Stratégie optimisée de contrôle de statisme assistées par réseaux de neurones pour la gestion des convertisseurs de puissance monophasés dans les micro-réseaux intelligents

Belgana, Saad (2025). Stratégie optimisée de contrôle de statisme assistées par réseaux de neurones pour la gestion des convertisseurs de puissance monophasés dans les micro-réseaux intelligents. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (11MB) | Prévisualisation

Résumé

Dans le contexte des enjeux énergétiques et environnementaux actuels, l’importance stratégique des micro-réseaux, notamment pour l’intégration de ressources énergétiques décentralisées, est indéniable. Ces systèmes se caractérisent par leur capacité à intégrer diverses sources d’énergies renouvelables et à assurer une électrification efficace des sites isolés, constituant ainsi une alternative viable aux systèmes énergétiques centralisés. Toutefois, l’intégration de sources d’énergie renouvelables, notoirement intermittentes, pose d’importants défis en termes de performance, de stabilité et de gestion de la puissance. Cette thèse aborde ces défis, en se concentrant particulièrement sur la gestion des convertisseurs de puissance monophasés au sein des micro-réseaux. Il est proposé une méthode de commande vectorielle, qui a démontré une amélioration significative de la robustesse et de la fiabilité, répondant aux complexités propres aux micro-réseaux. En mode autonome, un système de contrôle de statisme, basé sur les Réseaux de Neurones Artificiels, est développé pour un partage équilibré de la puissance entre les générateurs distribués en parallèle. Ce système offre une régulation de puissance adaptative et précise, particulièrement réactive aux variabilités des sources renouvelables. En mode connecté, une méthode de contrôle de statisme, également basée sur les Réseaux de Neurones Artificiels et conforme à la norme IEEE1547, est introduite. Cette approche garantit une intégration harmonieuse des générateurs distribués au réseau électrique principal, tout en respectant les critères rigoureux de la norme en matière de stabilité et de performance. Pour ces deux modes, les Réseaux de Neurones Artificiels ont été entraînés à partir de données issues de simulations détaillées, et les points d’opération ont été optimisés via une méthode d’optimisation par essaim particulaire. Cette stratégie permet une gestion optimale des micro-réseaux, leur conférant la capacité de s’adapter dynamiquement à la volatilité des sources d’énergie renouvelables. Les résultats obtenus attestent que la stratégie de contrôle proposée améliore significativement la stabilité et la gestion de la distribution de puissance dans les micro-réseaux, tant en mode îlotage qu’en mode connecté. Cette avancée est cruciale pour le développement de systèmes de puissance distribués plus efficaces et performants, facilitant une intégration plus stable et efficiente des énergies renouvelables dans les futurs systèmes de distribution d’énergie.

Titre traduit

Optimized dcoop control strategies assisted by neural networks for single-phase power converter management in smart microgrids

Résumé traduit

In the context of current energy and environmental challenges, the strategic importance of microgrids, particularly for the integration of decentralized energy resources, is undeniable. These systems are characterized by their ability to integrate various renewable energy sources and ensure efficient electrification of isolated sites, thus constituting a viable alternative to centralized energy systems. However, the integration of renewable energy sources, notoriously intermittent, poses significant challenges in terms of performance, stability, and power management. This thesis addresses these challenges, focusing particularly on the management of single-phase power converters within microgrids. A vector control method is proposed, which has demonstrated significant improvement in robustness and reliability, addressing the complexities specific to microgrids. In autonomous mode, a droop control system based on Artificial Neural Networks is developed for balanced power sharing between distributed generators operating in parallel. This system offers adaptive and precise power regulation, particularly responsive to the variabilities of renewable sources. In grid-connected mode, a droop control method, also based on Artificial Neural Networks and compliant with IEEE1547 standard, is introduced. This approach ensures harmonious integration of distributed generators with the main electrical grid, while respecting the standard’s rigorous criteria for stability and performance. For both modes, the Artificial Neural Networks were trained using data from detailed simulations, and the operating points were optimized through a particle swarm optimization method. This strategy enables optimal management of microgrids, conferring upon them the ability to dynamically adapt to the volatility of renewable energy sources. The obtained results demonstrate that the proposed control strategy significantly improves stability and power distribution management in microgrids, both in islanded and grid-connected modes. This advancement is crucial for the development of more efficient and effective distributed power systems, facilitating more stable and efficient integration of renewable energies into future energy distribution systems.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thèse présentée à l'École de technologie supérieure comme exigence partielle à l'obtention du doctorat en génie". Comprend des références bibliographiques (pages 243-269).
Mots-clés libres:	micro-réseaux, générateurs distribués, réseaux de neurones artificiels, contrôle de statisme, îlotage, optimisation par essaim particulaire, IEEE1547
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Fortin Blanchette, Handy
Programme:	Doctorat en génie > Génie
Date de dépôt:	04 mars 2026 15:39
Dernière modification:	04 mars 2026 15:39
URI:	https://espace.etsmtl.ca/id/eprint/3806

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt