Optimisation multicritère en conception de système

photovoltaïque pour des maisons individuelles en

contexte africain
Guy-Clarence Semassou, Jean-Pierre P Nadeau, Patrick Sebastian, Jérôme
Pailhès, A Vianou

To cite this version:

Guy-Clarence Semassou, Jean-Pierre P Nadeau, Patrick Sebastian, Jérôme Pailhès, A Vianou. Op-
timisation multicritère en conception de système photovoltaïque pour des maisons individuelles en
contexte africain. Revue des Energies Renouvelables, 2013, 16 (2), pp.225-247. �hal-01070178�

HAL Id: hal-01070178

[Link]
Submitted on 10 Oct 2017

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 Science Arts & Métiers (SAM)
is an open access repository that collects the work of Arts et Métiers ParisTech
researchers and makes it freely available over the web where possible.

This is an author-deposited version published in: [Link]

Handle ID: .[Link]

To cite this version :

Guy-Clarence SEMASSOU, Jean-Pierre NADEAU, Patrick SEBASTIAN, Jérôme PAILHES,
Antoine VIANOU - Optimisation multicritère en conception de système photovoltaïque pour des
maisons individuelles en contexte africain - Revue des énergies renouvelables - Vol. 16, n°2,
p.225-247 - 2013

Any correspondence concerning this service should be sent to the repository

Administrator : archiveouverte@[Link]
 Optimisation multicritère en conception de système
photovoltaïque pour des maisons individuelles en contexte africain
1* 2† 1 2 3
C. Semassou , J.P. Nadeau , P. Sebastian , J. Pailhès et A. Vianou
1
Laboratoire, Institut de Mécanique et d’Ingénierie, I2M
Université de Bordeaux 1, Esplanade des Arts et Métiers, 33405 Talence Cedex, France
2
Arts et Métiers ParisTech, Laboratoire, Institut de Mécanique et d’Ingénierie, I2M
Esplanade des Arts et Métiers, 33405 Talence Cedex, France
3
Ecole Polytechnique d'Abomey-Calavi; 01 B.P. 2009 Cotonou, Bénin

Résumé - Le présent travail proposé, traite les systèmes énergétiques, du type

photovoltaïque autonome, couplé à des batteries de stockage, et destinés à la couverture
des besoins d’un foyer rural du Bénin. Ces systèmes énergétiques appropriés ont été
analysés, modélisés et optimisés. Les critères d’évaluation sont issus d’une enquête
réalisée auprès des responsables qui s’occupent des questions d’électrification en milieu
rural, des professionnels sélectionnés qui jouent un rôle majeur dans le processus
décisionnel des projets d’électrification en milieu rural, des associations locales qui ont
bénéficié de ces projets au Bénin, des techniciens et des usagers de ces systèmes. Ces
critères sont hiérarchisés selon la méthode AMDEC. Une méthode d’optimisation adaptée
a été réalisée. Elle fait appel à une nouvelle approche de pondération.
Abstract - The present proposed work treats the energy systems, of the autonomous
photovoltaic type, coupled with batteries of storage, and intended for the cover of the
needs of a rural home of Benin. These appropriate energy systems were analyzed,
modeled and optimized. The criteria of evaluation arise from a investigation realized in
near various actors of the photovoltaic systems. These criteria are organized into a
hierarchy according to the FMECA method. A method of adapted optimization was
realized; she appeals to a new approach of weighting. So, we proceeded to the
simultaneous minimization of ten criteria of decision. The objective multi-problem of
optimization was transformed into a problem of optimization mono objective by means of
the functions of desirability. The systematic scanning of the variables of conception
allowed to generate a set of solutions which will be put at the disposal of the final
decision-maker to direct his choices.
Mots clés: Optimisation - Photovoltaïque autonome - Electrification décentralisée -
Milieu rural.

1. INTRODUCTION
Une grande partie de l’énergie utilisée aujourd’hui dans le monde (plus de 80 %)
provient de gisements de combustibles fossiles. Ces gisements constitués au fil des âges
sont épuisables. Ainsi, d’après les chiffres de l’industrie BP (Statistical Review of
World Energy, 2010), les réserves mondiales seront épuisées vers 2084. L’épuisement
de ces ressources associée au réchauffement climatique qu’occasionne leur exploitation,
doivent nous amener à envisager le développement des énergies renouvelables.
Les ressources renouvelables dont dispose le Bénin sont le solaire, l’éolien,
l’hydroélectricité et la biomasse à des proportions relativement différentes. Elles sont

*
seclar2001@[Link] , [Link]@[Link]
†
[Link]@[Link]
sous-exploitées par rapport à leur potentiel. Parmi toutes ces énergies, l’énergie solaire
offre le potentiel le plus important et prête le mieux à une électrification décentralisée,
surtout pour les zones éloignées et difficiles d’accès.
Pour un habitant isolé, les facteurs qui restreignent l’utilisation du solaire
photovoltaïque autonome sont l’intermittence de la ressource, le profil de
consommation non contrôlable et difficile à anticiper, la gestion de risques liés au projet
(technologique, économique et sociétal) et le choix de solutions pouvant permettre de
couvrir les besoins énergétique au moindre coût sans interruption avec limitation des
impacts sur l’environnement (énergie primaire consommée et émission de CO2
correspondant). Bon nombre de travaux sur le dimensionnement optimal ont été
effectués dans ce domaine et prennent souvent en compte la minimisation du coût
économique et l’augmentation du taux de couverture des besoins énergétiques.
Le présent papier prend en compte, en dehors des deux critères précités, la
minimisation du coût énergétique sur cycle de vie du système afin de limiter les impacts
du système sur l’environnement. Une simulation du système sur son cycle de vie (20
ans) a été donc effectuée en vue de prendre en compte tous les coûts qui interviennent.
Il s’agit d’un problème multi critères antagonistes qui nécessitent le déploiement de
stratégies pouvant prendre en compte toutes ces particularités. Les variables de
conception utilisées sont le nombre de panneaux et de batteries, le type de panneau et de
batterie et la section du câble entre les différents composants du système. La méthode
d’agrégation des fonctions de désirabilité axée sur la moyenne géométrique a permis
d’associer à chaque jeux de combinaison de variables de conception, un indice de
désirabilité. On obtient trois indices de désirabilité relatifs aux critères économique, du
taux de couverture des besoins et environnemental.
L’agrégation des indices de désirabilité suivant le même principe, conduit à une
fonction objectif globale qui permet d’évaluer chaque solution. Les critères n’ayant pas
la même importance, l’établissement d’un ordre de préférence est donc indispensable. A
cet effet, nous avons introduit une nouvelle approche pour hiérarchiser ces critères en
utilisant la méthode AMDEC.
Ainsi, la méthode d’optimisation (Fig. 1) adoptée dans cette étude, consiste d’abord
à faire l’analyse du besoin, puis à élaborer les modèles physiques des différents
composants et à définir les critères d’évaluation. Ensuite, on détermine les taux de
satisfaction correspondant aux solutions et on procède enfin à l’évaluation et au
classement des solutions proposées à partir des critères.

