1

Etude et simulation de différant méthode

MPPT par Matlab.
MEKHLOUFI M.A, Laboratoire de UKM-Ouargla Algérie.
Makhloufi.lotfi@gmail.com;

Sommer - divers point maximum de puissance (MPPT)

basées sur le nombre de sondes exigées, la vitesse de la
convergence, la capacité d'exécuter dans des conditions
bruyantes et ambiant variables a été simulées et discutées.
La stabilité du point maximal sans osciller autour de la
crête a été décrite.

Keywords : Photovoltaïque (PV); point puissance

maximal (maximum power point tracking-MPPT);
Contrôleur logique floue (Fuzzy Logic Controller-
FLC);Algorithme Génétique (AG).
Figure1. Organigramme décrivant l'algorithme de P&O
Figure 1. Organigramme décrivant l'algorithme de P&O
I. INTRODUCTION
Jusqu'ici, un certain nombre d'algorithmes de MPPT ont été
proposés dans la littérature, incluant la méthode perturber-et
observent P&O [1], méthode open- et short-circuit [2],
algorithme incrémental conductance I&C [3], et logique floue
FLC [4]et artificiel neural network –réseau de neurone-. [5]

II. METHODES EXISTANTES DE MPPT

II.1. Perturb-observe (P&O)
La méthode d'perturber-et-observer, également connue sous le
nom de méthode de perturbation, est l'algorithme le plus
généralement utilisé de MPPT dans les produits commerciaux
de PV. C'est essentiellement une méthode d'épreuve et d'erreur
".Le contrôleur de PV augmente la référence pour la puissance
de rendement d'inverseur par un peu, et puis détecte la
puissance réelle de rendement. Si la puissance de rendement
est en effet augmentée, elle augmentera encore jusqu'à ce que
la puissance de rendement commence à diminuer, à laquelle le
contrôleur diminue la référence pour éviter l'effondrement de
l'en raison produit par PV de la caractéristique fortement non
linéaire de PV.
Bien qu'il soit facile mettre en application l'algorithme de
P&O, il a un certain nombre de problèmes, y compris 1) le
système de PV ne peut pas toujours fonctionner au point
maximum de puissance dû au processus lent d'épreuve et
d'erreur, et l'énergie solaire des rangées de PV ne sont pas
entièrement utilisées ainsi; 2) le système de PV peut toujours
fonctionner en mode d'oscillation même avec un état équilibré
de soleil, menant au rendement de fluctuation d'inverseur; et
3) l'opération du système de PV peut ne dépiste pas le point
maximum de puissance dû aux changements soudains du
soleil. [6] [7]
II.2. méthode Ouvert- et de court-circuit
La méthode courante ouvert- et de court-circuit pour la
commande de MPPT est basée sur la tension et le courant
terminaux mesurés des rangées de PV [2]. En mesurant le
courant de tension d'ouvrir-circuit ou de court-circuit en temps
réel, le point maximum de puissance de la rangée de PV peut
être estimé avec les courbes courant-tension prédéfinies de PV.
Cette méthode comporte une réponse relativement rapide, et ne
cause pas des oscillations dans l'état d'équilibre. Cependant,
cette méthode ne peut pas toujours produire la puissance
maximum disponible à partir des rangées de PV dues à
l'utilisation des courbes prédéfinies de PV qui souvent ne
peuvent pas efficacement refléter la situation en temps réel due
aux caractéristiques de PV et aux conditions atmosphériques
non-linéaires. En outre, la mesure en ligne de la tension de
circuit-ouvert ou le courant de court-circuit cause une
réduction de rendement.
II.3. Algorithme Incrémentale Conductance I&C
La tâche principale de l'algorithme par accroissement de
conductibilité est de trouver le dérivé de la puissance de
rendement de PV en ce qui concerne sa tension de rendement,
celle est dP/dV [3]. La puissance maximal de PV peut être
réalisée quand dP/dV approches de zéro. Le contrôleur calcule
dP/dV basé sur la puissance mesurée et la tension de sortie
incrémentale de PV.
Si dP/dV n'est pas étroitement zéro, le contrôleur ajustera la
tension de PV point par point jusqu'à ce que dP/dV approche
zéro, auquel la rangée de PV atteint son puissance maximum.
L'avantage principal de cet algorithme au-dessus de la méthode
de P&O est son processus de cheminement de puissance
 2

