‫ﺍﻟﺟـﻣﻬﻭﺭﻳﺔ ﺍﻟﺟﺯﺍﺋﺭﻳﺔ ﺍﻟﺩﻳﻣﻘﺭﺍﻁﻳﺔ ﺍﻟﺷﻌﺑﻳﺔ‬

République Algérienne démocratique et populaire

‫ﻭﺯﺍﺭﺓ ﺍﻟﺗﻌﻠﻳﻡ ﺍﻟــﻌــﺎﻟﻲ ﻭ ﺍﻟﺑﺣــﺙ ﺍﻟﻌــﻠﻣــﻲ‬

Ministère de l’enseignement supérieur et de la recherche scientifique

‫ﺟــﺎﻣﻌﺔ ﺳﻌﺩ ﺩﺣﻠﺏ ﺍﻟﺑﻠﻳﺩﺓ‬

Université SAAD DAHLAB de BLIDA

‫ﻛﻠﻳﺔ ﺍﻟﺗﻛﻧﻭﻟﻭﺟﻳﺎ‬
Faculté de Technologie

‫ﻗﺳﻡ ﺍﻹﻟﻛﺗﺭﻭﻧﻳـﻙ‬
Département d’Électronique

Mémoire de Projet de Fin d’Études

présenté par

HADJEB Karima

&

MEZZAR Ismahan
pour l’obtention du diplôme de Master en Électronique option Automatique

Thème

Optimisation des performances d’un

système hybride de conversion d’énergies
renouvelable-fossile par la méthode des
essaims de particules

Proposé par : CHEGGAGA Nawal & FODHIL Fadhila

Année Universitaire 2014-2015

 :‫ﻣﻠﺧﺹ‬

‫ﺩ ﻳﺯﻝ( ﻟﻛﻬﺭﺑﺔ ﻣﻭﻗﻊ ﺭﻳﻔﻲ ﻣﻌﺯﻭﻝ ﻓﻲ ﺍﻟﺟﺯﺍﺋﺭ‬,‫ﻫﺫﺍ ﺍﻟﻌﻣﻝ ﻳﻁﺭﺡ ﻣﻧﻬﺟﻳﺔ ﺗﺻﻣﻳﻡ ﻧﻅﺎﻡ ﻫﺟﻳﻥ )ﺍﻟﻛﻬﺭﻭﺿﻮﺋﻲ‬
OEP ‫ﻭﺗﺳﺗﻧﺩ ﻫﺫﻩ ﺍﻟﻣﻧﻬﺟﻳﺔ ﺍﺳﺗﻣﺛﺎﻝ ﻋﻧﺎﺻﺭ ﺍﻟﺳﺭﺏ‬

‫ﻫﺫﺍ ﺍﻟﻌﻣﻝ ﻳﻅﻬﺭ ﺍﻟﺩﺭﺍﺳﺔ ﺍﻟﺗﺣﻠﻳﻠﻳﺔ ﻭ ﺍﻟﻔﻧﻳﺔ ﻭ ﺍﻻﻗﺗﺻﺎﺩﻳﺔ ﻟﻸﺩﺍء ﺍﻟﺗﻘﻧﻲ ﻭﺍﻻﻗﺗﺻﺎﺩﻱ ﻟﻠﻧﻅﺎﻡ ﺍﻟﻬﺟﻳﻥ ﻟﻣﻭﻗﻊ ﻗﺭﻳﺔ ﺭﻳﻔﻳﺔ ﻓﻲ‬
:‫ﺍﻟﺻﺣﺭﺍء ﺗﺩﻋﻰ'ﺍﻳﻠﻣﺎﻥ' ﺍﻟﺧﺻﺎﺋﺹ ﺍﻟﻣﺄﺧﻭﺫﺓ ﺑﻌﻳﻥ ﺍﻻﻋﺗﺑﺎﺭ ﻓﻲ ﻫﺫﻩ ﺍﻟﺩﺭﺍﺳﺔ‬

.‫ ﻋﺩﺩ ﺍﻟﻠﻭﺣﺎﺕ ﻭ ﻗﺩﺭﺓ ﺍﻟﻣﻭﻟﺩ‬,‫ ﻋﺩﺩ ﺍﻟﺑﻁﺎﺭﻳﺎﺕ‬,‫ ﺗﻛﻠﻔﺔ ﻛﻝ ﻋﻧﺻﺭ‬,‫ ﺍﻻﺳﺗﻬﻼﻙ‬,‫ﺍﻟﻣﻭﺍﺭﺩ‬

‫ ﺳﺮﺏ ﺍﻟﺠﺴﻴﻤﺎﺕ ﺍﻻﻣﺜﻞ‬,‫ ﺍﻟﻨﻈﺎﻡ ﺍﻟﻬﺠﻴﻦ‬,‫ ﻧﻈﺎﻡ ﺍﻟﻜﻬﺮﻭﺿﻮﺋﻲ‬:‫ﻛﻠﻤﺎﺕ ﺍﻟﻤﻔﺎﺗﻴﺢ‬

Résumé :

Ce travail présente une méthodologie de dimensionnement d’un système hybride PV-

Diesel pour électrifier un site rural isolé en Algérie. Cette méthodologie est basée sur
l’optimisation méta heuristique par essaim de particules OEP. L’étude technico-économique
effectuée montre une analyse technique et économique des performances du système PV-
Diesel-Batterie pour le site du village rural saharien isole "Ilamane" .Les paramètres de
configuration sont : les ressources, la charge, le cout de chaque élément, le nombre de
batterie, nombre de panneaux et la capacité du groupe électrogène.

Mots clés : Système PV; système hybride ; optimisation par essaim particulaire (OEP).

Abstract :

This work presents a design methodology of a hybrid system PV-Diesel to electrify an

isolated rural site in Algeria. This methodology is based on the meta heuristic particles
swarm optimization PSO. The techno-economic study presents a technical and economic
performance analysis of PV-diesel-battery system for the site "Ilamane" which is an isolates
rural Saharan village. The configuration parameters are: resources, load, the cost of each
element, the number of battery, number of panels and the capacity of the generator.

Keywords: PV system; hybrid system; particle swarm optimization (PSO).

 Remerciements

Nous remercions le bon Dieu de nous avoir donné la volonté et la patience qui nous ont
permis de mener à bien ce travail.
me
Nous tenons à exprimer mes remerciements à mon encadreur M .N .CHEGGAGA qui a

proposé et a dirigé ce travail.

me
Nous tenons aussi à exprimer ma profonde gratitude au M [Link] pour tous ses

conseils.

Nous remercions monsieur le président de jury, ainsi que les membres de jury d’avoir
accepté de juger ce travail.
Nous tenons à remercier les responsables et tout le personnel du département
d’Electronique.
Nos remerciements vont également à tous mes enseignants de l’université.

Nous remercions tous nos amis et toutes les personnes qui nous ont soutenus durant ces
années. Sans eux, le travail accompli n'aurait pas la même saveur.

Enfin, nos remerciements vont à toute la famille HADJEB et toute la famille MEZZAR, qui
nous ont accompagnés tout au long de nos études par leur amour inconditionnel et leur
soutien constant.
Listes des acronymes et abréviations :
A facteur d'idéalité relative au module
AUT autonomie du système (Jours)
B Irradiation solaire directe ([Link]ée-1)
B* Eclairement solaire directe (W.m-2)
C Batmax La capacité maximale (Ah)
CBatmin La capacité minimale (Ah).
D irradiation solaire diffuse ([Link]ée-1).
D* Eclairement solaire diffuse (W.m-2).
DOD profondeur de décharge
E0 constant solaire (W.m-2)
E Flux de rayonnement solaire reçu par unité de surface (W.m-2)
EBmin seuil minimal de l’énergie disponible dans la batterie
ET équation du temps (h).
G Irradiation solaire globale ([Link]ée-1).
G* Eclairement solaire globale (W.m-2).
h hauteur du Soleil (°).
I0 courant de saturation (Ampères).
J n° du jour de l’année
K constante de Boltzmann (1.38.10 −23 J.K-1).
L latitude (°).
l longitude (°).
ℓ largeur (m).
l ref longitude de référence du fuseau horaire (°)
LPS Loss of Power Supply.
LPSP Loss of Power Supply probability.
nb nombre des batteries
NPV le nombre de modules photovoltaïques.
PCIv énergie contenue dans un litre de combustible
PGE0 puissance nominale du groupe.
q charge de l'électron (1.602.10 −19 Coulomb)
QGE Consommation de groupe
Qv0 consommation à cette puissance nominale
QV0/PG0 consommation spécifique du groupe
Ri résistance de la batterie (Ω).
Rs résistance série du module (Ω).
RSh résistance parallèle du module (Ω).
t temps (s).
T température (°C).
TCF temps civil du fuseau (h).
Tj température de la jonction (°C).
TL temps légal (h).
TS temps solaire (h).
TU temps universel (h).
V tension
Vbat la tension nominale de la batterie (volts).
Vd la tension directe de conduction de la diode (volts).
Vec tension de saturation (volts).
Vg tension de gassing (volts).
Vm tension max (volts).
Voc tension du circuit ouvert (volts).
Vsoc tension d’un groupement des cellules en série (volts).
η bat rendement de la batterie.
ηB,ch le rendement de charge de la batterie.
ηGE rendement du groupe électrogène.
ηond le rendement de l’onduleur.
δ déclinaison (°).
σ taux d’insolation.
β azimut (°).
w coefficient d’inertie.
c1 et c2 coefficients d’accélération.
r1 et r2 nombres aléatoires uniformément dans [0, 1].
v la vitesse.
x la position.
EF Facteur d’émission.
El L’énergie de load.
ACS Le coût actuel net.
ACC le coût en capital.
ARC le coût de remplacement.
AFC le coût du carburant
AOM le coût de maintenance
Table des matières :

INTRODUCTION GENERALE 1
1 Généralité sur le système photovoltaïque 4
1.1 Introduction 4
1.2 La ressource solaire 4
1.3 L'énergie solaire 5
1.4 Aspects géométriques 6
1.4.1 Mouvements de la Terre 6
1.4.2 Mouvement apparent du Soleil 7
1.4.3 Heures et temps 9
1.4.4 Durée et taux d’ensoleillement 12
1.5 Aspects énergétiques 13
1.5.1 Rayonnement solaire 13
1.5.2 Variations et types du rayonnement 15
1.6 Le gisement solaire en Algérie 16
1.7 Conclusion 16
2 Système D’énergie Hybride 17
2.1 Introduction 17
2.2 définitions systèmes hybrides 18
2.2.1 Systèmes photovoltaïques non connectés au réseau 18
[Link] Systèmes photovoltaïques autonomes (SAPV) 19
[Link] Systèmes photovoltaïques autonomes hybrides 20
2.2.2 Caractérisation et tache des systèmes hybrides 21
2.3 Configuration parallèle ou multi master 21
2.4 Modélisation des composants 24
2.4.1 Modélisation du générateur photovoltaïque 24
2.4.2 Modélisation du système de stockage 26
2.4.3 Modélisation de la consommation en fuel du groupe électrogène 27
2.5 Dimensionnement du système 29
2.5.1 Description de la méthode LPSP 29
Modèle de simulation 30
2.6 Conclusion 32
3 Optimisation par essaim particulaire 33
3.1 Introduction 33
3.2 Méta-heuristiques pour l’optimisation mono-objectif difficile 34
3.2.1 Problème d’optimisation 34
3.2.2 Optimisation difficile 34
3.2.3 Algorithmes d’optimisation approchée 35
[Link] Heuristiques 35
 [Link] Méta-heuristiques 36
3.3 Optimisation par Essaim Particulaire 38
3.3.1 Principe général 38
3.3.2 Formalisation 39
3.4 Notion de voisinage de PSO 41
3.4.1 Voisinage géographique 42
3.4.2 Voisinage social 43
3.5 Différents modèles de topologies 44
3.5.1 Topologies statiques 44
3.5.2 Topologies dynamiques 46
3.6 Coefficient d’inertie 46
3.7 Conclusion 47
4 Dimensionnement 48
4.1 Introduction 48
4.2 Présentation des Ressources météorologiques et profil de charge 48
4.2.1 Présentation de site 48
4.2.2 Les données météorologiques utilisées 49
4.2.3 Le profil de charge 50
4.3 Les différents éléments du système 53
4.3.1 L’onduleur 53
4.3.2 Les batteries 53
4.3.3 Régulateur de charge 53
4.3.4 Générateur photovoltaïque 54
4.4 Dimensionnement du système 55
4.4.1 Dimensionnement du générateur photovoltaïque sous Matlab 55
4.4.2 Simulation du comportement du système 58
4.5 Discussion des résultats 60
4.6 Conclusion 61
Conclusion générale 62
Bibliographie 64
Liste des figures :
Figure 1.1 Répartition spectrale du rayonnement solaire hors atmosphère
Figure 1.2 Schématisation des mouvements de la Terre autour du Soleil
Figure 1.3 Mouvement apparent du Soleil observé d’un point de latitude L
Figure 1.4 Position du Soleil en fonction de la hauteur et l’azimut
Figure 1.5 Décalage horaire par rapport au méridien de Greenwich
Figure 1.6 Equation du temps ET et déclinaison δ en fonction du jour de l’année
Figure 1.7 Types de rayonnement solaire reçus au sol
Figure 1.8 Variation type de l’éclairement solaire au cours d’une journée non-perturbée
Figure 2.1 Système photovoltaïque autonome
Figure 2.2 Exemple d’architecture électrique d’un système photovoltaïque autonome
hybride
Figure 2.3 Configuration PV/Diesel parallèle
Figure 2.4 Différentes architectures de la configuration PV/Diesel parallèle
Figure 2.5 Schéma équivalent d'un module photovoltaïque
Figure 2.6 Influence de l'ensoleillement sur la caractéristique I =f (V) pour une
température constante
Figure 2.7 Influence de la température sur la caractéristique I =f (V) Pour un éclairement
solaire constant
Figure 2.8 Schéma électrique équivalent de nb éléments de batteries en série
Figure 2.9 Caractéristique de décharge
Figure 2.10 Caractéristique de charge
Figure 3.1 Déplacement d’une particule
Figure 3.2 Topologies statiques : (a) Topologie Gbest, (b) Topologie en anneau (ou Ring)
utilisée dans Lbest, (c) Topologie en étoile (ou Wheel), (d) Topologie Von
Neumann et (e) topologie Four-clusters
Figure 4.1 caractéristiques climatiques du site
Figure 4.2 Organigramme de simulation de PSO
Figure 4.3 Organigramme de l'algorithme de PSO
Figure 4.4 Convergence de l'algorithme de PSO
Liste des tableaux :
Tableau 1.1 Rayonnement solaire sur un plan horizontal
Tableau 1.2 L’ensoleillement reçu annuellement en Algérie par région climatique
Tableau 2.1 Description de la zone de fonctionnement des batteries
Tableau 4.1 Profil de consommation utilisé dans notre étude
Tableau 4.2 Profil de consommation énergétique horaire
Tableau 4.3 Les caractéristiques électriques du module Atersa 75A sous les conditions
standards (STC)
Tableau 4.4 Les paramètres économiques du système
Tableau 4.5 Résultats du dimensionnement
Tableau 4.6 Bilan énergétique du système
Tableau 4.7 Bilan économique du système
 Introduction général

L’utilisation des énergies renouvelables n’est pas nouvelle. Celles-ci sont exploitées par
l’homme depuis la nuit des temps. Elles constituaient une activité économique à part
entière, notamment en milieu rural où elles étaient aussi importantes et aussi diversifiées
que la production alimentaire [1].

La production d'énergie est un défi de grande importance pour les années à venir. En effet,
les besoins énergétiques des sociétés industrialisées ne cessent d’augmenter. Par ailleurs, les
pays en voie de développement auront besoin de plus en plus d’énergie pour mener à bien
leur développement. De nos jours, une grande partie de la production mondiale d’énergie
est assurée à partir de sources fossiles. Le danger supplémentaire est qu’une consommation
excessive du stock de ressources naturelles réduit les réserves de ce type d’énergie de façon
dangereuse pour les générations futures. A la différence des énergies fossiles, les énergies
renouvelables sont des énergies à ressource illimitée. Les énergies renouvelables regroupent
un certain nombre de filières technologiques selon la source d’énergie valorisée et l’énergie
utile obtenue [1].

La problématique, celle des sites isolés, plus de deux milliards de personnes disséminées
dans des régions isolées. Dans ces secteurs l'approvisionnement électrique dépend
seulement des systèmes de génération diesel autonomes, outre le coût de carburants ne
cesse d'augmenter, ce qui rend la production d'électricité économiquement très
dispendieuse, ce qui traduit l’application d’une solution parfaite comme une production
d’énergie décentralisée [2].
Un système hybride de génération d’énergie électrique est un choix remarquable pour
pallier aux problèmes d’alimentation des sites isolés, sa combinaison de plusieurs sources
génère une particularité. La diversification en termes de sources d’énergie pour ce système
reste un avantage majeur pour limiter le problème de fluctuation des sources renouvelables.
Cependant leur installation nécessite une étude de dimensionnement des organes
représentant le système pour définir un fonctionnement idéal.
L’un des principes les plus fondamentaux de notre monde, qui occupe aussi une place
importante dans le monde informatique, industriel, etc., est la recherche d’un état optimal.
En effet, de nombreux problèmes scientifiques, sociaux, économiques et techniques ont des
paramètres qui peuvent être ajustés pour produire un résultat plus souhaitable. Ceux ci
peuvent être considérés comme des problèmes d’optimisation et leur résolution est un sujet
central en recherche opérationnelle. Des techniques ont été conçues pour résoudre ces
problèmes, notamment les problèmes « difficiles » (par exemple ceux qui présentent de
nombreux extrema locaux pauvres), en déterminant des solutions qui ne sont pas
rigoureusement optimales, mais qui s’en approchent. Ces méthodes, appelées heuristiques
et méta-heuristiques, se basent généralement sur des phénomènes physiques, biologiques,
socio-psychologiques, et peuvent faire appel au hasard.
Notre sujet propose une approche d’optimisation d’un système hybride qui utilise des
sources d’énergies renouvelable et fossile, Par méthode optimisation par essaims de
particules PSO. Le système hybride étudier comprend (des panneaux, des batteries, la
charge, groupe diesel) afin de fournir un service d’énergie de qualité pour population rural.
Pour cela le présent mémoire est organisé comme suit :

Le premier chapitre renferme une description générale, et le principe de fonctionnement de

système solaire et photovoltaïque.

Le second chapitre aborde le concept théorique de l’énergie hybride avec modélisation de

chaque composant du système étudié.

Le troisième chapitre est consacré aux techniques d’intelligence par Essaim Particulaire
(OEP).

Dans le quatrième chapitre nous présentons les résultats des simulations et optimisation du
système hybride photovoltaïque par la méthode de PSO. À l’aide d’un programme de
simulation réalisé sous Matlab pour le site de d'ilamane (latitude 23.12 N- longitude 5.27 E)
Tamanrasset.

Nous terminerons ce modeste travail par une conclusion générale qui résume notre étude.
 Chapitre 1 : Généralité sur le système photovoltaïque

1.1. Introduction :

L’énergie solaire photovoltaïque désigne l’énergie récupérée et transformée directement en

électricité à partir de la lumière du soleil par des panneaux photovoltaïque .En outre, cette
énergie est une source non polluante .Modulaires, ses composants se prêtent bien à une
utilisation innovante et esthétique en architecture. Ainsi que le cout de maintenance est
faible, et elle répond parfaitement aux besoins des sites isolés.

1.2. La ressource solaire :

Le soleil est une sphère gazeuse composée presque totalement d’hydrogène. Son diamètre
est de 1 391 000 Km (100 fois celui de la Terre), sa masse est de l’ordre de 1,9891×1030kg.
Toute l’énergie du Soleil provient de réactions thermonucléaires qui s’y produisent. Elles
transforment à chaque seconde 564.106 tonnes d’hydrogène en 560.106 tonnes d’Hélium, la
différence de 4 millions de tonnes est dissipée sous forme d’énergie, ce qui représente une
énergie totale de 36.1022 W. La Terre étant à une distance de 150 .106Km du Soleil, elle
reçoit une énergie de 1,8.1017 W. La valeur du flux de rayonnement solaire E reçu par une
surface perpendiculaire aux rayons solaires placée à la limite supérieure de l’atmosphère
terrestre (soit à environ 80 Km d’altitude) varie au cours de l’année avec la distance
Terre/Soleil. Sa valeur moyenne E0 est appelée la constante solaire, elle vaut E0 = 1367
W/m2 [3].

En première approximation, on peut calculer la valeur de E en fonction du numéro du jour

de l’année j par :
 E = E0 [1 + 0.333 cos(0.984 j )] ……………. (1.1)

La figure (1.1) représente la répartition spectrale du rayonnement solaire hors atmosphère

en fonction de la longueur d’onde. Cette répartition du rayonnement solaire montre que
98% du rayonnement solaire est émis dans des longueurs d’onde inférieures à 4 μm [4].

Figure 1.1 : Répartition spectrale du rayonnement solaire hors atmosphère [4].

1.3. L'énergie solaire :

Le soleil est une source quasiment inépuisable d’énergie qui envoie à la surface de la terre un
rayonnement qui représente chaque année environ 8400 fois la consommation énergétique.
Cela correspond à une puissance instantanée reçue de 1 kilowatt crête par mètre carré
(KWc/m2) répartie sur tout le spectre, de l’ultraviolet à l’infrarouge [5].
Les déserts de notre planète reçoivent en 6 heures plus d’énergie du soleil que n’en consomme
l’humanité en une année. L'énergie solaire est produite et utilisée selon plusieurs, procédés:
• L'énergie solaire thermique : qui consiste tout simplement à produire de la chaleur
grâce à des panneaux sombres. On peut aussi produire de la vapeur à partir de la
chaleur du soleil puis convertir la vapeur en électricité.
• L'énergie solaire photovoltaïque : qui consiste à produire directement de l'électricité à
partir de la lumière à l'aide de panneaux solaires. Cette forme d'énergie est déjà
exploitée dans de nombreux pays, surtout dans les pays ou les régions ne disposant
 pas de ressources énergétiques conventionnelles tels que les hydrocarbures ou le
charbon [5].

1.4. Aspects géométriques

L’étude des aspects géométriques du rayonnement solaire reçu par la Terre est
indispensable pour calculer le rayonnement solaire reçu par un plan incliné placé à la surface
de la Terre et orienté dans une direction donnée. La connaissance du rayonnement solaire
est la base du dimensionnement de tout système solaire.

1.4.1. Mouvements de la Terre :

La trajectoire de la Terre autour du Soleil est une ellipse dont le Soleil est l’un des foyers. Le
plan de cette ellipse est appelé l’écliptique. L’excentricité de cette ellipse est faible ce qui fait
que la distance Terre/Soleil ne varie que de ±1,7% par rapport à la distance moyenne qui est
de 149 675 106 Km [6].

La Terre tourne également sur elle-même autour d’un axe appelé l’axe des pôles. Le plan
perpendiculaire à l’axe des pôles et passant par le centre de la Terre est appelé l’équateur.
L’axe des pôles n’est pas perpendiculaire à l’écliptique : l’équateur et l’écliptique font entre
eux un angle appelé inclinaison et qui vaut 23°27’ [6] .Les mouvements de la Terre autour de
son axe et autour du Soleil sont schématisés sur la figure (1.2).
 Figure 1.2 : Schématisation des mouvements de la Terre autour du Soleil [6].

La déclinaison δ est l’angle formé par la direction du soleil avec le plan équatorial. Elle
traduit l’inclinaison du plan équatorial par rapport au plan écliptique. Elle varie au cours de
l’année entre -23,45° et +23,45°. Elle est nulle aux équinoxes (21 mars et 21 septembre),
maximale au solstice d’été (21 juin) et minimale au solstice d’hiver (21 décembre). La valeur
de la déclinaison peut être calculée par la relation [7,8]:

284 + j
δ =23.45 ⋅ sin(2 π ) ……………. (1.2)
365
1.4.2. Mouvement apparent du Soleil :

Le mouvement apparent du Soleil vu par un observateur fixe en un point de latitude L au

nord de l’équateur est représenté sur la figure (1.3).

Figure 1.3 : Mouvement apparent du Soleil observé d’un point de latitude L [6].
Au midi solaire, l’angle que fait la direction du Soleil avec la verticale du lieu est égal à

(L – δ). La durée du jour est de 12h aux équinoxes, elle est inférieure à 12h entre le 21
septembre et le 21 mars, supérieure à 12h entre le 21 mars et le 21 septembre.
La position du soleil dans le ciel est repérée par l’intermédiaire de deux angles :
- La hauteur angulaire (h) : Qui détermine la longueur de la traversée de la
l’atmosphère est l’angle formé par la direction de soleil et le plan horizontal. Sa
valeur sera comprise entre 24h (au lever et au coucher) et maximum au zénith (midi
en temps solaire vrai) [7,8].

Quand le sinus est négatif, c’est que le soleil n’est pas encore levé (la durée des journées
varie dans l’année). Il faut donc écrêter cette variable [9].
sin( h ) = sin( L ) sin( δ ) + cos( L ) cos( δ ) cos( ω ) ……………. (1.3)

- Azimut du soleil (α ) : Angle que fait la projection de la direction du soleil avec la

direction du sud. Cet angle étant orienté positivement vers l’Ouest [7,8].
cos(δ ) sin(ω )
sin(α ) = ……………. (1.4)
cos( h)

Ces deux angles sont représentés sur la figure (1.4).

Figure 1.4 : Position du Soleil en fonction de la hauteur et l’azimut [6].

Ces deux angles sont en fonction de :

- La latitude L du lieu

- La date j (numéro du jour de l’année)

- L’heure solaire TS dans la journée.

La latitude L et la date j servent à déterminer la trajectoire du soleil dans le ciel et l’heure TS

donne la position instantanée sur cette trajectoire.

Le jour est défini comme le temps mis par la Terre pour effectuer un tour sur elle-même. Un
jour a été divisé en 24h et l’heure solaire TS est défini en fixant TS = 12h lorsque la hauteur
du Soleil est maximale, le soleil est à son « zénith ».

Egalement, l’angle horaire ω est défini par la relation suivante [3] :

ω = 15(TS − 12) …………… (1.5)

ω est compté positivement l’après-midi.

1.4.3. Heures et temps :

- Durée du jour :

Le module ωl de l’angle horaire au lever du Soleil s’obtient en écrivant sin(h)=0 dans la

formule (1.3), ce qui conduit à :

cos(ω1 ) = − tan( L ) tan(δ ) …………… (1.6)

L’heure solaire au lever du soleil a donc pour valeur [9]:

ωl
(TS ) l = 12 −
15
……………. (1.7)
L’angle horaire ωc au coucher du soleil est l’opposé de l’angle horaire à son lever, nous avons
donc ωc = -ωl et la durée du jour vaut :

ωl
d = 2
15
……………. (1.8)

-Relation entre temps légal et temps solaire :

Les relations se rapportant au mouvement du Soleil utilisent le temps solaire TS qui diffère
généralement du temps légal TL (heure des montres) du lieu considéré. Cette différence est
liée à :
- La différence (fixée par chaque pays) entre l’heure légale TL et l’heure civile TCF du fuseau
horaire dans lequel il se trouve soit [10]:

C = TL − TCF ……………. (1.9)

L’heure civile TCF du fuseau horaire est égale au temps universel TU (temps solaire du
méridien de Greenwich) augmenté de la valeur du décalage horaire que l’on trouvera sur la
figure (1.5).

- La variation de la vitesse de la Terre sur sa trajectoire autour du soleil qui introduit un

terme correctif appelé équation du temps et noté ET :
 0 .0002 − 0 .4797 cos( ω ' j ) + 3 .2265 cos( 2ω ' j ) + 0 . 0903 cos( 3ω ' j ) + 
ET =  
 7 .3509 sin( ω ' j ) + 9 .3912 sin( 2ω ' j ) + 0 .3361 sin( 3ω ' j ) 
…………… (1.10)
Où : N est le numéro du jour dans l’année.
ω’ = 0,984
ET Équation du temps (terme correctif) en mn
 Figure 1.5 : Décalage horaire par rapport au méridien de Greenwich [9].

- La différence de longitude (l – lref) entre le lieu considéré et le lieu servant de référence au

temps légal (en général le centre du fuseau).

Le temps solaire TS se calcule finalement par la formule [9]:

TS = TL − C + ET +
(l ref − l) ……………. (1.11)
15

La correction maximale due à l’équation du temps est de l’ordre de 16 mn, on peut ne pas
en tenir compte en première approximation. On trouvera les variations annuelles de la
déclinaison et de l’équation du temps sur la figure 1.6.
Figure 1.6 : Equation du temps ET et déclinaison δ en fonction du jour de l’année [6].

1.4.4. La durée et le taux d’insolation:

a) Durée d’ensoleillement :

Selon les conditions atmosphériques, le ciel peut être plus ou moins couvert de nuages au
cours d’une journée. Ceux-ci occultent le soleil, totalement ou partiellement, empêchant
ainsi le rayonnement d’atteindre directement le sol. On dit que la nébulosité est plus ou
moins importante selon qu’il y a beaucoup ou peu de nuages.

On appelle durée effective d’ensoleillement ou insolation SS le temps pendant lequel, au

cours d’une journée, le rayonnement solaire direct a atteint le sol du lieu considéré. On
appelle rayonnement direct le rayonnement qui atteint la surface terrestre sans avoir subi
de déviation depuis son émission par le soleil.

b) Taux d’ensoleillement :

Par ciel clair sans nuages, le sol reçoit le rayonnement solaire direct pendant toute la durée
du jour, ou plus précisément pendant la durée maximale d’ensoleillement SS0. On appelle
taux d’ensoleillement ou taux d’insolation le rapport entre la durée effective et la durée
maximale d’ensoleillement [6]:

SS
σ = ……………. (1.12)
SS 0
La durée maximale d’ensoleillement SS0 pour un site dégagé peut être prise égale à la durée
du jour calculée par la formule (1.8).