Fig. 1: Synoptique de la méthode d’optimisation utilisée

A travers l’étude d’un cas concret, nous montrons qu’un dimensionnement optimal
permet de générer un ensemble de solutions, pouvant permettre d’orienter les choix du
décideur.
 2. PRESENTATION DU SYSTEME
PHOTOVOLTAÏQUE AUTONOME
Le système à dimensionner est composé d’un générateur photovoltaïque, d’un
boîtier de raccordement, d’une rame de batteries et d’un onduleur-chargeur.
L’installation étant autonome, la présence d’un dispositif de stockage est indispensable
afin de pouvoir satisfaire, à tout instant, la demande du consommateur.

Fig. 2: Schéma physique de la chaîne de conversion de l’énergie solaire

Il est destiné à l’alimentation d’un ménage rural d’une localité du Bénin (Dékin),
située à une trentaine de km de Cotonou, de Latitude 6°34’42’’N et de Longitude
2°33’28’’E. Le choix de cette localité se justifie par le fait qu’elle est enclavée, non
électrifiée. Elle fait partie aussi des localités qui ont bénéficié des projets solaires initiés
par certaines ONG, donc à notre avis la population serait suffisamment informée des
avantages que procure un système PV et de plus, ces installations n’ont pris en compte
que la couverture des besoins sociocommunautaires et non des ménages.
Par ailleurs, au Bénin, les études socio économiques sont souvent réalisées pour des
communes et non pour des villages. Donc il n’existe pas dans la littérature un profil de
consommation d’un ménage de cette localité. Une enquête a donc été menée afin de
déterminer le profil de consommation d’une journée d’un ménage (Fig. 3). Ce profil est
supposé identique pour tous les jours de l’année. La consommation annuelle est estimée
à 1523 kWh.

Fig. 3: Profil de consommation du foyer

 Les variables de conception indispensables à la détermination des solutions sont
regroupées dans le Tableau 1.

Tableau 1: Variables de conception

Variables de Nomenclature Plage de Type de composant
conception variation considéré
Nombre de module N pv 1 à 12
Nombre de batterie Nb 1 à 10
Type de module Tpv 1 à2 50 Wc et 80 Wc
Type de batterie Tb 1à2 75 Ah et 100Ah
Tcâble 1 1à2 S11 = 2.5 mm2 et
S12 = 4 mm2
Tcâble 2 1à2 S21 = 35 mm2 et
Type de câble (section)
S2 = 50 mm2
Tcâble 3 1à2 S31 = 25 mm2 et
S32 = 35 mm2

Tcâble 1 : Type de câble de section S1 entre module et boîtier de raccordement

Tcâble 2 : Type de câble de section S2 entre boîtier et l’onduleur-chargeur
Tcâble 3 : Type de câble de section S3 entre l’onduleur-chargeur et la batterie
Dans cette étude, les longueurs des câbles sont imposées:
→ Entre module et boîtier, on a: L1 = 7 m .
→ Entre boîtier et onduleur-chargeur, on a: L2 = 10 m .
→ Entre onduleur-chargeur et batterie, on a: L3 = 4 m .
Dans notre problème d’optimisation, huit configurations possibles de câbles sont
choisis (Tableau 2).
Tableau 2: Configurations possibles de câbles
Config. Tcâble 1 2 3 4 5 6 7 8
S1 S11 S11 S11 S11 S12 S12 S12 S12
S2 S21 S21 S22 S22 S21 S21 S22 S22
S3 S31 S32 S31 S32 S31 S32 S31 S32

3. MODELISATION DES COMPOSANTS

DU SYSTEME PHOTOVOLTAÏQUE
La modélisation nécessite un ensemble d’équations caractérisant tous les éléments
du système étudié. Elle est donc une étape cruciale, car les modèles énergétiques des
différents composants doivent être fiables pour rendre compte fidèlement du transfert de
flux entre les différents composants. A ce stade, la condition qui s’impose, est de
connaître la température et l’irradiation (données fournies par le service météorologique
du Bénin), le profil de consommation et les données relatives aux équipements, afin de
pouvoir déterminer à chaque instant, la puissance que peut fournir le système de
production.
3.1 Modèle du capteur photovoltaïque
Nous utilisons un modèle à partir duquel la puissance horaire produite par le
module, est déterminée à partir de l’éclairement reçu par le module, de la température
ambiante et des caractéristiques du module. Ainsi, pour déterminer le courant et la
tension du module, nous utilisons le modèle développé par Borowy et al. [Bor_96],
Notton et al. [Not_10]. Ce modèle utilise les spécifications du module données par le
fabricant, il permet de déterminer la production maximale du module. Le courant
maximal I mp fourni par le module au point de fonctionnement est défini par:

   Vm   
I mp = I cc ×  1 − C1 ×  exp   − 1  + ∆ I (1)
   C2 × Vco   
Où, C1 et C2 sont des paramètres définis respectivement par:
 I   Vm  V   I 
C1 =  1 − m  × exp  −  ; C2 =  m − 1  ln  1 − m  (2)
 I cc   C2 × Vco   Vco   I cc 
La tension maximale Vmp au point de fonctionnement est définie par:

  G 
Vmp = Vm ×  1 + 0.0539 log10    + β0 × ∆ T (3)
  G 0  
 G 
∆ I = α0 × ( G G 0 ) × ∆ T +  − 1  × I cc (4)
 G0 
∆ T = Tc − Tr (5)
La température de la cellule à l’instant t peut être définie par:

 NOCT − 20 
Tc = Ta +  ×G (6)
 800 
Alors la puissance optimale à la sortie du module est définie par:
Pmp = I mp × Vmp (7)
Où I cc est le courant de court-circuit du module (A), I m le courant du module dans les
conditions de référence (A), Vco la tension de circuit ouvert du module (V), Vm la
tension du module dans les conditions de référence (V), α0 (A/°C) et β0 (V/°C) sont
respectivement les coefficients de température du courant et de la tension du module, G
(W/m²) l’irradiation reçue par le module incliné de 10°, G 0 est l’irradiation de 1000
W/m² reçue dans les conditions de référence, Tr la température de référence de la
cellule (25°C), NOCT la température nominale de la cellule calculée pour une
irradiation de 800 W/m², une température ambiante de 25°C et une vitesse du vent de 1
m/s, Ta ( t ) est la température du site considéré.
Les modules sont montés en série et en parallèle. Le nombre de modules en série
peut être déterminé de la manière suivante [See_98]:
N pv , s = U U pv , n (8)
où U est la tension d’utilisation du système (12 V), U pv , n la tension nominale du
module. Le nombre de module en série étant fixé, seul le nombre de branches de
modules en parallèle U pv est considéré comme variable de conception.

3.2 Modèle du système de stockage

3.2.1 Modèle de charge et de décharge
Nous utilisons le modèle développé par [Bog_96] qui permet de calculer la capacité
de stockage en fonction de la puissance produite par le générateur PV et la charge
demandée. La modélisation de l’accumulateur est donc nécessaire, notamment pour
établir son état de charge instantané dans l’optique d’optimiser la gestion d’énergie au
sein du système.
L’état de charge d’une batterie à un instant t , dépend de son état antérieur ( t −1 ).
Pour simplifier l’étude, on englobera le rendement de charge et celui de décharge dans
le rendement global de la batterie ηbat (énergie fournie/énergie consommée). On en
tiendra compte au niveau de la charge (c’est-à-dire comme si le rendement à la décharge
était de 100 %). L’énergie dite ‘de la batterie’ sera donc une énergie effectivement
disponible pour la charge [She_09].
Le rendement de la batterie dépend de plusieurs paramètres et fluctue notamment
avec l’état de charge de la batterie (fonction du courant de charge) [Boi_05]. Pendant la
charge, il est compris entre 0,65 et 0,85. Bien que critiquable, l’hypothèse d’un
rendement constant est considéré dans cette étude. Sa valeur est prise égale à 85 %.
Lorsque la puissance produite par le générateur PV dépasse la puissance instantanée
appelée, la batterie se charge et sa capacité à un instant t, peut être décrite de la manière
suivante [She_09] :
 E (t) 
E B ( t ) = E B ( t − 1) × (1 − σ ) +  U pv ( t ) − L  × ηbat (9)
 ηond 
Quand l’énergie demandée par la charge est plus grande que l’énergie produite par le
générateur PV, la batterie se décharge pour combler le déficit. Dans ce cas, l’énergie
stockée à un instant t , peut être exprimée par la relation suivante [Ai_03]:
 E (t) 
E B ( t ) = E B ( t − 1) × (1 − σ ) +  U pv ( t ) − L  (10)
 ηond 
où E B ( t ) et E B ( t −1) sont respectivement les énergies stockées dans la batterie (Wh) à
l’instant t et t −1 , σ le taux horaire d’auto-décharge de la batterie, E pv ( t ) l’énergie
produite par le module (Wh), E L ( t ) la charge demandée (Wh), ηond le rendement de
l’onduleur. Le pas de simulation ∆ t est pris égal à 1 h.
Dans le but de prévenir les décharges profondes de la batterie et de limiter les
phénomènes de gassing, l’énergie stockée dans la batterie est soumise aux contraintes
suivantes:
E B, min ≤ E B ( t ) ≤ E B, max (11)

où E B, max est la capacité maximale de stockage de la batterie, E B, min l’énergie

minimale stockée dans la batterie, qui est définie par E B, min = (1 − DOD ) × Cb, n ,
DOD est la profondeur de décharge de la batterie, Cb, n est la capacité nominale de la
batterie.
Les batteries sont montées en parallèle et en série. Le nombre de batteries montées
en série N b, s est supposé constant et peut être déterminé par [See_98]:

N b, s = U U b, n (12)

3.2.2 Tension de la batterie

Le modèle que nous proposons est basé sur la figure 4. La batterie est alors décrite
par deux éléments dont les caractéristiques dépendent d’un certain nombre de
paramètres. La tension aux bornes de l’ensemble des batteries est alors [Yan_08]:
Vbat ( t ) = N b, s × Eco ( t ) + N b, s × I bat ( t ) × R bat ( t ) (13)

où, Eco ( t ) est la tension de circuit ouvert à l’instant t , (V); R bat ( t ) la résistance
interne (Ω), I bat ( t ) l’intensité. La tension de circuit ouvert peut être exprimée de la
manière suivante:
(
Eco ( t ) = VF + b × log E B ( t ) Cb, n ) (14)
où, VF est la tension aux bornes de la batterie lorsqu’elle est chargée, et b est une
constante empirique.

Fig. 4: Schéma électrique d’une rame de batteries montées en série

La variation de la résistance interne R bat ( t ) d’une batterie est principalement due à

la résistance de l’électrode R electrode et la résistance de l’électrolyte R electrolyte .

R bat ( t ) = R electrode ( t ) + R electrolyte ( t ) (15)

La variation de R electrode et R electrolyte en fonction de l’état de charge SOC peut
être exprimée par:
(
R electrode = r1 + r2 × E B ( t ) ) [ (
Cb, n ; R electrolyte = r3 + r4 × E B ( t ) C b, n )]−1 (16)

où, r1 , r2 , r3 et r4 sont des constantes, dont les valeurs diffèrent selon le mode de
charge ou de décharge de la batterie (Tableau 3).
Tableau 3: Caractéristiques de la batterie plomb-acide
Paramètres VF (V) ‘ b’ r1 (Ω) r2 (Ω) r3 (Ω) r4 (Ω)
Mode de charge 13.250 0.810 0.062 0.046 95.638 52.671
Mode de décharge 12.662 0.724 0.055 -0.010 4.270 -100.730
 Ce modèle a été initialement déduit d’une batterie de plomb-acide de capacité
nominale précise, puis normalisé de façon à pouvoir être utilisé pour différents
dimensionnements de l’accumulateur.
Finalement on a:

  
  E (t)   
  + I bat ( t ) ×  r1 + r2 × E B ( t ) + 1   (17)
Vbat ( t ) = N b,s ×  VF + b × log  B
 C   C E (t) 
  b, n  b, n r. + r4 × B
  C b, n 
 

3.2.3 Courant de la batterie

Quand la puissance du générateur PV, Pmp est plus grande que la puissance appelée
PL , la batterie est à l’état de charge; le courant de la batterie au temps t s’écrit
[Yon_03]:
Pmp ( t ) P ( t ) ηond
I bat ( t ) = − L (18)
Vbat ( t ) Vbat

Dans ces conditions, le courant I bat est compté positivement.