rapide. Cependant, il a l'inconvénient de l'instabilité possible III. RESULTATS DE SIMULATION

de rendement due à l'utilisation de l'algorithme dérivé.
En outre le procédé de différentiation sous les niveaux bas III.1. LA SIMULATION DE PERTURBENT ET
de l'insolation devient difficile et les résultats sont insuffisants OBSERVENT L'ALGORITHME (P&O)
.
Discre te ,
Ts = 5e -006 s.
XY Graph
powe rgui
Terminator
Diode1
Scope2
m
+ -i a +
Pb
- v
i k

+
V1 Scope1
C ontrolled C urrent Source L1

s
-
25 Subsystem1

C
T
T + Diode IGBT
S I - v C1 C

m
Vpv array

E
800 Uout

Scope
Scope3
V
D CONTROL SIGNAL
I

mppt PO

Afin d'évaluer l'exécution de l'algorithme de P&O, un module

Figure 2. Organigramme décrivant l'algorithme de I&C
de PV avec une puissance maximal de 1273Wc watt-crêt, le
courant de court circuit (ISC) 25.44 A et la tension de circuit
ouvert (Voc) 66V dans des conditions d'essai standard
d'irradiance (G = 1000w/m2) et de température (NOCT) de
25°C avec hacheur élevateur-boost- de (C1=C2=2000μF;
L=10mH) ont été simulés en utilisant MATLAB.
L’insolation –l’irradiance- :
1100
Ir
PV_PO/Irradiance (W//m2) : Ramp-up/down Irradiance

1000

900

800

700

II.4. Algorithmes Logique Floue –FLC- et autre 600

500

Puisque la rangée de PV montre une caractéristique courante 400

300

non linéaire de tension ou de puissance-tension, son point 200

maximum de puissance change avec l'insolation et la 100

0
0 0.5 1 1.5 2 2.5 3

température. Certains algorithmes tels que la logique floue ou Time (sec)

la commande artificielle de réseau neurologique avec non

linéaire et adaptatif en nature ont adapté la commande de PV.
Par la connaissance basée les règles brouillées, commande
brouillée peuvent dépister le point maximum de puissance [4].
Une commande de neural-réseau fonctionne comme un modèle
de boîte noire, n'exigeant aucune information détaillée sur le
système de PV. Après étude de la relation entre la tension de
puissance de tension maximum de point et circuit ouvert ou
l'insolation et la température, la commande de réseau
neurologique peut dépister le point maximum de puissance en
ligne.
L'inconvénient de ces commandes est le coût élevé de
l'exécution dû aux algorithmes complexes qui ont besoin Figure 3. I=f(V) caractéristique I-V de PV
habituellement d'un DSP en tant que leur plateforme de calcul Rapport cyclique D :
[7]. 0.7

0.6

0.5
Duty OFcn

0.4
P

0.3

0.2

0.1

0
0 0.5 1 1.5 2 2.5 3 3.5
time (sec) x 10
4

Vpv ;Ipv et Ppv en fonction de temps

 3

100 100

90

80 80

70
60
60
Vpv (volt)

Vpv (volt)
50
40
40

30 20
20

10 0

0
0 1 2 3 4 5 6 7
time (sec) 5 -20
x 10 0 1 2 3 4 5 6 7
time (sec) x 10
5

30

50
25

20 40

15
30
Ipv

Ipv (Ampier)
10

20
5

0 10

-5
0 1 2 3 4 5 6 7
0
time (sec) 5
x 10

1200
-10
0 1 2 3 4 5 6 7
time (sec) x 10
5
1000

800 1200

600 1000
Ppv

400 800

200

Ppv (watt)
600

0
400

-200
0 1 2 3 4 5 6 7
200
time (sec) 5
x 10

Figure 4. Vpv ; Ipv et Ppv en fonction de temps 0

-200
0 1 2 3 4 5 6 7
time (sec) x 10
5

Vload : Figure 6. Vpv ; Ipv et Ppv en fonction de temps

120

100
Vload :
80
450
Vload

400
60
350

40 300
Vload (volt)

