs recherches et expérimentations pour
assurer la stabilité des systèmes électro-énergétique (SEE), les résultats d’études ont
amenés à élaborer les régulateurs automatiques d’excitation à forte action AVR – PSS,
qui sont caractérisés par des grandes valeurs de gains, on introduisant dans la loi de
régulation des signaux de stabilisation par première et deuxième dérivée des paramètres
du régime.
Est qui ont permet d’assurer des grandes limites de la stabilité statique et dynamique, et
des coefficients d’amortissements importantes des oscillations électromécaniques.
L’utilisation des AVR - PSS a permis de garantir un large domaine de la stabilité
apériodique des systèmes énergétiques de structures complexes avec des très grandes
performances de la pratique des régimes oscillatoires.
( ) = ( ) ( )
= Gain dérivative
I 0 ≠0 0
PI ≠0 ≠0 0
PD ≠0 0 ≠0
PID ≠0 ≠0 ≠0 ( + )
La variation réelle utilisée dépend des spécifications à respecter. Dans tous les cas,
sauf contrôleur proportionnelle, le PID présente un pôle et au moins un zéro.
Pour un système à une unité de rétroaction donné par la figure I.11 Les étapes à suivre
sont :
Type PID Kp Ti Td
P 0.5Kc 0
PI 0.45Kc Tc/1.2 0
PID 0.6Kc Tc/2 Tc/8
Tableau I.2 détermination des gains de régulateur PID
I.7 Conclusion
Dans ce chapitre, nous avons donné un aperçu théoriques sur les alternateurs
ainsi que leurs systèmes d’excitations dans un premier lieu, ensuite nous avons exposé
de brefs rappels sur les régulateurs PID qui sont largement utilisés dans les AVR’s.
Ce qui nous a permet de dégager la problématique que l’on se propose à résoudre
dans le cadre du présent travail. Le chapitre suivant sera entièrement consacré pour le
développement de la métaheuristique qui sera utilisé par la suite comme outil
d’optimisation des gains de régulateurs PID associé à un AVR pratique.
Chapitre II
II.1 Introduction
Une autre partie qui nécessite une régulation est bien la tension au borne de
générateur, En fonctionnement normal le niveau de tension doit être maintenu
constant ou à l'intérieur de certaines limites, Ce résultat est obtenu avec un régulateur
automatique de tension, (AVR). En surveillant en permanence la tension au borne de
générateur et d'utiliser cette information en tant que signal de contre-réaction.
référence désirée Vref pour produire l'erreur de tension ∆V, Cette erreur est ensuite
amplifié et utilisé pour modifier la sortie d'excitateur, et par conséquent modifier le
courant d’excitation de générateur, de sorte que l'erreur de tension soit éliminée.
Représente un système de commande typique en boucle fermée. Le processus de
régulation est stabilisé à l'aide d'une boucle de rétroaction pris directement à partir
d’amplificateur ou de l’excitateur.
Bobine Excitateur
Générateur
d’excitation
Signal d’excitation
Transformateur
Générateur
d’impulsion
Module
Transfo
Sortie ACR logique mesure
d’isole
Reference ACA
d’impulsion. Lorsque l’AVR est en mode automatique, ce signal entre en jeu et pris
en compte au niveau de l’étage de génération du signal d’excitation. Alors le signal
d’excitation en fonction du signal de commande ACR du module LOGIC.
La figure (II.5) représente le schéma synoptique simplifié du module LOGIC.
- +
Avec : et = On a : Vd =V - V = 0 /
V+=0 Donc : V − =V + = 0
VE=R2I , VS=-R1I
=- ………………………………………………………… (II.2)
Vd =V- - V+= 0 → V- = V+
=( + )
b- Le détecteur d’erreur
+ +
1) Calcul de
On a: V- = R133 I - Vs
VT = R133 I
VS= ↔I=
D’où : = ,
2) Calcul de
3) Calcul de
Premier étage
On a: V+=V-
Deuxième étage
C2 // C3= C2 +C3 =C
=- ……………….………………………………………. (II.6)
Troisième étage
= ……………………………………………………(II.7)
- Ajusteur automatique.
- Ajusteur manuel.
Le régulateur doit être muni d’un signal de stabilisation qui est introduit au niveau
du sommateur de la tension de consigne et de la mesure de tension.