Quand la puissance du générateur PV, est plus grande que la puissance appelée, la
batterie est à l’état de décharge; le courant de décharge de la batterie au temps t s’écrit:
Pmp ( t ) PL ( t ) ηond
I bat ( t ) = − (19)
Vbat ( t ) Vbat

3.3 Modèle du système de conversion

Dans une installation électrique, la taille de l’onduleur est fonction de la charge
totale PLT de l’utilisateur. Ainsi, nous déterminons la puissance nominale de la manière
suivante:
PLT
Pn,ond = (20)
ηond × cos ϕ × lloss

Où cos ϕ est le facteur de puissance que nous prenons égal à 0,9, ηond est le
rendement de l’onduleur (95 %) et k loss est le coefficient de réduction relatif aux pertes
sur les câbles (85 %).
Le calcul nous donne Pn, ond = 2680 VA .
Mais dans la réalité, nous ne connaissons pas le cos ϕ des charges, ni les courants
de démarrage. Ces deux conditions ajoutées au type d’onduleur disponible sur le marché
béninois, nous obligent à procéder au choix d’un onduleur surdimensionné.
L’onduleur que nous avons choisi a une puissance nominale de 3 kVA (Solivia 3.0,
184 - 264 V, 47 - 52 Hz). La plage de tensions AC et de fréquences est programmée en
fonction des exigences de chaque pays. Pour le cas du Bénin, on a 220 V et 50 Hz.
3.4 Modèle du câble électrique
Dans une installation photovoltaïque (hybride ou non), c’est au niveau de la partie
courant continu de l’installation que les intensités sont les plus importantes. C’est donc
dans cette partie que se pose le problème des pertes joules et des chutes de tensions dans
les câbles.
Il est donc important au vu de tout cela de bien choisir et de bien dimensionner la
section des conducteurs électriques de façon à limiter la baisse de tension entre les
différents composants du système photovoltaïque.
Dans notre cas, de façon à estimer de la manière la plus précise possible les pertes
par effet joule dues aux câbles électriques à chaque pas de temps de la simulation,
celles-ci ont été calculées de la manière suivante:
 Entre panneaux et boîtier de raccordement

 L  2
P1 ( t ) = N pv ×  2 × ρc × 1  × I mp ( t ) (21)
 S1 
 Entre boîtier et onduleur-chargeur

 L  2
P2 ( t ) = N 2pv ×  2 × ρc × 2  × I mp ( t ) (22)
 S2 
 Entre onduleur-chargeur et rame de batteries
L3
P3 ( t ) = 2 × ρc × × I 2mp ( t ) ((23)
S3

où, ρc est la résistivité du cuivre (Ω.m). S1 , S2 , S3 représentent respectivement la

section du câble entre module et boîtier, entre boîtier et onduleur-chargeur et entre
onduleur-chargeur et batterie (m²). L1 , L2 , L3 représentent respectivement les
longueurs du câble correspondantes (m).

4. CRITERES D’EVALUATION
DES PERFORMANCES DU SYSTEME
4.1 Définition des critères
Le choix des critères est une étape cruciale dans la formulation d’un problème
d’optimisation. Ainsi, les critères retenus dans le cadre de cette étude proviennent d’une
enquête que nous avons menée au près d’un panel d’évaluateurs constitués des
responsables qui s’occupent des questions d’électrification en milieu rural au Bénin, des
associations locales bénéficiaires des systèmes photovoltaïques au Bénin, des
techniciens et des usagers de ces systèmes.
Le but du questionnaire est de recueillir des données afin d’identifier les facteurs de
décision et de déterminer leur importance globale dans le processus décisionnel de mise
en oeuvre de système photovoltaïque en milieu rural. A la suite de cette analyse, se
dégagent deux fonctions contraintes FC1 et FC2 et une fonction de service FS . Pour
satisfaire ces fonctions, il est indispensable de définir les critères d’aide à la décision.
Les critères retenus à la suite de cette enquête sont résumés sur la figure 5.
 Fig. 5: Arbre hiérarchique pour l’évaluation
Multi critère du système photovoltaïque

Le problème d’optimisation est donc structuré en arbre hiérarchique. Dans notre cas
d’étude, l’arbre comporte plusieurs niveaux qui sont:
 Niveau 0: le système photovoltaïque à concevoir et qui reflètera le meilleur
compromis possible pour répondre au mieux aux différents critères
simultanément.
 Niveau 1: les critères de décision FC1 , FC2 et FS .
où, FC1 permet de garantir un seuil de viabilité économique du système, FC2 permet
de garantir un seuil de viabilité écologique du système et FS permet de garantir un
seuil de couverture des besoins du consommateur.
 Niveau 2: les caractéristiques des critères sont: CI , CR , CMR , TRI , LCCloss
, LPSP , LLP , Cdom , TRE , GES .
où, CI est le coût d’investissement initial, CR : le coût de remplacement de composant,
CMR : le coût de maintenance et de réparation, TRI : le temps de retour sur
investissement, LCCloss : le coût relatif à l’indisponibilité du système, LPSP : le taux
de délestage énergétique, LLP : le taux de délestage temporel, Cdom : le coût lié aux
dommages sur la santé et sur l’environnement, TRE est le temps de retour énergétique,
GES sont les émissions de CO2 relative à la fabrication des composants du système.