Pour le site de village rural saharien isolé nommé "Ilamane‘’ wilaya de Tamanrasset, les
spécifications sont données par les grandeurs météorologiques suivantes :
La latitude : 23.12° N
La longitude : 5.27° E
L'altitude : 1928 m

1.5. Aspects énergétiques :

1.5.1. Rayonnement solaire :

Le rayonnement solaire est constitué de photons dont la longueur d’onde s’étend de l’ultraviolet
(0.2μm) à l’infrarouge lointain (2.5μm). On utilise la notion AM pour Air Mass afin de
caractériser le spectre solaire en termes d’énergie émise [11]. Pour tenir compte de la
distance traversée par les rayons, il est nécessaire d’introduire une notion de masse d’air
(AM) elle correspond à la longueur relative du parcours à travers l’atmosphère terrestre
traversée par le rayonnement solaire direct. La masse d’air est exprimée un multiple du
trajet parcouru en un point au niveau de la mer, le soleil étant directement à l’aplomb [12].
Au niveau du sol le rayonnement global reçu par une surface plane d’inclinaison quelconque
est constitué de trois composantes principales :

• Le rayonnement direct est le rayonnement reçu directement du soleil [11].

• Le rayonnement diffus est le rayonnement provenant de toute la voûte
céleste. Ce rayonnement est dû à l’absorption et à la diffusion d’une partie
du rayonnement solaire par l’atmosphère et à sa réflexion par les nuages
[11].
• Le rayonnement solaire réfléchi est le rayonnement qui est réfléchi par le
sol ou par des objets se trouvant à sa surface. Ce rayonnement peut être
important lorsque le sol est particulièrement réfléchissant (eau, neige) [11].
 • Le rayonnement global est la somme de tous les rayonnements reçus, y
compris le rayonnement réfléchi par le sol et les objets qui se trouvent à sa
surface [11].

Figure 1.7 : Types de rayonnement solaire reçus au sol [11].

Le tableau 1.1 illustre les notations utilisées pour les composantes du rayonnement solaire
sur une surface horizontale.

Irradiation solaire Directe B

Energie reçue pendant une certaine durée Diffuse D

G=B+D
-2 -1 -2 -1
en W.m .durée ou kWh.m .durée Globale G

Direct B*
Eclairement solaire
Diffus D* G* = B* +
-2
Flux instantané en W.m
Global G* D*

Tableau 1.1 : Rayonnement solaire sur un plan horizontal

1.5.2. Variations et types du rayonnement :

a) Annuelle :

La valeur de l’irradiation globale annuelle sur un plan horizontal dépend fortement de la

latitude.

b) Mensuelle:

La valeur mensuelle moyenne de l’irradiation globale sur un plan horizontal subit

également des variations plus ou moins importantes au cours de l’année.

c) Journalière :

L’éclairement solaire reçu par un capteur varie typiquement de la manière représentée

sur la figure (1.7) au cours d’une journée non-perturbée : nul la nuit, il augmente dès le lever
du jour pour atteindre un maximum au midi solaire avant de décroître de nouveau jusqu'à
s’annuler à la tombée de la nuit. [4]

Figure 1.8: Variation type de l’éclairement solaire au cours d’une journée non-
perturbée [4].
1.6. Le gisement solaire en Algérie :

Suite à une évaluation par satellites, l’Agence spatiale allemande (ASA) a conclu, que
l’Algérie représente le potentiel solaire le plus important de tout le bassin
méditerranéen: 169000 TWh/an pour le solaire thermique, 14 TWh/an pour le solaire
photovoltaïque et 35 TWh/an pour l’éolien [12] La répartition du potentiel solaire par région
climatique au niveau du territoire algérien est présentée dans le tableau 1.2, selon
l’ensoleillement reçu annuellement.

Régions Littoral Hauts-Plateaux Sahara

Superficie(%) 4 10 86

Ensoleillement (heures/an) 2650 3000 3500

Energie moyenne reçue

1700 1900 2650
(KWh/m2/an)

Tableau 1.2 : L’ensoleillement reçu annuellement en Algérie par région climatique [13 ,14].

Le potentiel solaire algérien est l’équivalent de 10 grands gisements de gaz naturel qui
auraient été découvert à Hassi R’mel. Par cette conjoncture, l’utilisation de l’énergie
solaire est donc bien adaptée aux applications d’électrification rurale.

1.9. Conclusion :
Ce chapitre a été consacré à la description de l’irradiation solaire comme source d’énergie
pour le dimensionnement des systèmes photovoltaïques sur un site donné. Ce qui exige la
prise en considération du caractère variable et imprévisible de l'irradiation solaire. En effet,
le fonctionnement des modules photovoltaïques dépend de l'intensité de l'irradiation solaire
reçue et la température des modules photovoltaïques.
 CHAPITRE 2: Système D’énergie Hybride

2.1. Introduction:
Le prix d’extension du réseau électrique pour les régions isolées et éloignées s’avère
prohibitif et excessif ainsi que le surcoût d’approvisionnement en carburant augmente
radicalement avec l’isolement. Le recours au système d’énergie hybride fait signe aux
systèmes de génération d’énergie électrique par combinaison de plusieurs types de sources.
La combinaison des sources d’énergies renouvelables comme le photovoltaïque, l’éolienne,
la biomasse et des petites centrales hydrauliques peut constituer un complément ou une
alternative aux groupes électrogènes diesels destinés généralement pour alimentation
électrique des régions isolées. Les systèmes d’énergie hybride sont habituellement élaborés
pour répondre aux besoins énergétiques de l’électrification des maisons autonomes ou
l’électrification complète de villages isolés ou de petites îles.
Les énergies renouvelables sont économiquement fiables et rentables pour l’intégration
dans les systèmes de production d’énergie électrique, cependant, des améliorations dans la
conception et le fonctionnement des systèmes hybrides sont toujours nécessaires pour
rendre plus compétitives ces filières technologiques et permettre leur progression.
L’insertion des diverses sources d’énergies dans un système hybride doit avoir une
conséquence profitable et bénéfique sur la production d’énergie, en terme de coût et
disponibilité, aussi bien que le bilan écologique est présumé favorable. Les moyens de
production d’énergies renouvelables représentent des capacités de production variables,
incertaines et souvent intermittentes et fluctuantes, non corrélées à la demande de charge.
L’objectif d’un système hybride est d’assurer la demande de charge et d’optimiser sa
production afin de combler l’énergie demandée par la charge durant la période
d’intermittence et tout en maintenant la qualité d’énergie fournie[15].
2.2. Définitions systèmes hybrides :
Les systèmes d’énergie hybride associent des sources d’énergie renouvelable et des sources
d’énergie classiques [16, 17,18]. Les sources d’énergie renouvelable, comme le
photovoltaïque et l’éolienne ne délivrent pas une puissance constante, mais vu leurs
complémentarités, leur association permet d’obtenir une production électrique continue.
Les systèmes d’énergie hybrides sont généralement autonomes par rapport aux grands
réseaux interconnectés et sont souvent utilisés dans les régions isolées [19,20].
Le but d’un système d’énergie hybride est de produire le maximum d’énergie à partir des
sources d’énergie renouvelable pour satisfaire la demande de la charge. En plus des sources
d’énergie, un système hybride peut aussi incorporer un système de distribution à courant
continu, un système de distribution à courant alternatif, un système de stockage, des
convertisseurs, des charges et une option de gestion des charges. Les sources d’énergie
renouvelable peuvent être connectées au bus continu ou alternatif en fonction de la
dimension du système [2].
La puissance délivrée par les systèmes hybrides peut varier de quelques watts pour des
applications domestiques jusqu'à quelque mégawatt pour les systèmes utilisés dans
l’électrification de petits villages. Ainsi, les systèmes hybrides utilisés pour des applications
de très faible puissance (en dessous de 5 kW) alimentent généralement des charges à
courant continu. Les systèmes plus grands, ayant une puissance supérieure à 100kW,
connectés sur le bus à courant alternatif, sont conçus pour être connectés aux grands
réseaux interconnectés [21].

2.2.1. Systèmes photovoltaïques non connectés au réseau :

On distingue deux types de systèmes photovoltaïques non connectés au réseau. Si l’énergie
photovoltaïque est l’unique source d’énergie du système, on parlera de système stand-alone
(SAPV system : Stand-alone Photovoltaïque system). Si un autre dispositif de production est
utilisé en appui de la production photovoltaïque, on parlera de système photovoltaïque
hybride. Dans la majeure partie des cas, le mode de production d’appui est constitué d’un ou
plusieurs groupes électrogènes diesels.
Les systèmes photovoltaïques non connectés au réseau sont principalement utilisés dans les
zones où le réseau électrique est très peu dense en raison du coût de raccordement
prohibitif. L’énergie produite est destinée à être consommée sur place. L’électrification des
sites isolés par systèmes photovoltaïques concerne l’habitat (Solair Home System : SHS) mais
aussi les relais de télécommunication se trouvant éloignés des réseaux de distribution
électrique [22].

[Link]. Systèmes photovoltaïques autonomes (SAPV) :

La seule production électrique de ce type de systèmes est d’origine photovoltaïque. Un
schéma d’un système photovoltaïque autonome est représenté figure (2.1). Du fait de la dé-
corrélation entre production photovoltaïque et alimentation des charges du consommateur,
un système de stockage est utilisé en tampon, celui-ci étant rechargé en cas de surplus de
production et déchargé en cas de surconsommation.
En raison de sa maturité technologique et de son faible coût d’investissement, le moyen de
stockage universellement répandu pour de telles applications est du type électrochimique
Plomb-Acide [23]. Cependant, de nouvelles technologies sont actuellement envisagées
comme celles au Lithium.
Les performances de ce type de système sont directement liées à son dimensionnement. Un
sous-dimensionnement a notamment pour conséquences un vieillissement prématuré du
système de stockage ainsi qu’un accroissement des délestages de consommation et de
production alors qu’un surdimensionnement peut conduire à un surcoût économique.
 Figure 2.1: Système photovoltaïque autonome [24].