Comme il est montré dans la figure II.18 le système AVR se compose de 4 éléments
principaux [13] :
1- l’amplificateur
2- l’excitateur
3- le générateur
4- le capteur
Il est notée que l’erreur de tension Ԑ= Vref -V
-Pour le comparateur on a : Δ|V|ref - Δ|V| = Δe
La transformée de Laplace pour cette équation est :
Δ|V| ref (s) - Δ|V| (s) = Δe (s)…..................................................................... (II.8)
1- Pour l’amplificateur on a :
ΔVR = KA ΔE ou KA est le gain d’amplificateur
La transformée de Laplace pour cette équation est :
ΔVR (s) = KA Δe (s)…...................................................................................... (II.9)
……………………………………………………. (II.10)
on a :
Alors ………………………………(II.11)
…………………………………………… (II.13)
Dont et =
Les constantes de temps TA de 0.02 jusqu'à 0.1 sec et Te de 0.4 jusqu'à 1 sec.
3- Le model de générateur :
La tension d’excitation de générateur :
D’où
Alors
= = …………………………………. (II.16)
et ………………………………………………… (II.17)
On peut faire une synthèse des éléments de modèle AVR avec les fonctions de
transfert et la limite de ces paramètres dans le tableau suivant :
Amplificateur ;
Excitateur ;
Générateur ;
Capteur
II.6 Conclusion
Dans ce chapitre nous avons présenté de façon détaillée la structure du système
AVR (régulateur automatique de tension), pour définir le mode de la régulation
automatique et les différents module de l’AVR, on a basé notre étude sur le module
logique car c’est le module régulateur. L’AVR est toujours associer un régulateur PID
(Proportionnel Intégral dérivative). Nous avons constaté aussi, que l’étude et
l’utilisation d’un contrôleur d’excitation type stabilisateur des systèmes de puissance
‘PSS’ permettant un amortissement supplémentaire afin d’améliorer la performance
du système électro-énergétique en terme de stabilité. le modèle mathématique établi
dans ce chapitre a pour but de simuler l’AVR à l’aide de MATLAB pour investiguer
son comportement dans les prochains chapitres.
Chapitre III
III.1 Introduction
Les premières métaheuristiques datent des années 1980, et bien qu’elles soient
d’origine discrète, on peut les adapter à des problèmes continus et vice versa. Elles
sont utilisées généralement quand les méthodes classiques ont échoué. Le terme
métaheuristique est utilisé par opposition aux heuristiques particulières pour un
problème donné. Les métaheuristiques peuvent être utilisées pour plusieurs types de
problèmes, tandis qu’une heuristique est adaptée à un problème donné.
Les métaheuristiques ne sont pas des méthodes figées ; il n’y a pas de relation d’ordre
quant à l’efficacité d’un algorithme ou d’un autre, cela dépend plutôt des paramètres
utilisés, de l’application elle-même ou du problème.
III.2.1 Définition
Elles ont l’avantage, décisif dans le cas continu, d’autre directes, c’est à dire
qu’elles ne recourent pas au calcul, souvent problématique, des gradients de la
fonction objectif ; elles sont inspirés par des analogies ; avec la physique
(recuit simulé, diffusion simulé), avec la biologie (algorithmes génétiques,
III.2.2 Terminologies
Par définitions les heuristiques sont des règles utilisent les résultats passes et
leurs analogies afin d’optimiser leurs recherches futures en examinant d’abord les cas
les plus possible. Les heuristiques disposes d’une simplicité et d’une rapidité dans
leur exécution que les algorithmes classiques.
Bien que l’obtention d’une solution optimale ne soit pas garantie, l’utilisation
d’une Méthode heuristique offre de multiples avantages par rapport à une méthode
exacte :
une méthode exacte est souvent beaucoup plus lente qu’une méthode
heuristique, ce qui engendre des coûts informatiques supplémentaires et des
difficultés au niveau du temps de réponse.
Les principes de recherche qui sont à la base d’une méthode heuristique sont
en général plus accessibles aux utilisateurs non expérimentés.
Le manque de transparence qui Caractérise certaines Méthodes exactes
Nécessite une intervention régulière de la part d’un spécialiste voire même du
concepteur de la méthode.