4.2 Modèles des critères

Le caractère aléatoire qui caractérise la production du système a rendu indispensable
son analyse sur toute sa durée de vie. Ainsi, on a pris en compte les coûts économique et
énergétique sur cycle de vie du système.
4.2.1 Coût économique sur cycle de vie du système
Ce coût intègre le coût d’investissement initial, le coût de remplacement du
composant, le coût de maintenance et de réparation, et le coût d’indisponibilité du
système. Pour un composant i du système, le coût économique sur cycle de vie peut
être exprimé par l’équation suivante [Nav_10], [Deh_09], [Kha_05]:
LCCi = N i ( CIi + CR i × K i + CMR i × PWA ( ir , R v ) ) (24)
 yi
1
Ki = ∑ (25)
n =1 (1 + ir ) n Li
R 
yi =  v  − 1 Si R v est divisible par Li (26)
 Li 
Rv
yi = Si R v n' est pas divisible par Li (27)
Li

PWA ( ir, R v ) =
(1 + ir )R v − 1 (28)
ir × ( 1 + ir )R v
où N i est le nombre du composant i , CIi , le coût d’investissement initial, CR i , le
coût de remplacement du composant, K i , le coefficient d’actualisation de la valeur,
CMR i , le coût de maintenance et de réparation, PWA , le coefficient d’actualisation
annuelle de la valeur, ir , le taux réel d’intérêt, R v , la durée de vie du système, yi , le
nombre de remplacement du composant et Li , la durée de vie du composant.
Pendant le temps de fonctionnement T du système, le déficit énergétique
LOEE ( Wh) peut s’exprimer par:
T
LOEE = ∑ LPS ( t ) × ∆ t (29)
i =1
où, LPS ( t ) est la différence entre la puissance appelée et la puissance fournie par le
générateur PV et la batterie à un instant t , (W) et ∆ t est le pas de simulation (h).
Le coût relatif à l’indisponibilité du système pendant le temps de simulation T peut
s’exprimer par [Kas_07]:
LCCloss = LOEE × NPCloss × PWA ( ir, R v ) (30)
On déduit alors le coût économique global sur cycle de vie du système:
Coût total = ∑ LCCi + LCCloss (31)
i
Dans cette étude, on a pris ir = 6 % et R v = 20 ans . Les coûts économiques des
différents composants du système sont résumés dans le Tableau 4.
Le câble électrique choisi dans cette étude est le cuivre. Le coût d’investissement
élémentaire retenu est de 0.45 €/an pour un câble de section 2.5 mm², 0.55 €/an pour un
câble de 4 mm², 3.03 €/an pour un câble de 25 mm², 4.84 €/an pour un câble de 35 mm²
et 12.88 €/an pour un câble de 50 mm².

Tableau 4: Coûts économiques des différents

composants du système [Thi_10], [kha_05], [Nav_10]
Compo. PV CI CR CMR Rendement (%) Durée de vie (an)
Module PV 4 €/W 4 €/W 0 13 20
Batterie 0.4 €/Wh 0.4 €/Wh 7 €/an 85 4
Onduleur 0.5 €/VA 0.5 €/VA 28 €/an 90 15
 Câble 0 0 50

4.2.2 Coût du kilowattheure non fourni NPCloss

Ce coût intègre toutes les conséquences économiques induites par un arrêt d’un
composant ou du système. Dans notre étude, ce coût est pris égal à 5.6 $US/kWh
[Gar_06].
4.2.3 Temps de retour sur investissement du système
Il représente le ratio entre le coût économique global sur cycle de vie du système et
le coût de l’énergie produite par le système en une année. On a:
Coût total
TRI = T
(32)
PkWh × ∑ Pmp ( t ) × ∆ t
0
4.2.4 Coût énergétique sur cycle de vie
L’analyse du cycle de vie est un outil d’aide à la décision en éco conception
permettant d’évaluer l’impact environnemental du système, de l’extraction des matières
premières jusqu’à la fin de vie du système. Les indicateurs que nous avons retenus dans
le cadre de notre étude sont le TRE , le GES et le Cdom .
[Link] Coût lié aux dommages sur la santé et l’environnement Cdom
Il permet d’apprécier de façon globale, l’impact de la mise en place du système sur
la santé et l’environnement dont il fait partie intégrante. Les dommages relatifs à la mise
en place d’une installation photovoltaïque peuvent être évalués financièrement.
Ces coûts peuvent être estimés à 0.15 centime d’euro par kWh en Europe du Sud
[Fth_06].
[Link] Temps de retour énergétique
Il est exprimé comme le rapport entre l’énergie totale consommée pour la
construction du système et sa production annuelle. On a:
GER
TRE = T (33)
∑ Pmp ( t ) × ∆ t
0

[Link] Emission de CO2

La consommation d’énergie durant la mise en œuvre du système engendre une
émission de CO2 que nous pouvons aussi évaluer. Les données relatives à la
consommation d’énergie et à l’émission de CO2 sont résumées dans le Tableau 5.

Tableau 5: Energie consommée et émission

de CO2 [Als_06], [Thi_10], [Abb_10], [Bal_05]
Composants PV Energie consommée Emission de CO2
Module PV 9.73 kWh/W 2.98 kg CO2/W
Batterie 359 kWh/kWh 0.06 kg CO2/Wh
Onduleur 0.4 kWh/VA 0.125 kg CO2/W
Câble 144 kWh/m 65 kg/m

4.2.5 Taux de délestage énergétique

 Il peut être défini comme la fraction de l’énergie déficitaire sur celle demandée par
la charge. Pour une période d’analyse T , la LPSP est le rapport de la somme de toutes
les valeurs de perte d’énergie LPS ( t ) pour la même période sur l’énergie demandée.
La perte d’énergie LPS ( t ) est exprimée par:
( )
LPS ( t ) = E L ( t ) − E mp ( t ) + E B ( t − 1) − E B, min × ηond (34)
La LPSP est exprimée par [Pow_81], [Bor_96]:
T T
LPSP = ∑ LPS ( t ) ∑ EL ( t ) (35)
t =1 t =1
4.2.6 Taux de délestage temporel
Le délestage en temps correspond au rapport du temps cumulé où le consommateur
n’est pas fourni en énergie alors qu’il en demande, sur le temps total d’utilisation du
système:
LLP = t LPSP T (36)

5. MODELES DES TAUX DE SATISFACTION

Les différents critères retenus dans cette étude, ne sont pas de même dimension.
Pour régler ce problème de mise à l’échelle, nous utilisons des fonctions de désirabilité
qui permettent de transformer les critères en grandeurs adimensionnelles. Elles
permettent aussi d’exprimer les niveaux de satisfaction des critères à partir des
différents modèles élaborés. Mais le choix d’une fonction de désirabilité dépend des
impératifs de l’étude à mener ; dans notre cas, tous les critères sont à minimiser comme
le montre le Tableau 6. A cet effet, nous utilisons la fonction de désirabilité de
Harrington [Seb_10], [Wag_10]:
d ( Ym ) = exp ( − exp ( β + α × Ym ) )
ln ( ln ( 0.01) / ln ( 0.09 ) )
avec α = (37)
AUC − USL
β = ln ( − ln ( 0.09 ) ) − α × USL
où, d est la désirabilité associée au critère Ym , AUC est la tolérance supérieure pour
le critère et USL est la valeur limite supérieure pour le critère. Les niveaux de critères
utilisés sont regroupés dans le Tableau 6.