[Link]. Systèmes photovoltaïques autonomes hybrides :

Dans ce type de système, un second producteur d’énergie (le plus souvent un Groupe
Électrogène) est utilisé pour pallier les insuffisances de la production photovoltaïque. L’idée
étant de faire appel à l’énergie de ce producteur lorsque le système n’est plus en mesure de
subvenir aux besoins du consommateur et/ou que l’état de charge de l’accumulateur est
trop faible. La figure (2.2) représente une architecture possible d’un système photovoltaïque
autonome hybride.
L’avantage de ce type de système est que, théoriquement, le consommateur ne se trouve
jamais en situation d’être délesté, le groupe électrogène assurant la fourniture d’énergie
lorsque la production PV est insuffisante (sauf dans le cas où le réservoir du groupe
électrogène est vide). Les coûts d’investissement des panneaux photovoltaïques et du
système de stockage peuvent être minimisés ; par contre, les coûts de fonctionnement
principalement liés au prix du combustible du groupe électrogène sont plus importants que
pour un système autonome non hybride [24].

Figure 2.2: Exemple d’architecture électrique d’un système photovoltaïque autonome

hybride [24].

2.2.2. Caractérisation et tache des systèmes hybrides :

Le système hybride de production d’énergie est un système qui combine et exploite
différentes sources d’énergies disponibles et facilement mobilisables. Les systèmes hybrides
sont souvent autonome vis à vis des grands réseaux interconnectés et fréquemment utilisés
dans les régions isolées. Ces systèmes seront conçus dans l’intention d’économiser le
carburant et la baisse de prix obtenue par la génération hybride doit au moins couvrir
l’investissement envisagé d’énergie renouvelable et les autres composants auxiliaires du
système [15].

2.3. Configuration parallèle ou multi master :

Dans la configuration parallèle, toutes les sources peuvent alimenter la charge séparément à
faible et moyenne demande mais également suppléer les pointes en combinant les sources.
L’onduleur bidirectionnel peut fonctionner, soit comme un redresseur lorsqu’il y a un excès
d’énergie produite par le diesel pour charger la batterie, soit comme un onduleur, pour
transférer l’énergie fournie par le champ photovoltaïque ou par la batterie vers la charge.
Grâce à l’onduleur bidirectionnel, le système parallèle peut alimenter une charge supérieure
à la puissance nominale du générateur. Ce système possède deux améliorations par rapport
aux configurations série et commutée. L’association du générateur diesel et de l’onduleur
permet l’alimentation d’une charge supérieure à la charge alimentée par chaque élément
seul. En principe, la capacité du système est deux fois plus grande dans cette configuration.
La possibilité de synchroniser l’onduleur avec le générateur diesel permet une meilleure
flexibilité du système et de plus, la puissance nominale du générateur diesel peut être
diminuée, ce qui augmente la partie de l’énergie directement utilisée d’où on obtient une
augmentation du rendement du système. En utilisant un seul convertisseur comme onduleur
et redresseur, on diminue le nombre des éléments dans le système. De plus, les coûts du
câblage et l’installation du système peuvent être diminués par l’intégration de toutes les
composantes dans une seule unité, ce qui est avantageux, mais peut empêcher
l’augmentation de la taille du système par l’ajout de nouveaux composants si la demande en
électricité augmente [25].

Figure 2.3: Configuration PV/Diesel parallèle [25].

Dans la configuration hybride PV/Diesel parallèle on distingue généralement deux

architectures figure (2.4) à savoir [26] :
- L’architecture « Multi-master » avec générateurs Diesels ;
- L’architecture « Multi-master » avec onduleurs.
L’architecture « Multi-master » avec générateurs Diesels est une architecture typique pour
les grands systèmes avec plusieurs générateurs Diesel en parallèle couplés au générateur
photovoltaïque via un onduleur.
L’architecture « Multi-master » avec onduleurs est constitué de plusieurs onduleurs couplés
à un générateur Diesel. Ici l’augmentation du champ photovoltaïque est aisée car elle ne
nécessite pas un arrêt total du système .Dans les deux architectures, un système de contrôle
central peut être installé afin d’optimiser l’opération des générateurs diesel, (niveau de
puissance, synchronisation, démarrage, arrêt).

Figure 2.4: Différentes architectures de la configuration PV/Diesel parallèle [26].

(a) architecture« Multi master avec générateurs Diesel,

(b) architecture « multi-master » avec onduleurs.

Il faut cependant souligner que la configuration multi master peut se faire avec plusieurs
générateurs Diesels et plusieurs onduleurs.
 2.4. Modélisation des composants :

2.4.1. Modélisation du générateur photovoltaïque :

- Modèle de la diode :
Un générateur photovoltaïque est constitué d’une association de modules photovoltaïques
en série et en parallèle. L'élément responsable de la conversion photovoltaïque dans un
module ou un générateur photovoltaïque est la cellule photovoltaïque. Ainsi, La
modélisation du comportement électrique d’une cellule photovoltaïque peut être étendue
au module photovoltaïque.
Le schéma équivalent d'un module PV est représenté par la figure (2.5). A l'aide de la loi des
nœuds, la caractéristique I =f (V) d'un module photovoltaïque est donnée en fonction du
photo courant IL , la résistance série Rs et la résistance shunt Rsh .L'équation mathématique
est comme suit [27,28] :

  V + I .R s   V + I .R s
I = I L − I 0  exp   − 1  −
  A .V t   R sh ……………. (2.1)

KTj
Où : V t =
q ……………. (2.2)

Avec :

I0 : courant de saturation.

q : charge de l'électron.

K : constante de Boltzmann.

A : facteur d'idéalité relative au module.

Tj : température de la jonction.
 Figure 2.5: Schéma équivalent d'un module photovoltaïque [6].

La courbe caractéristique I =f (V) d'un module photovoltaïque représente la variation du

courant en fonction de la tension à ces bornes. Cette courbe est établie dans des conditions
ambiantes de fonctionnement .Cette caractéristique I =f (V) est influencée par l'intensité de
l'éclairement solaire et la température du module photovoltaïque.

La figure (2.6) montre que le courant est proportionnel à l'intensité de l'éclairement solaire.
Par contre la tension du circuit ouvert est inversement proportionnelle à la température de
jonction figure (2.7).

caractéristique I-V du module BP SX 150S

5
1000W/m2
4.5

3.5
700W/m2
3
Courant (A)

2.5

2 400W/m2

1.5

0.5 100W/m2

0
0 5 10 15 20 25 30 35 40 45 50
Tension (V)

Figure 2.6: Influence de l'ensoleillement sur la caractéristique

I =f (V) pour une température constante [6].

 caractéristique I-V du module BP SX 150S
5

4.5 0C
25C
50C
4 75C

3.5

3
Courant (A)

2.5

1.5

0.5

0
0 5 10 15 20 25 30 35 40 45 50
Tension (V)

Figure 2.7: Influence de la température sur la caractéristique I =f (V)

Pour un éclairement solaire constant [6].

La fonction caractéristique I =f (V) est implicite et non linéaire. Alors le calcul d'une solution
est une tache très délicate qui nécessite des méthodes itératives.

2.1.2. Modélisation du système de stockage :

- Modèle de Copetti de batterie au plomb :

Ce modèle est basé sur le schéma électrique de la figure 2.8 La batterie est alors
décrite par seulement deux éléments dont les caractéristiques dépendent d’un certain
nombre de paramètres: une source de tension et sa résistance interne [30].

Figure 2.8: Schéma électrique équivalent de nb éléments de batteries en série [31].

Pour nb éléments en séries, nous pouvons écrire l'équation :

V = nb E b + nb Ri I ……………. (2.3)
 Le modèle proposé par Copetti est applicable pour les batteries au plomb et plus
particulièrement aux batteries solaires. Il décrit le comportement dynamique de la batterie
dans le régime de décharge, de charge et de surcharge.

Nous pouvons résumer ces phénomènes en général, pour les systèmes de stockage sous
forme de tableau de description de fonctionnement des batteries.

Tension de
Zone de fonctionnement Conditions de fonctionnement
batterie

Saturation V = Vec ηc = 0

Vsoc Gazage Vec ≥ V ≥Vg

I>0
Vc Charge V < Vg

Transition
0 < ηc < 1
charge/décharge I=0 Vc ≥ V ≥ Vd

Vd Décharge V > 0.9VN

Sur décharge VN ≥ V ≥0.7VN

I<0
Décharge profonde V < 0.7VN

Tableau 2.1 : Description de la zone de fonctionnement des batteries [32].

2.4.3. Modélisation de la consommation en fuel du groupe électrogène :

Dans les gammes des petites et moyennes puissances, il existe différents types
d’entraînement pour les groupes électrogènes ; pour les faibles puissances on utilise les
moteurs à essence et les moteurs diesel pour les puissances supérieures à 2 kW. Etant
donné la gamme de puissance considérée, nous utiliserons des moteurs diesel dont la
vitesse de rotation est soit de 3000 tr/min (utilisation pour de courtes périodes sur la
journée), soit de 1500 tr/min (utilisation en continue sur la journée) [33].

Nous utilisons ici un modèle développé au Centre de Recherches «Energie et Systèmes »

(URACNRS- 2053) de l’Université de Corse qui a réalisé des études expérimentales sur les
groupes électrogènes de petites puissances [34]. Un groupe électrogène est défini par son
rendement η GE et par sa consommation (en litre/h) à une puissance de fonctionnement PGE.

Le rendement :

PGE ……………. (2.14)

η GE =
PCI V .Q GE

La consommation :

PGE ……………. (2.15)

Q V = Q V0 ( λ + ξ 0
)
PGE

Avec :

0
PGE ……………. (2.16)
ξ =
η GE . PCI V .Q V0

Où :

PGE0 : puissance nominale du groupe.

Qv0 : consommation à cette puissance nominale.

PCIv : énergie contenue dans un litre de combustible.