Une méthode heuristique peut être facilement adaptée ou combinée avec
d’autres types de méthodes. Cette flexibilité augmente considérablement les
possibilités d’utilisation des méthodes heuristiques.
elles sont, au moins pour partie, stochastiques : cette approche permet de faire
face à l'explosion combinatoire des possibilités ;
souvent d’origine discrète, elles ont l'avantage, décisif dans le cas continu,
d'être directes, c'est -à- dire qu'elles ne recourent pas au calcul, souvent
problématique, des gradients de la fonction objectif ;
Elles partagent aussi les mêmes inconvénients : les difficultés de réglage des
paramètres de la méthode, et le temps de calcul élevé.
fonctionnent plus ou moins de façon hasardeuse cet inconvénient est compensé par la
diminution de l’espace de travail local à chaque itération.
1) La diversification,
2) L'amélioration,
3) La Référence set mise à jour,
4) la génération de sous-ensemble, et la combinaison de solutions.
5) L'idée de base derrière la méthode de recherche de dispersion.est de combiner
les bonnes solutions qui sont découverts par la métaheuristique.
III.3.1 Diversification
III.3.2 Amélioration
Les métaheuristiques les plus classiques sont ceux fondes sur la notion de
parcours. Dans ce type d’algorithme ce dernier fait évoluer une seule fonction
objective sur l’espace de recherche local à chaque itération puis la compare aux
optimums. La compréhension de la notion de voisinage est alors nécessaire. Les plus
connues dans cette classe sont le recuit simule et la recherche de tabous.
l’algorithme du kangourou,
la méthode de Fletcher et Powell,
la méthode du bruitage,
la tunnelisation stochastique,
l’escalade de collines à recommencements aléatoires,
la méthode de l'entropie croisée.
III.5.1 Inspiration
Les lucioles (en anglais firefly) sont de petits coléoptères ailés capables de
produire une lumière clignotante froide pour une attraction mutuelle. Les femelles
peuvent imiter les signaux lumineux d’autres espèces afin d’attirer des mâles qu’elles
capturent et dévorent. Les lucioles ont un mécanisme de type condensateur, qui se
décharge lentement jusqu'à ce que certain seuil est atteint, ils libèrent l'énergie sous
forme de lumière. Le phénomène se répète de façon cyclique [10].
Toutes les lucioles sont unisexes, donc les lucioles seront attirées par d'autres
lucioles indépendamment de leur sexe.
L'attractivité est proportionnelle à la luminosité d'une luciole. Ainsi, pour
deux lucioles clignotants, moins lumineux se déplacera vers le plus lumineux,
et diminue si la distance augmente. S'il n'y a pas plus brillant que l’autre
luciole, il va se déplacer de manière aléatoire.
La luminosité d'une luciole est déterminée par la fonction objective.
FHC Page 49 MAEI_09
CH III Généralités sur les Metaheuristiques et le firefly algorithme 2014
( ) ……………………………………(III.1)
Où Is est l'intensité à la source. Pour un milieu donné avec une lumière fixe du
coefficient d’absorption de l'intensité lumineuse varie en fonction de la distance r :
…………………………………. (III.2)
( ) ……………………………(III.3)
....…………………………………(III.4)
( )…………………………(III.5)
La distance entre deux lucioles i et j soit xi et xj respectivement, est la distance
cartésienne :
√∑ ( ) ……………………… (III.6)
Le mouvement d'une luciole i attiré par une autre, plus attrayant (plus
lumineux) de la luciole j est déterminée par :
……………………………… (III.7)
( ) ……………………………… (III.8)
………..……………………………… (III.9)
FA classique
FA modifie FA hybride
élitiste stratégie d’aigle
binaire algorithmes génétiques
gaussienne évolution différentielle
vols de prélèvement algorithme mimétique
chaos réseau de neurones
multi-population cellulaires
Colonie de fourmis
regroupement
harmonique recuit simulé
stratégies évolutives
Figure III.3 les variantes de l'algorithme de luciole
III.5.6.1 FA modifie
III.5.6.2 hybrides FA
L’algorithme de luciole a été utilisé dans presque tous les domaines des
sciences et de l’ingénierie : l’optimisation, classifications, problème du voyageur de
vendeur, de planification, de traitement d’image, et techniques conceptions. Certains
domaines d'application sont plus théoriques, tandis que d'autres ont mis l'accent sur la
résolution des problèmes du monde réel. On va concentrer sur trois grands domaines
d'applications : optimisation, classification et conceptions d’ingénierie.
1) Optimisation
L'algorithme de luciole a été appliqué dans les classes suivantes de problèmes :
continue,
combinatoire,
contrainte,
multi- objectif,
multi- modal,
dynamique et bruyant.