Tableau 6: Niveaux de critères

Critères But Limite sup. ‘ USL ’ Tolérance sup. ‘ AUC ’
CI Minimiser 100 euros 8000 euros
CR Minimiser 100 euros 8000 euros
CMR Minimiser 0 euro 100 euros
TRI Minimiser 2 ans 20 ans
LCCloss Minimiser 0 euro 100000euros
LPSP Minimiser 1% 50 %
LLP Minimiser 1% 50 %
Cdom Minimiser 0 10 euros
TRE Minimiser 3 ans 20 ans
 GES Minimiser 106 g CO2 108 g CO2

La présence de plusieurs critères antagonistes et l’absence de relation d’ordre total

entre les solutions suscitent le déploiement de stratégies susceptibles de prendre en
compte ces particularités. La méthode que nous présentons dans cet article consiste à
transformer le problème multi critère en un problème monocritère.
Il s’agit d’une méthode d’agrégation axée sur la moyenne géométrique pondérée des
fonctions de désirabilité associées aux différents critères [Der_80]:
q
DOI k = ∏ d rv r (38)
r =1
où, DOI k désignent les indices de désirabilité et v r les coefficients de pondération
relatifs aux critères.
On obtient alors trois indices de désirabilité liés aux trois fonctions précitées ( FC1 ,
FC2 et FS ). Ils expriment les niveaux de satisfaction des fonctions. On agrège suivant
le même principe les indices de désirabilité pour enfin obtenir la fonction objectif
globale OF . On a:
3
OF = ∏ DOI kw k (39)
r =1

Où w k désignent les coefficients de pondération relatifs aux indices de désirabilité.

Les coefficients de pondération utilisés sont indispensables, parce qu’ils représentent
les souhaits exprimés par la population dans la mise en œuvre du système
photovoltaïque. Nous avons utilisé la méthode du Processus d’Analyse Hiérarchique
(AHP) [Saa_77] pour déterminer ces coefficients. La méthode AHP originale comporte
quatre étapes dont la première est relative à l’hiérarchisation des critères par importance
du plus important au moins important.
Nous avons donc voulu améliorer cette étape en introduisant une nouvelle approche
d’hiérarchisation des critères. Pour cela, nous avons utilisé la méthode d’Analyse des
Modes de Défaillances de leurs Effets et de leur criticité ( AMDEC ), qui nous permet
d’analyser l’évaluation des critères d’aide à la décision. On s’est donc intéressé à
l’indice de criticité ( C ) qui exprime le degré de gravité lié à la non satisfaction d’un
critère dans la conception du système. Il est déterminé à partir du produit de trois autres
indices [Fau_04], [Bel_11], soit:
C = G×O×D (40)
où G est la gravité de l’effet, O la probabilité d’occurrence et D la probabilité de non-
détection. Nous avons demandé à nos évaluateurs de s’appuyer sur une échelle de note
variant de 1 à 10 [Fau_04], [Bel_11] pour noter chaque critère au regard de ces trois
indices. A partir des indices de criticité, on a procédé au classement des fonctions, ainsi
que des critères, puis à une comparaison par paires suivant une échelle de note allant de
1 à 10. Les résultats sont regroupés dans les Tableaux 7 et 8.
Tableau 7: Classement des fonctions
Fonctions Criticité Rang
FS 426 1er
 FC1 261 2ème
FC2 196 3ème

Logiquement, aux yeux de nos évaluateurs, la performance arrive en première

position.
Tableau 8: Classement des critères
Critères Criticité Rang
FS
LPSP 426 1er
LLP 426 1er
FC1
CI 326 1er
CMR 294 2ème
CR 274 3ème
TRI 225 4ème
LCCloss 185 5ème
FC2
Cdom 225 1er
TRE 208 2ème
GES 155 3ème

Pour la comparaison binaire, on a demandé à nos évaluateurs s’ils estiment, par

exemple, que CI est trois fois plus important que CMR , d’encercler le chiffre 3 (Fig.
6). Cette étape permet d’élaborer les matrices des jugements qui ont servi de tremplin à
la détermination des coefficients de pondération. Les résultats sont regroupés dans les
Tableaux 9, 10, 11 et 12.

Fig. 6: Comparaison binaire des critères

Tableau 9: Poids des trois fonctions

Fonctions FS FC1 FC2
Poids (%) 67.38 22.55 10.07

Tableau 10: Poids des critères liés à FC1

Critères CI CR CMR TRI LCCloss
Poids (%) 52.24 24.93 13.4 6.79 3.64

Tableau 11: Poids des critères liés à FS

Critères LPSP LLP
Poids (%) 50 50

Tableau 12: Poids des critères liés à FC2

 Critères Cdom TRE GES
Poids (%) 62.67 27.97 9.36

Les ratios de cohérence RC sont calculés dans chaque cas et on constate qu’ils sont
inférieurs à 10%; ce qui suppose que les jugements émis par nos évaluateurs sont
cohérents.

6. CLASSEMENT DES SOLUTIONS

Dans cette étude, dix critères sont considérés. Il s’agit:
 De la minimisation de tous les critères définis au regard de FC1 ( CI , CR , CMR ,
TRI , LCCloss );
 De la minimisation de tous les critères définis au regard de FS ( LPSP , LLP );
 De la minimisation de tous les critères définis au regard de FC2 ( Cdom , TRE ,
GES ).
Après la modélisation, le problème à optimiser par notre approche multi critère, peut
être résumé de la manière suivante.
Le traitement du modèle ainsi élaboré se fait par un balayage systématique des
variables de conception. Ainsi, pour différents jeux de combinaison de variables de
conception, nous déterminons toutes les fonctions objectif globales correspondantes.
On obtient au total 3840 solutions candidates que nous classons par ordre
décroissant suivant leur taux de satisfaction correspondant.
Nous résumons sur la figure 7, les différentes étapes de la méthode d’optimisation
utilisée.
[
Trouver x = N pv , N b , Tpv , Tbat , Tcâble 1, Tcâble 2 , Tcâble 3 ]T
Qui max imise OF ( x ) = {CI ( x ), CR ( x ), ... , GES ( x ) }
Sujet à 100 ≤ CI ( x ) ≤ 8000
100 ≤ CR ( x ) ≤ 8000
... ... ... ... ... ... ... ... ... (41)
106 ≤ GES ( x ) ≤ 8 ×106
1 ≤ N pv ≤ 12
1 ≤ N b ≤ 12
1 ≤ Tpv , Tbat , Tcâble 1, Tcâble 2 , Tcâble 3 ≤ 2