250
20
200

0 150
0 1 2 3 4 5 6 7
time (sec) 5
x 10 100

Figure 5. Vload – la charge – 50

L'avantage principal de la méthode de P&O est qu'il est facile 0 1 2 3

time (sec)
4 5 6
x 10
7
5

de mettre en application, c'est à la basse complexité de calcul Figure 7. Vload – la charge –

et il est applicable pour la plupart des systèmes de PV. Il
n'exige aucune information sur la rangée de PV excepté la
tension mesurée. Pour cette raison, le P&O est un de la
méthode le plus souvent utilisée de MPPT de nos jours. Les
deux problèmes principaux du P&O sont les oscillations autour
du MPP en états d'état d'équilibre comme le montre la figure 4,
et des pauvres dépistant (probablement dans la direction
fausse, loin de MPP) sous des irradiations changeantes
rapidement.
III.2. LA SIMULATION DE L'ALGORITHME
(I&C)
L’algorithme par accroissement de la conductibilité (I&C) est
semblable à l'algorithme de P&O. il emploie le rapport
instantané du courant et de la tension (i/v) et la conductibilité
par accroissement di/dv pour obtenir le MPP. L'organigramme
de l'algorithme I&C est montré dans figure. 2. Il a
l'inconvénient du cheminement dans la direction fausse
pendant des irradiations changeantes rapidement et de bas états
d'irradiance. La simulation pour un MPP dépistant pour une
irradiance varie de 1000 jusqu'a 200w/m et d'une erreur
acceptable de seuil de 35 e-6.
Vpv ; Ipv et Ppv en fonction de temps
L’I&C. Produit le rendement le plus élevé. D'autre part, si
l'irradiance diminue, l'efficacité de I&C est également
diminuée et détériore plus loin aux niveaux très bas
d'irradiance.
III.3. LA SIMULATION DE L'ALGORITHME
Logique Floue FLC
Conception de contrôleur de logique floue
La commande de logique floue est développée à l'aide de la
boîte à outils fuzzy toolbox de matlab/simulink. Les entrées au
contrôleur de logique floue sont E et dE avec E=V/I.
Le changement de la contribution de D (duty-cycle) est la
sortie. Par adhésion triangulaire des fonctions (membership)
sont décrites les variables de logique floue. Les fonctions
triangulaires d'adhésion sont choisies pour la simplicité et la
Figure 8 montre la base (the fuzzy rule) de règle créée dans le
travail actuel basé sur le raisonnement et l'expérience intuitifs.
Des adhésions brouillées, NG, NP, ZE, PP, PG sont définies
comme Négative grand, Négative petit, Zéro, Positive petit,
Positive grand. Le schéma fonctionnel pour le contrôleur de
logique floue est montré sur la Figure 9.
 4

30

25

20

15

Ipv
10

-5
0 1 2 3 4 5 6 7
time (sec) x 10
5

1200

1000

800

Ppv (watt)
600

400

200

Figure 8. Les règles de FLC en surface 0

-200
0 1 2 3 4 5 6 7
time (sec) x 10
5

120

100

80

Vload
60

40

20

0
0 1 2 3 4 5 6 7
time (sec) x 10
5

Figure 10. Vpv ; Ipv ; Ppv et Vload en fonction de temps

L’entrée E III.4. LA SIMULATION DE L'ALGORITHME

Logique Floue Optimisée par Algorithme Génétique
Algorithme génétique
L'optimisation basée par AG [7] est une technique
heuristique adaptative de recherche qui implique la génération,
l'évaluation systématique et le perfectionnement de la solution
potentielle de conception jusqu'à ce qu'un critère d’arrêt soit
rencontré.
Il y a trois opérateurs fondamentaux impliqués dans le
processus de recherche d'un algorithme génétique: choix,
L’entrée dE croisement et mutation. Le choix est un processus qui choisit
un chromosome de la population de la génération courante
pour l'inclusion dans la population de prochaine génération
selon leur forme physique. L'opérateur de croisement combine
deux chromosomes pour produire un nouveau chromosome
(progéniture). L'opérateur de mutation maintient la diversité
génétique d'une génération de population au prochain et vise à
réaliser de la variabilité stochastique de AG afin d'obtenir une
convergence plus rapide.
Les étapes génétiques d'exécution d'algorithme sont indiquées
La sortie dD ci-dessous:
Figure 9. Les entrées et la sortie de FLC Étape 1: Lisez le nombre de modules reliés, de modèle
d'insolation et de température pour chaque module.
100

90
Étape 2: Définissez la fonction objective et identifient les
80

70
paramètres.
60 Étape 3: Produisez de la population initiale.
Vpv (volt)

50

40 Étape 4: évaluez la population par fonction objective.

