Grey Wolf algorithme
L'optimisation des paramètres des contrôleurs d'un moteur synchrone à aimants permanents polyphasé
(PMSM) à l'aide de l'algorithme Grey Wolf Optimizer (GWO) repose sur une stratégie mathématique
robuste pour ajuster les gains des contrôleurs proportionnels-intégrals (PI) de manière à minimiser l'erreur
de suivi. Dans ce contexte, nous approfondirons les équations associées à l'optimisation des paramètres du
système à travers l’algorithme GWO.
3. Optimisation des Paramètres avec l'Algorithme Grey Wolf (GWO)
L’algorithme Grey Wolf Optimizer (GWO) est un algorithme d’optimisation inspiré du comportement
de chasse des loups gris, où trois types de solutions (alpha, bêta et delta) guident l’ensemble de la meute
vers la solution optimale. Le GWO est utilisé pour ajuster les gains proportionnels Kp et intégrals Ki des
contrôleurs PI du PMSM.
3.1. Problème de Régulation à Optimiser
Dans un moteur synchrone à aimants permanents, nous cherchons à optimiser les gains
des contrôleurs PI de la commande vectorielle (FOC) pour que le moteur suive
¿ ¿ ¿
efficacement les références de courant i d et i q ainsi que la référence de couple T e
Les équations de base des contrôleurs PI dans le domaine temporel sont données par :
¿
v d=¿
Où
sont les erreurs de courant dans les axes d et q respectivement.
3.2. Formulation de la Fonction Objectif
La fonction objectif est conçue pour minimiser les erreurs de suivi des courants et du couple,
qui sont critiques pour assurer la performance optimale du moteur. Une forme standard de la
fonction coût à minimiser dans l'optimisation des paramètres des régulateurs est :
Où :
¿ ¿
i d et i q sont les courants de référence,
¿
T e est le couple de référence
w 1 w2 w3sont des pondérations qui déterminent l’importance relative des différentes erreurs
(courants et couple),
T est la durée totale de la simulation.
Le but de l'algorithme GWO est d'ajuster les gains K pd K id K pq K iq
pour minimiser cette fonction objectif.
3.3. Algorithme Grey Wolf Optimizer (GWO)
L’algorithme GWO repose sur la hiérarchie sociale des loups gris dans la nature. Il classe les
solutions candidates en alpha (α), bêta (β), et delta (δ), qui sont les trois meilleures solutions
connues, et les autres solutions sont des omégas (ω). L’optimisation se déroule en mettant à
jour la position des loups en fonction de ces leaders.
3.3.1. Initialisation des paramètres de GWO
Chaque solution X représente un vecteur contenant les gains Kp et Ki des contrôleurs PI :
X= K pd , K id , K pq , K iq avec les accolades svp
L'algorithme commence par générer aléatoirement plusieurs solutions initiales pour ces gains
dans un espace de recherche défini par les bornes inférieure et supérieure [lb,ub].
3.3.2. Mise à jour des positions
La position de chaque loup est mise à jour en fonction des positions des meilleurs loups alpha,
bêta et delta à chaque itération. La mise à jour de la position de chaque loup Xi à l'itération
t+1 est donnée par :
1. A: Facteur d'attraction
Le terme A est un facteur d'attraction qui
influence l'intensité avec laquelle une solution
(loup) se rapproche des meilleures solutions
(alpha, bêta, delta). Il est défini par l'équation suivante : Le facteur AAA peut donc prendre
des valeurs comprises entre −a et a, ce qui permet à un loup de se rapprocher ou de s'éloigner
des meilleures solutions. Lorsqu’À est inférieur à 1, le loup se rapproche de la solution
(exploitation), tandis que si AAA est supérieur à 1, le loup s'éloigne pour explorer d'autres
régions de l'espace de recherche (exploration).
D : Distance relative entre un loup et une cible
Le terme D représente la distance relative entre la position actuelle d'un loup (solution) et la
position de la meilleure solution connue (alpha, bêta, ou delta). Il est défini comme :
C : Coefficient de fluctuation
Le terme C est un coefficient de fluctuation qui influence l'intensité de la perturbation dans
l'attraction vers les meilleures solutions. Il est défini comme :
Résumé :
A : Facteur d'attraction qui contrôle la manière dont un loup se rapproche ou s'éloigne des
meilleures solutions. Il dépend du paramètre aaa qui diminue au cours du temps pour favoriser
la convergence.
D : Distance relative entre un loup (solution actuelle) et la meilleure solution. C'est cette
distance que l'algorithme cherche à réduire au fil des itérations.
C : Coefficient de fluctuation qui régule l'amplitude de l'attraction vers la meilleure solution
en introduisant un facteur de variation aléatoire, favorisant l'exploration.
Dans le cadre d’une machine synchrone à aimants permanents (MSAP), ces coefficients
permettent de rechercher de manière efficace les gains optimaux des régulateurs (par
exemple, les gains proportionnels et intégrals des contrôleurs PI dans une commande
vectorielle) ou tout autre paramètre du système à optimiser.
Ensuite, la position finale du loup Xi à l’itération t+1 est calculée en prenant la moyenne
pondérée des positions X1, X2 et X3 :
3.3.3. Coefficients d’attraction A et C
Les coefficients A et C régulent l’équilibre entre l’exploitation et l’exploration dans
l’espace de recherche :
Où r1 et r2 sont des valeurs aléatoires dans l'intervalle [0,1] et a diminué linéairement de 2 à 0
au fil des itérations pour favoriser la convergence de l'algorithme vers la solution optimale :
3.3.4. Critère d'arrêt
L'algorithme continue d'itérer jusqu'à ce qu'un nombre maximal d'itérations Tmax soit atteint
ou qu'un critère de tolérance soit satisfait (par exemple, lorsque la différence entre les
meilleures solutions successives devient négligeable).