7. RESULTATS ET ANALYSE
Sur la figure 8, nous avons considéré deux critères: le coût sur cycle de vie du
système et le taux de délestage énergétique. Cette figure est une illustration du caractère
contradictoire qui caractérise la plupart de nos critères.
En effet, on constate que plus le coût sur cycle de vie diminue, plus le taux de
délestage énergétique augmente et vice-versa. Ainsi, pour un taux de délestage nul, le
coût sur cycle de vie avoisine les 6000 euros, alors que pour un taux de délestage de 50
%, ce coût n’est que de 4000 euros.
 Les figures 9 et 10 montrent respectivement les courbes de niveau et la
représentation en 3D pour différentes combinaisons de modules et de batteries pour
différentes valeurs de LPSP. On constate que la combinaison optimale varie d’une
courbe de niveau à une autre. Plus le nombre de modules et de batteries augmente, plus
le taux de délestage diminue.

Fig. 7: Présentation globale de la méthode d’optimisation

Fig. 8: Evolution du coût sur cycle de vie

du système pour différentes valeurs de LPSP
 Fig. 9: Courbes de niveau pour différentes combinaisons
de modules et de batteries pour différentes valeurs de LPSP (80 W, 75 Ah)

Fig. 10: 3D pour différentes combinaisons de modules

et de batteries pour différentes valeurs de LPSP (80 W, 75 Ah)

Sur la figure 11, nous avons tracé l’indice de désirabilité ( DOI1 ) relatif au critère
économique en fonction de tous les jeux de combinaison de variables de conception
possibles. Nous avons considéré dans cette partie de notre étude comme variable de
conception, le nombre de modules, le nombre de batteries, le type de module et le type
de batterie.
La combinaison optimale correspond à un indice de désirabilité de valeur 0,8648.
Cette valeur est encadrée en rouge sur cette figure et correspond à cinq (05) panneaux
de 80 W et une batterie de 100 Ah, soit un ratio de 0.25 Ah/W.
 Fig. 11: Evolution de l’indice de désirabilité ( DOI1 ) au regard du
critère économique en fonction des différentes configurations possibles

La figure 12 est une représentation en 3D de l’indice de désirabilité DOI1 pour

différentes combinaisons de modules et de batteries. La figure 13 est une représentation
des courbes de niveau de DOI1 pour différents jeux de combinaison du nombre de
modules et de batteries de types fixés.

Fig. 12: 3D pour différentes combinaisons de modules

et de batteries pour différentes valeurs de DOI1 (80 W, 100 Ah)

Fig. 13: Courbes de niveau pour différentes combinaisons

 de modules et de batteries pour différentes valeurs de DOI1 (80 W, 100 Ah

Tableau 13: Caractéristiques des dix meilleures solutions

Nous procédons maintenant à une extension des variables de conception en incluant

la section des câbles entre les différents composants du système, uniquement sur la
partie courant continu. On constate qu’en termes de nombre de modules et de batteries
nécessaires, les résultats obtenus sont différents de ceux précédemment évoqués.
Ainsi, on observe dans le présent cas que l’on enregistre pour la configuration
optimale, les nombre les plus élevés de modules et de batteries: neuf (09) panneaux de
80 W et deux (02) batteries de 100 Ah, ce qui correspond à un ratio de 0.26 Ah/W, un
câble de 2,5 mm² entre module et boîtier de raccordement, un câble de 35 mm² entre
boîtier et onduleur-chargeur et un câble de 25 mm² entre onduleur-chargeur et batterie.
Les caractéristiques des dix meilleures solutions sont regroupées dans le Tableau
13. Ce tableau met en œuvre des solutions favorisant le délestage et des solutions
assurant la couverture continue des besoins du consommateur
Les travaux sur le dimensionnement des systèmes PV autonomes prenant en compte
le choix des câbles sont rares. La plupart de ces travaux se limitent seulement à la taille
des systèmes photovoltaïques et la capacité de stockage des batteries, nécessaires pour
couvrir les besoins du consommateur sans se soucier du type de câble à utiliser entre les
différents composants.
Néanmoins, nous avons confronté nos résultats à ceux présentés par [Ai_03]. Ainsi,
dans les travaux présentés par l’auteur, on constate que pour un taux de délestage de
0,01 (ce taux représente le cinquième du taux que nous avons obtenu pour notre
configuration optimale), le ratio de la capacité des batteries sur la puissance
photovoltaïque installée est de 0,84 Ah/W.
On constate une légère différence entre ce ratio et celui que nous avons trouvé.
Plusieurs facteurs peuvent être à l’origine de cette différence. Les conditions
climatiques et le profil de consommation utilisés par l’auteur cadrent avec le contexte de
Hong Kong, alors que nos travaux se rapportent au contexte béninois. Contrairement à
l’auteur, nous avons étudié le système photovoltaïque sur son cycle de vie. De plus, le
système étudié dans [Ai_03] est hybride: éolien/photovoltaïque sans la prise en compte
des câbles électriques.

9. CONCLUSION
Dans ce papier, nous avons visé la définition des critères d’évaluation des
performances d’un système photovoltaïque autonome sur son cycle de vie. Pour y
parvenir, nous avons mis au point une méthode originale qui combine les méthodes
AHP et AMDEC, afin d’établir la liste des critères indispensables à la mise en œuvre
d’une part et de procéder à la détermination des poids correspondants d’autre part.
Le panel d’évaluateurs que nous avons constitué à cet effet paraît à nos yeux
représentatif, car tous les experts à divers degrés ont été pris en compte. Par ailleurs, la
méthode d’optimisation utilisée nous paraît simple et efficace.
Ainsi, après la modélisation des composants et la définition des critères d’aide à la
décision, nous avons implémenté tous les modèles dans l’environnement Matlab©. On
détermine toutes les solutions envisageables sans restriction par le biais d’un balayage
systématique des variables de conception. Par exemple, une des solutions correspondant
à une installation photovoltaïque complète, nécessite environ 5300 Euros comme coût
d’investissement initial sans compter les coûts de remplacement de composant, de
maintenance et de réparation et d’indisponibilité du système, pour un taux de délestage
de 0%.
Elle est la meilleure solution à partir des critères initiaux en termes de couverture
des besoins. Cette solution impose un niveau de vie élevé. Une restriction des
contraintes initiales en termes de besoins est donc nécessaire et elle permettra de
disposer de nouvelles solutions économiques, adéquates avec les possibilités de
paiement des villageois.