QV0/PGE0 : consommation spécifique du groupe.

En prenant comme valeur pour les groupes électrogènes diesel :

PCIv = 10.08 KWh/l ; QV0/PGE0 = 0.3 l/KWh

Et on obtient ainsi le modèle de la consommation d’un groupe électrogène par :

0 PGE
Q V = 0 . 3 . PGE .( 0 . 22 + 0 . 78 0
) …………… (2.17)
PGE
2.5. Dimensionnement du système :

L’étude de dimensionnement est toujours confrontée à deux critères essentiels qui

sont le gisement solaire et la demande de l’énergie. Le dimensionnement d’une
installation solaire photovoltaïque revient à déterminer le nombre nécessaire des
modules photovoltaïques constituants le générateur photovoltaïque, pour adopter
un système PV suffisant pour couvrir les besoins de la charge à tout instant, et de
déterminer la capacité de charge de la batterie. Ces deux éléments sont les plus
importants en raison du coût élevé qu’ils totalisent, plus de deux tiers du coût de
l’installation. La méthode de dimensionnement optimal LPSP (Lossof Power Supply
probability) ou probabilité de perte d'énergie est la plus utilisée pour l’optimisation
de la puissance crête du générateur photovoltaïque et la capacité du stockage en
fonction de l’éclairement solaire du site et le nombre de jours d’autonomie
souhaité.

2.5.1. Description de la méthode LPSP :

La probabilité de perte d'énergie( loss of power supply probability LPSP) est une
technique probabiliste introduite par AbouZahr et Ramakumar en 1990 dans le
domaine des systèmes de génération éoliens et photovoltaïques [35,36].Elle est
largement utilisée dans la conception et l'optimisation de systèmes autonomes
(stand-alone) éolien-photovoltaïques jusqu’à présent [37,38,39]. Elle est basée sur
le concept de LPSP qui est la probabilité que le système rencontre une pénurie à un
moment donné pendant une période d'analyse, c'est-à-dire un état dans
lequel le système ne serait pas en mesure de fournir l’énergie nécessaire à la
charge. A partir de l'information sur la variabilité des ressources et sur sa
corrélation avec la charge, la LPSP peut être calculée. Cette méthode est
particulièrement utile lors de l'évaluation du comportement d'un stockage
d’énergie.

La LPSP exprime le taux de non-satisfaction de la charge. En terme d’état de charge

des batteries, la ‘LPSP’ est définie par [40,41] :
LPSP = Pr {EB (t ) ≤ EB min 
pour
→ t ≤ T } ……..... (2.18)

C’est-à-dire, la probabilité pour que l’état de charge, à tout instant t, soit

inférieur ou égal au seuil minimal de l’énergie disponible dans la batterie EBmin
.EB (t) est l’énergie stockée dans la batterie à n’importe quel instant t,
exprimée en [Wh].

C bat [Wh] =C bat [Ah].V bat ……..... (2.19)

Vbat: La tension nominale de la batterie.

C bat: La capacité nominale de la batterie en (Ah).

La capacité des batteries pour une période de temps ∆t par jour est donnée par l’équation
suivante :

E L .∆t ……………. (2.20)

Cbat = [Ah]
η bat . f d .[Link]

La période ∆t fournie par le concepteur, par rapport à l’autonomie demandée.

El :énergie de load.

η bat : Rendement de la batterie.

f d: Facteur de décharge de la batterie.

DOD : Profondeur de décharge.

2.5.2. Modèle de simulation :

L’énergie produite par le générateur photovoltaïque en une heure, notée EG (t), peut être
exprimée par la relation suivante [42] :

E G (t ) = N PV E PV (t ) ……………. (2.21)

Avec EPV (t), l’énergie produite par le module photovoltaïque et NPV le nombre de modules
photovoltaïques. Deux scénarios sont envisagés pour décrire l’énergie stockée dans les
batteries.

Premier scénario :

Si l’énergie produite par le générateur photovoltaïque dépasse l’énergie demandée par la

charge, en considérant son rendement de charge ηB, ch , la batterie se charge suivant la
relation :

 E (t ) 
E B ( t ) = E B ( t − 1) +  E G ( t ) − L η B , ch
 η ond  ……………. (2.22)

avec: ηond le rendement de l’onduleur; ηB,ch le rendement de charge de la batterie, EB (t)

l’énergie stockée dans la batterie à une heure t, EB(t − 1) l’énergie stockée dans la ba\erie à
l’heure précédente, EL (t) l’énergie demandée par la charge à une heure t.

Deuxième scénario :

Quand l’énergie demandée par la charge est supérieure à l’énergie produite par le
générateur photovoltaïque, la batterie se décharge pour combler le déficit, dans ce cas
précis, l’énergie stockée dans la batterie peut être exprimée par la relation suivante:

 E (t )  ……………. (2.23)
E B ( t ) = E B ( t − 1) +  E G ( t ) − L 
 η ond 

Quand l’énergie stockée dans le banc de batteries et celle produite conjointement par les
deux sources est insuffisante pour satisfaire la demande pour une heure t, ce déficit est
appelé perte d’énergie (Loss of Power Supply _ ‘LPS’), il est exprimé par:

LPS (t ) = E L − (EG (t ) + E B (t − 1) − E B ,min )η ond ……………. (2.24)

La probabilité de perte d’énergie ‘LPSP’ pour une période d’analyse T, est le rapport de la
somme de toutes les valeurs de perte d’énergie LPS(t) pour la même période sur l’énergie
totale demandée. La probabilité de perte d’énergie ‘LPSP’ est définie par la relation suivante
[41,42, 43] :
 T

∑
t = 1
LPS (t )
LPSP = T ……………. (2.25)
∑ t = 1
E L (t )

Comme la plupart des gaz d'échappement du générateur diesel est le CO2, dans cette étude le
nombre de kg de CO2 produite par le générateur diesel est considéré comme représentant l'émission
de polluants. Pour chaque période de temps au cours d'une année, les émissions de CO2 calculé en
utilisant l'équation. [44,45].
CO2 = ∑ =1 ∗ …………… (2.26)

Avec EF facteur d’émission, on prend EF=2.5

2.6. Conclusion :
Dans ce chapitre nous avons présenté la configuration du système hybride, avec les
avantages et les inconvénients de cette configuration ensuite nous avons décrit et modélisé
chaque composant dans cette installation utilisés.
Nous avons ensuite mis en évidence la méthode de dimensionnement (LPSP) choisi pour
notre travail, et donné la démarche à suivre pour accomplir ces différentes étapes.
 Chapitre 3 : Optimisation par essaim particulaire

3.1. Introduction :

L’optimisation par essaim de particules (Particle Swarm Optimization (PSO) est une
méthode d’optimisation stochastique, pour les fonctions non-linéaires, basée sur la
reproduction d’un comportement social et développée par le Dr. EBERHART et le
[Link] [46, 47] en 1995.
L’origine de cette méthode vient des observations faites lors des simulations informatiques
de vols groupés d’oiseaux et de bancs de poissons de REYNOLD [48], HEPPNER et
GRENANDER [49]. Ces simulations ont mis en valeur la capacité des individus d’un groupe en
mouvement à conserver une distance optimale entre eux et à suivre un mouvement global
par rapport aux mouvements locaux de leur voisinage.
D’autre part, ces simulations ont également révélé l’importance du mimétisme dans la
compétition qui oppose les individus à la recherche de la nourriture. En effet, les individus
sont à la recherche de sources de nourriture qui sont dispersés de façon aléatoire dans un
espace de recherche, et dès lors qu’un individu localise une source de nourriture, les autres
individus vont alors chercher à le reproduire.
Ce comportement social basé sur l’analyse de l’environnement et du voisinage constitue
alors une méthode de recherche d’optimum par l’observation des tendances des individus
voisins. Chaque individu cherche à optimiser ses chances en suivant une tendance qu’il
modère par ses propres vécus.
3.2. Méta-heuristiques pour l’optimisation mono-objectif difficile :

3.2.1 .Problème d’optimisation :

Un problème d’optimisation au sens général est défini par un ensemble de variables, une
fonction objectif f et un ensemble de contraintes d’égalité (ou d’inégalité) que les variables
doivent satisfaire. L’ensemble des solutions possibles du problème forme l’espace de
recherche E, où chaque dimension correspond à une variable. L’espace de recherche E est
fini puisque le décideur précise exactement le domaine de définition de chaque variable
entre autres pour des raisons de temps de calcul. Suivant le problème posé, nous cherchons
à minimiser ou maximiser la fonction objectif f . Un problème d’optimisation peut être
statique ou dynamique (i.e. la fonction objectif change avec le temps), mono objectif ou
multi-objectif (i.e. plusieurs fonctions objectifs doivent être optimisées) et avec ou sans
contraintes. Ainsi, un problème d’optimisation peut être, par exemple, à la fois continu et
dynamique.
Il existe de nombreuses méthodes déterministes (ou exactes) permettant de résoudre
certains types de problèmes d’optimisation et d’obtenir la solution optimale du problème,
en un temps raisonnable. Ces méthodes nécessitent que la fonction objectif présente un
certain nombre de caractéristiques telles que la convexité, la continuité ou la dérivabilité.

