Modeling and control of power electronics converters using machine learning

Résumé

Dans cette thèse, une nouvelle technique de modélisation de type « boîte noire » pour les convertisseurs d'électronique de puissance utilisant l'apprentissage automatique est proposée. Les techniques de modélisation conventionnelles peuvent être inadaptées pour les convertisseurs présents sur le marché ne disposant pas de fiches techniques précises. Un modèle purement basé sur les données est développé en utilisant des réseaux à mémoire à long terme (LSTM – Long Short-Term Memory), puis sa performance est comparée aux unités récurrentes à portes (GRU – Gated Recurrent Unit). La comparaison démontre que LSTM et GRU sont des options viables selon l'équilibre souhaité entre performance et précision. De plus, afin d'améliorer l'efficacité computationnelle, l'apprentissage par transfert est utilisé pour accélérer le processus d'entraînement des convertisseurs ayant des topologies similaires. De plus, Hypersim, un logiciel de simulation en temps réel largement utilisé dans les systèmes électriques et l'électronique de puissance, est principalement conçu pour des modèles mathématiques, ce qui peut être limitant pour les convertisseurs commerciaux dépourvus de fiches techniques détaillées. Puisque Hypersim ne prend pas en charge nativement la méthode de modélisation en « boîte noire » proposée, un algorithme de simulation en temps réel a été développé. Cet algorithme comble l'écart entre les modèles de convertisseurs basés sur l'apprentissage automatique et les environnements de simulation en temps réel, représentant ainsi une avancée significative pour les tests hardware-in-the-loop ainsi que pour l'implémentation pratique. L'étude présente également une stratégie de contrôle sans modèle pour les convertisseurs d'électronique de puissance utilisant l'apprentissage par renforcement profond (DRL – Deep Reinforcement Learning). À travers de larges simulations et résultats expérimentaux, la méthode de contrôle basée sur le DRL est comparée au contrôle prédictif modélisé (MPC – Model Predictive Control), une méthode de contrôle non linéaire conventionnelle. Il a été démontré que l'approche DRL élimine non seulement la nécessité d'un modèle mathématique précis, mais est également plus résiliente aux écarts de paramètres, aux variations des points de fonctionnement, à l'incertitude et au bruit. Enfin, la méthode DRL est appliquée à un convertisseur plus complexe, le convertisseur Hybrid Packed U-Cell (HPUC), qui génère 23 niveaux de tension avec une seule source de courant continu. Le contrôle et l'équilibrage des tensions dans ce convertisseur sont complexes, cependant, la méthode DRL a montré des avantages par rapport au MPC traditionnel en termes de robustesse face aux écarts de paramètres, au bruit et aux autres perturbations. Cette recherche ouvre de nouvelles perspectives pour l'utilisation des techniques émergentes d'apprentissage automatique afin de résoudre des problèmes complexes dans le domaine de la modélisation et du contrôle des convertisseurs électroniques de puissance.

Date	18 juin 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Kamal Al-Haddad (Directeur(-trice))