Problèmes d'optimisation continue concernent souvent un ensemble de nombres ou de
fonctions réelles, tandis que dans les problèmes d'optimisation combinatoire, des
solutions sont recherchées à partir d'un ensemble fini ou infini, généralement des
entiers, des ensembles, des permutations, ou graphiques. La dernière classe de
problèmes d'optimisation peut aussi être appelée optimisation discrète.
Les solutions aux problèmes de contraintes doivent obéir à certaines limites
(également connu sous contraintes).
Dans les problèmes multi-objectifs, la qualité d'une solution est définie par sa
performance par rapport à plusieurs, peut-être contradictoires, objectifs.
D'autre part, pour les problèmes multimodaux il y a un (grand) nombre de modes
locaux qui sont mieux que toutes les solutions voisines, mais qui n'ont pas une aussi
bonne condition physique que l’optimale globale solution.
Les problèmes dynamiques et bruyants sont non stationnaires. Autrement dit, ils
changent au fil du temps.
2) Classifications
Les algorithmes de classification sont les procédures de sélection d'une hypothèse
à partir d'un ensemble d’alternatives qui correspond le mieux à un ensemble
d'observations ou de données. Habituellement, ces algorithmes sont plus pertinents
dans l'apprentissage automatique, l'exploration de données et les réseaux de neurones.
3) Ingénierie
L'algorithme de luciole est devenu l'un des outils les plus importants pour
résoudre les problèmes d'optimisation de conception dans la pratique de l'ingénierie
de routine. Presque tous les domaines de l'ingénierie (traitement d’image, robotique,
chimie, génie civil…etc.) a été couvert par les applications de cet algorithme.
III.6 Conclusion
Dans ce chapitre, nous avons décrit les méthodes d’optimisation basées sur les
métaheuristiques en les divisant en deux classes : les méthodes à solution unique et les
méthodes à population de solutions.
L'algorithme de luciole utilise le procédé de l'attraction en fonction de la
luminosité des lucioles pour optimiser une fonction objective. Des recherches
antérieures ont montré que l'algorithme peut résoudre à la fois problèmes continus et
discrets d’optimisation il peut être étendu à résoudre les problèmes d’optimisation du
monde réel tels que les dessins d’ingénierie, la planification, la sélection de fonction,
les problèmes de voyages, traitement de l’image, les classifications et les applications
industrielles. Le prochain chapitre sera entièrement consacré à l’application de notre
algorithme sur un système AVR pratique en vue d’améliorer ces caractéristiques
dynamiques.
Chapitre IV
IV.1 Introduction
Dans ce chapitre, nous allons exposer est d’une manière détaillée le shcéma
bloc de notre contrôleur FA-PID en vue d’amélioration du comportement dynamique
du système AVR. De plus, l’efficacité du contrôleur proposé sera examinée à travers
une comparaison avec un autre régulateur basé sur le PSO.
Le schéma block proposée pour un système AVR utilise un FA-PID est montré sur la
figure IV.1
La fonction objective sert à calculer les réponses globales pour chaque valeur
des gains de régulateur PID, Et les réponses qui génèrent la valeur objective pour
chaque individu, la fonction est donnée par cette expression :
( ) ( )( ) ( )………………………(IV.1)
∑ …………………………………………………….. (IV.2)
Le but c’est de trouver les paramètres PID qui donnent la valeur minimal de la
fonction objective selon chaque individu sur la période [0, t].
n Nombre de lucioles 20
α Randomisation 0.15
γ Le coefficient d’absorption 1
ρ Le facteur de pondération 1
Les paramètres de schéma block représenté par la Figure IV.1 sont choisis comme
suit [16] :
comparaison nous avons simulé le même système dans la présence de notre régulateur
proposé et ceci pour deux valeur différentes du facteur de pondération (figure IV.4).
tension de mesure Vt
1.6
1.4
1.2
1
data
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
Time (seconds)
Figure IV.3 Réponse à un échelon de tension aux bornes du système AVR sans
régulateur PID.
Figure IV.4 Réponse à un échelon de tension aux bornes du système AVR avec
FA-PID contrôleur.