30

20
Étape 5: Examinez la convergence. Si satisfait alors arrêtez
10

0
continuent autrement.
0 1 2 3 4 5 6 7
time (sec) x 10
5
Étape 6: Commencez le processus de reproduction par
appliquer les opérateurs génétiques: Choix, croisement et
mutation.
Étape 7: évoluez la nouvelle génération. Passez à l'étape 3. [9]
 5

On va essayer dans ce travail de trouver les fonctions 100

d’appartenances optimales en utilisant les AGs, et cela se fait

90

80

par les étapes suivantes : 70

60

Vpv (volt)
1. Choix du critère d’optimisation : Dans ce travail nous 50

40

allons utiliser le critère quadratique à minimiser. 30

J   e 2dt . // e  Pmax  P
20

(1) 10

Ce choix a été fait dans le but d’améliorer le temps de réponse

0 1 2 3 4 5 6 7
time (sec) x 10
5

et de réduire les fluctuations. 30

25

2. Création de la population initiale : 20

La population se compose d’un ensemble d’individus, où 15

Ipv
chaque individu est composé des trois chromosomes : E, CE et 10

dD, chaque chromosome est composé d’un ensemble de gènes. 5

Pour le chromosome E les gènes sont : C1, C2, C3, 0

-5
C4. 0 1 2 3
time (sec)
4 5 6
x 10
7
5

Pour le chromosome CE les gènes sont : C’1, C’2, 1200

C’3, C’4 1000

Pour le chromosome dD les gènes sont : C’’1, C’’2, 800

C’’3, C’’4
600

Ppv
400

-On définit un intervalle de variation de C, C’, C’’ (qui est 200

l’espace de recherche) ; qui varie entre [0.01 0.99]. 0

La forme d’individu qui en résulte est illustrée sur le Tableau1: -200

0 1 2 3
time (sec)
4 5 6 7
5
x 10

Chromosome I Chromosome II ChromosomeVload

III :
C1 C2 C3 C4 C’1 C’2 C’3 C’4 C’’1 C’’2 C’’3 C’’4 120

Tableau1. Forme d’un individu. 100

Les relations entre les Ci, C’i, C’’i et xi, yi, zi sont données par 80

:
Vload

60

 x1  (C 4  C 3).  0.032  40

 
 x 2  C 3.  0.032  20

 x 3  C 1.0.032  0
0 1 2 3 4 5 6 7

  time (sec) 5
x 10

 x 4  (C 1  C 2).0.032  L'efficacité η des algorithmes a été calculée en utilisant

  l'équation suivante:
 y 1  ( C '4  C '3 ).  100  t2
 y 2  C '3.  100 
  ( 2)  Pdt
 y 3  C '1.100    t2 t1
( 3)
 y 4  (C '1  C '2).100 
 
 z1  (C ' '4  C ' '3).  0.032   P max dt
t1
 z 2  C ' '3.  0.032 
 
 z 3  C ' '1.0.032  où le T1 et le T2 sont la mise en train (lever de soleil) et des
 z 4  (C ' '1  C ' '2).0.032  temps d'arrêt (coucher du soleil) du système, respectivement,
 