REFERENCES
[Abb_03] Technical Report, ‘Environmental Product Declaration: Converter Module DSC 400’,
ABB, Automation Division Drives, Lamperthein, Germany, 2003.
[Ai_03] B. Ai, H. Yang, H. Shen and X. Lia, ‘Computer-Aided Design of PV/Wind Hybrid
System’, Renewable Energy, Vol. 28, N°10, pp. 1491 – 1512, 2003.
[Als_06] E.A. Alsema and M.J. de Wild-Scholten, ‘Environmental Impact of Crystalline Silicon
Photovoltaic Module Production’, Presented at 13th CIRP Intern. Conference on Life Cycle
Engineering, Leuven, 31 May - 2 June 2006.
[Bal_05] J.M. Baldasano Recio, ‘Estimate of Energy Consumption and CO2 Emission Associated
with the Production, Use and Final Disposal of PVC, XLPE and PE Cables’, Report: PVC-
Cab-200411-2. Barcelona, 2005.
[Bel_11] A. Belhomme, 2011. [Link]
[Boi_05] A. Boitier et C. Alonso, ‘Dimensionnement d’un Système Photovoltaïque’,
CETSIS’2005, Nancy, 25-27 Octobre 2005.
[Bor_96] S.B. Bogdan and Z.M. Salameh, ‘Methodology for Optimally Sizing the Combinaison of
a Battery Bank and PV Array in a Wind/PV Hybrid System’, IEEE Transactions on Energy
Conversion, Vol. 11, N°2, pp. 367 - 375, 1996.
[Deh_09] S. Dehghan, B. Kiani, A. Kazemi and A. Parizad, ‘Optimal Sizing of a Hybrid Wind/PV
Plant Considering Reliability Indices’, World Academy of Sciences, Engineering and
Technology, Vol. 32, pp. 527 – 535, 2009.
[Der_80] G. Derringer and R. Suich, ‘Stimultaneous Optimization of Several Response
Variables’, Journal of Quality Technology, Vol. 12, N°4, pp. 214 – 219, 1980.
[Fau_04] J. Faucher, ‘Pratique de l’AMDEC – Assurer la qualité et la sûreté de fonctionnement
de vos produits, équipements et procédés’, Edition Dunod, Paris, 2004.
[Gar_06] R.S. Garcia and D. Weisser, ‘A Wind-Diesel System with Hydrogen Storage: Joint
Optimization of Design and Dispatch’, Renewable Energy, Vol. 31, N°14, pp. 2296 – 2320,
2006.
[Kas_07] K. Kassmi, M. Hamdaoui et F. Olivié, ‘Conception et Modélisation d’un Système
Photovoltaïque Adapté à une Commande MPPT Analogique’, Revue des Energies
Renouvelables, Vol. 10, N°4, pp. 451 – 462, 2007.
[Kha_05] M.J. Khan and M.T. Iqbal, ‘Pre-Feasibility Study of Stand-Alone Hybrid Energy
Systems for Applications in Newfoundland’, Renewable Energy, Vol. 10, N°6, pp. 835 - 854,
2005.
[Nav_10] A. Navaeefard, S.M. Moghaddas Tafreshi, M. Derafshian Maram, ‘Distributed Energy
Resources Capacity Determination of a Hybrid Power System in Electricity Market’, 25th
International Power System Conference, 10-E-EPM-2163, PSC 2010.
[Not_00] G. Notton et M. Nusselli, ‘Utilisation Rationnelle de l’Energie et Energies
Renouvelables, des Alliés Contestables: Application à une Production Décentralisée
d’Electricité Photovoltaïque’, Université de Corse – Centre de Recherches, ‘Energie et
Systèmes’ U.R.A. CNRS2053, France, 2000.
[Saa_77] T.L. Saaty, ‘A Scaling Method for Priorities in Hierarchical Structures’, Journal of
Mathematical Psychology, Vol. 15, pp. 234 - 281, 1977.
[Seb_10] P. Sebastian, T. Quirante, V. Ho Kon Tiat and Y. Ledoux, ‘Multi-Objective
Optimization of the Design of Two-Stage Flash Evaporators: Part 2. Multi-Objective
Optimization’, International Journal of Thermal Sciences, Vol. 49, N°12, pp. 2459 – 2466,
2010.
[She_09] W.X. Shen, ‘Optimally Sizing of Solar Array and Battery in a Stand-Alone Photovoltaic
System in Malaysia’, Renewable Energy, Vol. 34, N°1, pp. 348 - 352, 2009.
[Thi_10] Y. Thiaux, ‘Optimisation des Profils de Consommation pour Minimiser les Coûts
Economique et Energétique sur Cycle de Vie des Systèmes Photovoltaïques Autonomes et
Hybrides. Evaluation du Potentiel de la Technologie Li-Ion’, Thèse de Doctorat, Ecole
Nationale Supérieure de Cachan, 2010.
[Fth_06] V. Fthenakis and E. Alsema, Progress in Photovoltaics, ‘(PV data) and Dones and Heck,
MRS’ Symposium proceedings, 2006.
[Wag_10] T. Wagner and H. Trautmann, ‘Integration of Preferences in Hypervolume-Based
MultiObjective Evolutionary Algorithms by Means of Desirability Functions’, IEE
Transactions on Evolutionary Computation, Vol. 14, N°5, 2010.
[Yan_08] H. Yang, W. Zhou, Lin Lu and Z. Fang, ‘Optimal Sizing Method for Stand-Alone
Hybrid Solar-Wind System with LPSP Technology by Using Genetic Algorithm’, Solar
Energy, Vol. 82, N°4, pp. 354-367, 2008.
[Yon_03] H. Yong and J. Burnett, ‘Weather Data and Probability Analysis of Hybrid PV-Wind
Power Generation Systems in Hong Kong’, Renewable Energy, Vol. 28, N°11, pp. 1813 –
1824, 2003.