Figure IV.5 Processus de recherche d’itération sur les paramètres PID pour ρ=1
Figure IV.6 Processus de recherche d’itération sur les paramètres PID pour ρ=1.5
Figure IV.9 Réponse à un échelon de tension aux bornes du système AVR avec
les contrôleurs FA-PID et PSO-PID
On observe bien sur la figure IV.8 que la réponse de système AVR avec le contrôleur
FA-PID est meilleur vis-à-vis le suivi de la consigne que celle de PSO-PID. De plus
on constate d’après le tableau IV.3 que la réponse pour un échelon de tension de
système AVR avec le contrôleur FA-PID a un temps de montée et de stabilisation plus
petit que celle de contrôleur PSO pour chaque valeur de facteur de pondération.
1.5 100 PSO-PID 0.6300 0.4538 0.2276 0 0 0.4300 0.3000 4.1812 8.9322
Tableau IV.3 les meilleures solutions en utilisent les contrôleurs PSO-PID et FA-PID
IV.4 Conclusion
A travers les résultats de simulation nous avons constaté que le contrôleur FA-
PID proposé pourrait effectuer une recherche efficace sur les paramètres optimaux du
régulateur PID (proportionnel intégrateur dérivé) pour un système AVR pratique. En
outre, les résultats de simulation démontrent que la méthode de réglage des
paramètres PID en utilisant l'algorithme de luciole peut améliorer les performances du
système AVR en termes de précisions et des caractéristiques dynamique du système
par rapport à celle de PSO. De plus il est à signaler que notre algorithme présente
l’avantage de la facilite d’implémentations.
Conclusion générale
Conclusion générale 2014
Conclusion générale
Le régulateur PID est un contrôleur très utilisé pour le control des systèmes
notamment le système AVR et ceci du a son efficacité remarquable et sa simplicité
dans la mise en œuvre. Pour les contrôleurs PID il est très important de régler les
gains de ce contrôleur afin d’avoir une meilleure efficacité des systèmes réglés
cependant, si le réglage n’est pas bon non seulement les performances sont mauvaises
mais aussi tous le système de contrôle deviens inefficace.
Pour cela dans notre travail nous avons opté à résoudre le problème en
utilisant une metaheuristique efficace appelé « algorithme de luciole (FA) », Dans le
processus de réglage des paramètres, le FA réalise une sorte de recherche
tridimensionnel des (gains du PID) au fil des itérations pour obtenir les valeurs
optimales de ces gains quand le contrôleur est appliquer sur un système AVR
pratique.
GP Génératrice principale
Ld L’enroulement de dérivation
Vf Tension d’excitatrice
Vc Tension de compensation
Vt Tension de mesure
If Courant excitation
Ig Courant de générateur
Zc Impédance de compensation
Xc Réactance de compensation
ME Machine excitatrice
Δu Tension statorique
∆V L’erreur de tension
SEE Systèmes électro-énergétique
Kp Gain proportionnel
Ki Gain intégral
Kd Gain dérivative
Ti Temps de réinitialisation
Kc Gain critique
tԐ et ts Le temps de stabilisation
Ԑp Le dépassement
Tr Le temps de montée
Vt terminal voltage
VD Dumping voltage
Ԑ Erreur de tension
KA Le gain d’amplificateur
KE Le gain d’excitateur
KG Le gain de générateur
KS Le gain de capteur
FA Firefly algorithm
I Intensité lumineuse de la luciole
γ Le coefficient d’absorption
β0 l'attractivité a r=0
α le paramètre de la randomisation
Mp le dépassement maximum
Ө la constante aléatoire
ng Nombre de génération
ρ Le facteur de pondération
Liste des Tableaux
[8] Nature-inspired-optimization-algorithms
[10] Metaheuristique des lucioles discrète pour les Flow shop Hybrid
[13] Anarchic society optimization based PID control of an automatic voltage control
Figure IV.3 Réponse à un échelon de tension aux bornes du système AVR sans
régulateur PID………………………………………………………………………56
Figure IV.4 Réponse à un échelon de tension aux bornes du système AVR avec
FA-PID contrôleur………………………………………………………………….56
Figure IV.5 Processus de recherche d’itération sur les paramètres PID pour ρ=1…...62
Figure IV.6 Processus de recherche d’itération sur les paramètres PID pour ρ=1.5…62
Figure IV.9 Réponse à un échelon de tension aux bornes du système AVR avec
les contrôleurs FA-PID et PSO-PID…………………………………………………64
Bibliographie
[8] Nature-inspired-optimization-algorithms
[10] Metaheuristique des lucioles discrète pour les Flow shop Hybrid
[13] Anarchic society optimization based PID control of an automatic voltage control