Afin de trouver l’individu solution (individu optimal) on se P est la puissance de rendement de rangée, et P max est la
limite à chercher les valeurs des gènes qui sont inconnus. Pour puissance maximum théorique de PV. L'intégrale dans eqn. 3 a
atteindre l’optimum global, on prend une grande taille de la été évaluée numériquement et afin de réduire au minimum les
population qui est égale à 100 individus. erreurs d'intégration, une petite étape (3 s) ont été considérés
3. Croisement : Pour le croisement on a utilisé la méthode de [10] [11]. Des résultats moyens d'quotidiennement-efficacité
croisement manipulant des variables continues (croisement pour I&C et les algorithmes de P&O MPPT sont récapitulés
réel), avec une probabilité de croisement Pc=1 et un indice de dans le tableau 2 ainsi que le cas de relier directement la
distribution n=5. charge à PV.
4. Mutation : on a utilisé la méthode de la manipulation de
mutation des variables continues (mutation réelle), avec une Algorithme MPPT efficacité
probabilité de mutation Pm=1/NG =1/12, et un indice de Sans MPPT 31.3 %
distribution n=5. P&O 81.5 %
5. Critère d’arrêt : est quand le nombre de génération I&C 89.9 %
maximal atteint la valeur 50. FLC
Vpv ; Ipv et Ppv en fonction de temps AGFLC
Tableau 2: Comparaison d'efficacité entre les algorithmes de
MPPT
 6

L'utilisation faible de PV dans le cas du raccordement direct Annexe

de charge est due à la disparité entre la charge et le ROPt -
optimal-qui peuvent être considérablement améliorés en
employant MPT. L'augmentation apparente de l'efficacité
réalisée par l'algorithme I&C est en raison de sa capacité de
surmonter les inconvénients d'algorithme de P&O, à savoir
changements atmosphériques rapides suivants et des
oscillations d’éviter autour du MPP.
Habituellement dans la conception de système de PV,
l'inclusion de MPPT dépend de la taille du système et des
caractéristiques de charge. C'est parce que le gain dans le
rendement d'énergie réalisé par MPPT doit être équilibré avec
le coût accru de système. Le rendement plus élevé de
l'algorithme I&C le rendement plus rentable que l'algorithme
de P&O.

IV. CONCLUSION
La simulation du système entier a été faite dans Matlab-
Simulink et ses expositions une excellente exécution des
MPPT, avec la fluctuation négligeable de la tension continue,
cheminement rapide du point optimum de fonctionnement,
L'efficacité du P&O diminue avec d'irradiation faible, mais elle
dépiste le MPP dans les niveaux bas d'irradiance. L'algorithme
P&O n'emploie pas la puissance exacte hors du panneau
solaire, mais une différence de la puissance proportionnelle.
La quantité de la puissance changée n'a aucun effet sur
l'algorithme. Pour cette raison, la puissance exacte hors du
panneau solaire n'est pas exigée.
Des études précédentes avaient combiné deux types de
contrôleurs flous, le premier pour un réglage grossier
applicable surtout durant l’état transitoire et le deuxième plus
fin lorsque la consigne est prêt d’être atteinte. Les contrôleurs
de logique floue conviennent aux problèmes non-linéaires où
le comportement désiré de système en termes de variables
d'entrée et de sortie peut être exprimé comme ensemble de
règles sémantiques. Ils présentent une exécution robuste et une
bonne réponse dans les environnements bruyants. Ces
observations ont été obtenues suite à plusieurs simulations
soumises à différentes conditions environnementales (variation
d’éclairement).
References
[1] K.Chomsuwan et al, 1995; W. Xiao et al, 2004.
[2] T. Noguchi et al., 2002
[3] C. Hua,1998
[4] N. Patcharaprakiti et al.,2006)
[5] A. Torres et al.,1998
[6] Soft computing optimization techniques for solar photovoltaic
arrays-Ramaprabha R. and Mathur B. L. - VOL. 6, NO. 10,
OCTOBER 2011.
[7] Active Power Control For A Single-Phase Grid Connected PV
System -Dalia H Al_Maamoury-MARCH 2013
[8] Goldberg, 1989
[9] Etude, Investigation et conception d’algorithmes de commande
appliqués aux systèmes photovoltaïques-SALAH MOHAMED
AIT-CHEIKH-Magister en Automatique ENP Décembre 2007
[10] Maximum photovoltaic power tracking: an algorithm for rapidly
changing atmospheric conditions- K.H. Hussein, I. Muta, T.
Hoshino, M.Osakada –
[11] 'Evaluation and measurement technology of photo voltaic
systems', -KUROKAWA,K- Researches of The Electrotechnical
Laboratory - Japan, 1993,947, pp. 64-72