Méthodes de commande extrémale avec action anticipative : application à des systèmes d’énergie renouvelable soumis à des perturbations mesurables

Résumé

L’optimisation en temps réel a pour objectif d'amener et de maintenir un système à son point d'opération optimal et ce, indépendamment des perturbations externes pouvant faire varier ce point optimal. Dans de nombreuses situations, ces systèmes sont non-linéaires et ont une dynamique méconnue. Aussi, l’utilisation d’une méthode d’optimisation en temps réel qui ne se base pas sur un modèle dynamique fondamental tout en tenant compte du temps de réponse du système est nécessaire. La commande extrémale est une approche possible pour optimizer un tel type de système en temps réel. Un modèle empirique est alors utilisé pour estimer le gradient de la fonction objectif et ensuite, le commander à zéro, point optimal de la function objectif. Toutefois, cette méthode d’optimisation ne converge pas rapidement et/ou précisément vers le point de fonctionnement optimal désiré lorsque le système est soumis régulièrement à des perturbations externes. Notre projet de recherche vise à développer de nouvelles approches pour la commande extrémale afin qu’elle amène un système dont la dynamique est inconnue à converger rapidement et précisément vers le point de fonctionnement optimal et ce, malgré la presence de perturbations externes. Dans le cadre de cette thèse, trois approches sont développées. L’idée de base de ces approches consiste à intégrer dans la commande extrémale une action anticipative à base d’un réseau de neurones multicouches qui donne une estimation de la position du point de fonctionnement optimal du système lorsqu’il est soumis à l'effet de perturbations externes. Cette estimation est une information précieuse permettant d’adapter en temps réel les paramètres de la commande extrémale afin d’améliorer sa précision et sa vitesse de convergence en présence de perturbations externes. Les trois approches proposent trois différentes façons de contrôler les paramètres de la commande extrémale. Les deux premières approches améliorent la performance de la commande extrémale lorsque le système est soumis à des perturbations mesurables. La première approche utilise l’optimum du système estimé par l’action anticipative comme une condition initiale pour la commande extrémale afin de pousser rapidement le système au voisinage de son optimum et par la suite contrôler le système en boucle fermée avec la commande extrémale pour converger vers l’optimum réel. La deuxième approche adapte l’amplitude du signal d’excitation de la commande extrémale en fonction de l’optimum du système estimé par l’action anticipative afin d’assurer le maximum de vitesse de convergence tout en garantissant une meilleure précision autour de l’optimum. La troisième approche améliore la performance de la commande extrémale malgré la présence des perturbations mesurables et/ou non mesurables avec l’utilisation d’un modèle par réseau de neurones adaptatif dans l’action anticipative qui ajuste en temps réel les paramètres de la commande extrémale. Une étude théorique approfondie des approches proposées est effectuée. Celle-ci permet à la fois d’établir la preuve de stabilité pour 2 des trois approches proposées et également de formuler théoriquement le gain en termes de temps de convergence des approches par rapport à la méthode de perturbation. L’amélioration de la performance de la commande extrémale avec les trois approches est validée en simulation, dans le cas de l’optimisation d’une pile à combustible microbienne et, expérimentalement dans le cas de l’optimisation d’un système photovoltaïque. Les résultats expérimentaux montrent que l’efficacité de suivi de l’optimum d’un système perturbé optimisé en utilisant chacune des trois approches proposées augmente respectivement jusqu’à 30 %, 20% et 15 % en comparaison avec la méthode de perturbation.

Date	19 oct. 2018
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Lyne Woodward (Directeur(-trice)) & Ouassima Akhrif (Codirecteur(-trice))