3.2.2. Optimisation difficile :

Les méthodes de résolution exacte ne sont pas adaptées à toutes les problématiques et
donc certains problèmes sont trop complexes à résoudre par ces méthodes. Parmi ces
problématiques, nous pouvons citer l’existence de discontinuités, l’absence de convexité
stricte, la non-dérivabilité, la présence de bruit ou encore la fonction objectif
peut ne pas être définie précisément (ex. quand c’est un cout). En outre, les méthodes de
résolution exacte peuvent avoir un temps de résolution trop long. Dans ce cas, le problème
d’optimisation est dit difficile, car aucune méthode exacte n’est capable de le résoudre en
un temps raisonnable. Il est alors nécessaire d’avoir recours à des heuristiques de résolution
dites méthodes approchées, qui fournissent un résultat sans garantie de l’optimalité.
L’optimisation difficile peut se diviser en deux types de problèmes : les problèmes à variables
discrètes et les problèmes à variables continues :
– Un problème d’optimisation à variables discrètes consiste à trouver, dans un ensemble
discret, une solution réalisable. Le problème majeur réside ici dans le fait que le nombre de
solutions réalisables est généralement très élevé, donc il est très difficile de trouver la
meilleure solution dans un temps « raisonnable ». Les problèmes à variables discrètes
rassemblent les problèmes de type NP-complets, tels que le problème du voyageur de
commerce. L’utilisation d’algorithmes d’optimisation stochastiques, tels que les méta-
heuristiques, permettant de trouver une solution approchée en un temps raisonnable est
donc courante.
– Dans le deuxième type, les variables du problème d’optimisation sont continues.
C’est le cas par exemple des problèmes d’identification, où l’on cherche à minimiser l’erreur
entre le modèle d’un système et des observations expérimentales. Ce type de problèmes est
moins formalisé que le précédent, mais un certain nombre de difficultés sont bien connues,
comme l’existence de nombreuses variables présentant des corrélations non identifiées, la
présence de bruit ou plus généralement une fonction objectif accessible par simulation
uniquement. En effet, la grande majorité des méta-heuristiques existantes ont été créées
pour résoudre des problèmes à variables discrètes [50]. Cependant, la nécessité croissante
de méthodes pouvant résoudre ce type de problèmes a poussé les chercheurs à adapter
leurs méthodes au cas continu.
Il est à noter qu’il existe des problèmes à variables mixtes (i.e. le problème présent à la fois
des variables discrètes et continues).

3.2.3. Algorithmes d’optimisation approchée :

[Link]. Heuristiques :

L’utilisation de méthodes exactes n’est pas toujours possible pour un problème donné à
cause d’un certain nombre de contraintes, telles que le temps de calcul souvent important
ou bien la difficulté, voire l’impossibilité dans certains cas, d’une définition séparée du
problème.
Pour faire face à ces contraintes, nous utilisons des méthodes approchées, appelées
Heuristiques. Le terme heuristique dérive du grec ancien heuriskêin et signifie « trouver ».Il
qualifie tout ce qui sert à la découverte et à l’exploitation. Il est à souligner ici qu’une
méthode heuristique peut être déterministe ou stochastique.
Une heuristique est un algorithme qui fournit rapidement (en un temps polynomial) une
solution approchée et réalisable, pas nécessairement optimale, pour un problème
d’optimisation difficile. Cette méthode approximative est le contraire d’un algorithme exact
qui donne une solution optimale pour un problème donné.
Il y a une multitude d’heuristiques qui ont déjà été proposées dans la littérature. Nous
pouvons citer des heuristiques très simples telles que les algorithmes gloutons [51,52] ou les
approches par amélioration itérative [53]. Le principe des méthodes gloutonnes est de faire
une succession de choix optimaux localement, jusqu’à ce que l’on ne puisse plus améliorer
la solution, et ce, sans retour en arrière possible. Le fonctionnement d’une heuristique
gloutonne est similaire à celui d’un algorithme glouton exact. La différence réside dans le fait
que nous n’imposons plus que la solution obtenue soit optimale, nous obtenons donc un
algorithme d’approximation.

[Link]. Méta-heuristiques :

Des heuristiques plus poussées, adaptables à un grand nombre de problèmes différents,

sans changements majeurs dans l’algorithme, ont été mises au point et ont donné naissance
à une nouvelle famille d’algorithmes d’optimisation stochastiques : les méta-heuristiques. Le
terme méta-heuristique a été inventé par Fred Glover en 1986, lors de la conception de la
recherche tabou [54].
Les méta-heuristiques forment une famille d’algorithmes d’optimisation visant à résoudre
des problèmes d’optimisation difficile, pour lesquels nous ne connaissons pas de méthodes
classiques plus efficaces. Elles sont généralement utilisées comme des méthodes génériques
pouvant optimiser une large gamme de problèmes différents, d’où le qualificatif méta. Leur
capacité à optimiser un problème à partir d’un nombre minimal d’informations est
contrebalancée par le fait qu’elles n’offrent aucune garantie quant à l’optimalité de la
meilleure solution trouvée. Cependant, du point de vue de la recherche opérationnelle, ce
constat n’est pas forcément un des inconvénients, puisque l’on préfère toujours une
approximation de l’optimum global trouvée rapidement à une valeur exacte trouvée dans un
temps rédhibitoire.
Il existe un grand nombre de méta-heuristiques différentes, allant de la simple recherche
locale à des algorithmes complexes de recherche globale. La plupart des méta-heuristiques
utilisent des processus aléatoires comme moyens de récolter de l’information et de faire
face à des problèmes comme l’explosion combinatoire. Les méta-heuristiques peuvent être
considérées comme des algorithmes stochastiques itératifs, où elles manipulent une ou
plusieurs solutions à la recherche de l’optimum. Les itérations successives doivent permettre
de passer d’une solution de mauvaise qualité à la solution optimale. L’algorithme s’arrête
après avoir atteint un critère d’arrêt, consistant généralement en l’atteinte du temps
d’exécution imparti ou en une précision demandée. Ces méthodes tirent leur intérêt de leur
capacité à éviter les optima locaux, soit en acceptant des dégradations de la fonction objectif
au cours du traitement, soit en utilisant une population de points comme méthode de
recherche.
Les méta-heuristiques sont souvent inspirées de processus naturels qui relèvent de la
physique (l’algorithme du recuit simulé), de la biologie de l’évolution (les algorithmes
génétiques) ou encore de l’éthologie (les algorithmes de colonies de fourmis ou
l’optimisation par essaim particulaire).
Les méta-heuristiques se caractérisant par leur capacité à résoudre des problèmes très
divers, elles se prêtent naturellement à des extensions. Pour illustrer celles-ci, nous pouvons
citer :
– Les méta-heuristiques pour l’optimisation multi objectif [55] : où il faut optimiser plusieurs
objectifs contradictoires. Le but ne consiste pas ici à trouver un optimum global, mais à
trouver un ensemble d’optima, qui forment une surface de compromis pour les différents
objectifs du problème ;
– Les méta-heuristiques pour l’optimisation multimodale [56] : où l’on ne cherche plus
l’optimum global, mais l’ensemble des meilleurs optima globaux et/ou locaux ;
– Les méta-heuristiques pour l’optimisation de problèmes bruités : où il existe une
incertitude sur le calcul de la fonction objectif, dont il faut tenir compte dans la recherche de
l’optimum ;
– Les méta-heuristiques pour l’optimisation dynamique [57] : où la fonction objectif varie
dans le temps, ce qui nécessite d’approcher l’optimum à chaque pas de temps ;
– Les méta-heuristiques hybrides [58] : qui consistent à combiner différentes méta-
heuristiques , afin de tirer profit des avantages respectifs ;
– Les méta-heuristiques parallèles [59] : où l’on cherche à accélérer le calcul, en répartissant
la charge de calcul sur des unités fonctionnant de concert. Le problème revient alors à
adapter les méta-heuristiques pour qu’elles soient distribuées.

En général, l’utilisateur demande des méthodes efficaces et rapides permettant d’atteindre

un optimum avec une précision acceptable dans un temps raisonnable, mais il a besoin aussi
des méthodes simples à utiliser. Un des enjeux des méta-heuristiques est donc de faciliter le
choix d’une méthode et de simplifier son réglage pour l’adapter au mieux à un problème
posé.

3.3. Optimisation par Essaim Particulaire :

3.3.1. Principe général :

L’optimisation par essaim particulaire (OEP), ou Particle Swarm Optimization(PSO) en

anglais, est un algorithme évolutionnaire qui utilise une population de solutions candidates
pour développer une solution optimale au problème. Cet algorithme a été proposé par
Russel Eberhart (ingénieur en électricité) et James Kennedy (socio-
psychologue) en1995 [60]. Il s’inspire à l’origine du monde du vivant, plus précisément du
comportement social des animaux évoluant en essaim, tels que les bancs de poissons et les
vols d’oiseaux. En effet, on peut observer chez ces animaux des dynamiques de déplacement
relativement complexes, alors qu’individuellement chaque individu a une « intelligence»
limitée, et ne dispose que d’une connaissance locale de sa situation dans l’essaim.
L’information locale et la mémoire de chaque individu sont utilisées pour décider de son
déplacement. Des règles simples, telles que « rester proche des autres individus», « aller
dans une même direction » ou « aller à la même vitesse », suffisent pour maintenir la
cohésion de l’essaim, et permettent la mise en œuvre de comportements collectifs
complexes et adaptatifs. L’essaim de particules correspond à une population d’agents
simples, appelés particules. Chaque particule est considérée comme une solution du
problème, où elle possède une position (le vecteur solution) et une vitesse. De plus, chaque
particule possède une mémoire lui permettant de se souvenir de sa meilleure performance
(en position et en valeur) et de la meilleure performance atteinte par les particules «
voisines » (informatrices). Chaque particule dispose en effet d’un groupe d’informatrices,
historiquement appelé son voisinage.
Un essaim de particules, qui sont des solutions potentielles au problème d’optimisation, «
survole » l’espace de recherche, à la recherche de l’optimum global. Le déplacement d’une
particule est influencé par les trois composantes suivantes :
1. Une composante d’inertie : la particule tend à suivre sa direction courante de
déplacement ;
2. Une composante cognitive : la particule tend à se diriger vers le meilleur site par lequel
elle est déjà passée ;
3. Une composante sociale : la particule tend à se fier à l’expérience de ses congénères et,
ainsi, à se diriger vers le meilleur site déjà atteint par ses voisins.
La stratégie de déplacement d’une particule est illustrée dans la figure (3.1).

Figure 3.1: Déplacement d’une particule [73,74].

3.3.2. Formalisation :

La particule i de l’essaim est modélisée par son vecteur position i = (xi1, xi2, . . . ,xiD) et par
son vecteur vitesse i = (vi1, vi2, . . . , viD). La qualité de sa position est déterminée par la
valeur de la fonction objectif en ce point. Cette particule garde en mémoire la meilleure

position par laquelle elle est déjà passée, que l’on note besti = (pbesti1, pbesti2, . . .
,pbestiD). La meilleure position atteinte par les particules de l’essaim est notée best =
(gbest1, gbest2, . . . ,gbestD).
Nous nous référons à la version globale de PSO, où toutes les particules de l’essaim sont

considérées comme voisines de la particule i, d’où la notation best (global best).

Au départ de l’algorithme, les particules de l’essaim sont initialisées de manière
aléatoire/régulière dans l’espace de recherche du problème. Ensuite, à chaque itération,
chaque particule se déplace, en combinant linéairement les trois composantes citées ci
dessus.
En effet, à l’itération t + 1, le vecteur vitesse et le vecteur position sont calculés à partir de
l’équation (3.1) et de l’équation (3.2), respectivement.
t t
vit,+j1 = wvit, j + c1 r1i , j [ pbest it, j − xit, j ] + c2 r2 i , j [ gbest it, j − xit, j ] , j ∈ {1,2,…,D} ........ (3.1)

xit,+j1 = xit, j + vit,+j1 , j ∈ {1,2,…,D} .........(3.2)

Où w est une constante, appelée coefficient d’inertie ; c1 et c2 sont deux constantes,

appelées coefficients d’accélération ; r1 et r2 sont deux nombres aléatoires tirés
uniformément dans [0, 1], à chaque itération t et pour chaque dimension j.
Les trois composantes mentionnées ci-dessus (i.e. d’inertie, cognitive et sociale) sont
représentées dans l’équation (3.1) par les termes suivants :

1. wvit, j correspond à la composante d’inertie du déplacement, où le paramètre w contrôle

l’influence de la direction de déplacement sur le déplacement futur ;

t
2. c1r1i , j [ pbest it, j − xit, j ] correspond à la composante cognitive du déplacement, où le

paramètre c1 contrôle le comportement cognitif de la particule ;

t
3. c2 r2 i , j [ gbestit, j − xit, j ] correspond à la composante sociale du déplacement, où le paramètre

c2 contrôle l’aptitude sociale de la particule.

Un essaim de particule est caractérisé par :

a) le nombre de particules de l’essaim, noté nb ;

b) la vitesse maximale d’une particule, notée max ;
c) la topologie et la taille du voisinage d’une particule qui définissent son réseau social ;
d) l’inertie d’une particule;
e) les coefficients de confiance, notés C1 et C2, qui pondèrent le comportement
conservateur (i.e. la tendance à retourner vers la meilleure solution visitée) et le panurgisme
(i.e. la tendance à suivre le voisinage)

Une particule est caractérisée, à l’instant t, par :

• i(t) : sa position dans l’espace de recherche ;

• i(t) : sa vitesse ;
• pbesti : la position de la meilleure solution par laquelle elle est passée ;
• vbesti : la position de la meilleure solution connue de son voisinage ;
• pbesti : la valeur de fitness de sa meilleure solution ;
• gbesti : la valeur de fitness de la meilleure solution connu du voisinage.

3.4. Notion de voisinage de PSO :

L’algorithme PSO est inspiré du comportement collectif des essaims lors des études et des
simulations informatiques de groupes d’animaux (vols d’oiseaux ou bancs de poissons). Ces
études mettent en évidence la capacité d’un individu à rester à une distance optimale par
rapport aux autres dans le même groupe et à suivre un mouvement global affecté par les
mouvements locaux de ses voisins.
À partir de ces simulations, les auteurs ont modélisé le comportement des individus par les
équations (3.1) et (3.2). Dans la pratique, en utilisant l’équation (3.1), un réseau doit être
défini afin d’établir des connexions entre les particules et leur permettre d’échanger des
informations entre elles. Ce réseau de communication entre les particules est appelé
topologie de voisinage. Cette topologie contribue à définir un
groupe d’informatrices pour chaque particule, c’est ce que l’on appelle le voisinage d’une
particule. Le voisinage d’une particule peut donc être défini comme le sous-ensemble de
particules de l’essaim avec lesquelles celle-ci a une communication directe, i.e. chaque
particule peut interroger les particules dans son voisinage (ses informatrices) qui, à leur tour,
lui transmettent leurs informations.
La version globale de PSO, dans laquelle toutes les particules ont accès à l’information
globale gbest de la population. Toutefois, ce n’est pas le seul choix possible, et il existe des
essaims dans lesquels les particules ont accès à des informations locales, ou à des
informations à la fois globales et locales.
En 1995, lorsque le premier algorithme PSO (la version globale) a été proposé, les auteurs
ont choisi une topologie entièrement connectée, c’est-à-dire que chaque particule se trouve
reliée à toutes les autres particules de l’essaim. Dans cette topologie, l’information utilisée
dans l’équation (3.1) est globale, i.e. chaque particule vole dans l’espace de recherche du
problème avec une vitesse adaptative, qui se modifie dynamiquement, selon sa propre
expérience du vol et l’expérience du vol de toutes les autres particules dans l’essaim. La
faiblesse de cette version est qu’elle ne fournit pas une exploration suffisante (recherche
globale) de l’espace de recherche et peut conduire à une stagnation dans un optimum local
et donc à une convergence prématurée [61]. De nombreuses variantes de la version
originale ont alors été proposées afin d’améliorer sa convergence.
Ces variantes intègrent notamment de nouvelles topologies pour l’essaim de particules.
Nous allons traiter dans la suite ces différentes topologies, telles que les topologies locales
[62, 63, 64], les topologies dynamiques et d’autres topologies plus sophistiquées, qui ont été
proposées pour établir un équilibre entre la recherche locale et la recherche globale [65, 66,
67, 68, 69].
La notion de voisinage peut avoir deux types principaux, géographiques et sociaux, qui
donnent aux particules une capacité de perception de leur environnement proche, selon le
type utilisé (i.e. l’environnement proche peut être défini par un réseau social ou un réseau
géographique).
3.4.1. Voisinage géographique :

Le voisinage géographique d’une particule i se compose des particules proches. Pour

considérer cette proximité, la distance entre la particule i et les autres particules de l’essaim
est utilisée, sachant que le nombre de voisins doive être défini à l’avance.
Dans [70, 71], les auteurs ont utilisé l’approche spatiale pour définir le voisinage
géographique des particules. Un autre modèle d’extension spatiale des particules a été
proposé dans [72] pour augmenter la diversité des particules, lorsqu’elles commencent à se
regrouper. Pour remédier au problème du regroupement, un rayon r a été ajouté à chaque
particule afin de vérifier s’il y a rapprochement entre particules puis collision. Dans ce cas,
les auteurs proposent plusieurs techniques pour écarter les particules et éviter la collision et
donc le regroupement. Toutefois, le voisinage doit être calculé à chaque itération car les
distances entre les particules peuvent changer d’une itération à l’autre au cours de la
recherche. Cette méthode est donc couteuse en termes de temps de calcul, mais elle permet
par ailleurs d’apporter un certain dynamisme à la topologie.
3.4.2 .Voisinage social :

Le voisinage social d’une particule est le sous-ensemble des voisins virtuels défini au début
de l’algorithme PSO ; il n’est pas nécessairement fixe et peut être adaptatif. Il
peut être représenté sous la forme d’un graphe, où les particules sont des sommets reliés à
leurs voisines par les arêtes du graphe. Le but d’utiliser ce type de voisinage est d’améliorer
la rapidité de convergence de l’algorithme. Cela signifie qu’il est nécessaire de contrôler la
propagation de l’information dans le graphe. Pour ce faire, il s’agit donc de trouver quels
sont les bons paramètres (par exemple, la taille du voisinage, la forme du réseau social, la ou
les sources d’influence) qui structurent le graphe et qui sont responsables de la vitesse de
propagation du flux d’information. Savoir choisir la topologie est donc fondamental et
demande une adaptation au problème traité. Lorsque la topologie est dense, les particules
sont beaucoup de voisins, de sorte que l’information (meilleure position) est rapidement
partagée. Inversement, dans une topologie éparse, l’information se propage plus lentement.
Pour définir une topologie de ce type, qui peut être statique ou dynamique, on doit, créer
une structure au début de l’algorithme qui définit le voisinage de chaque particule (e.g. les
topologies : anneau ou Ring, étoile ou Wheel, Von Neumann, Four-clusters, etc.). Il y a aussi
des topologies qui n’ont pas besoin de définir leurs structures, comme Fitness-Distance-
Ratio [66] et une autre, aléatoire, qui a été proposée par Clerc [68]. D’autres modèles
sociaux ont été proposés par Watts [64, 62], et se caractérisent par deux facteurs, le degré
de connectivité K, qui mesure le nombre de voisins d’une particule, et la quantité de
regroupement C, qui mesure le nombre de voisins d’une particule appartenant également à
d’autres voisinages. Le voisinage social est le plus utilisé dans la littérature de PSO. Il est le
plus simple à programmer et le moins couteux en temps de calcul. La convergence de
l’algorithme peut conduire un voisinage social à devenir un voisinage géographique.
3.5. Différents modèles de topologies :

PSO a connu deux versions originales, juste après son développement en 1995, qui sont la
version globale (Gbest) et la version locale classique en anneau (Lbest classique).
En plus de ces deux modèles originaux, un grand nombre de topologies ont été proposées et
beaucoup d’entre elles ont laissé un impact positif sur l’algorithme PSO en termes Topologie
de voisinage dans PSO : étude et perfectionnement de performances. Nous distinguons les
topologies statiques des topologies dynamiques, avant de décrire, ci-dessous, une sélection
de ces topologies, qui ont été citées plusieurs fois dans la littérature et ont eu un certain
succès.

3.5.1. Topologies statiques :

A l’origine, l’algorithme PSO n’utilisait pas de topologies dynamiques. Celles utilisées étaient
structurées d’une manière régulière ou sur des formes géométriques. Ces topologies sont
donc appelées graphes statiques, car elles sont définies une fois pour toutes. Les versions
statiques les plus connues (celles qui sont principalement utilisées) sont la version globale
Gbest et la version locale classique sous forme d’un anneau (Lbest classique), où chaque
particule n’a que deux particules voisines. Dans le modèle Lbest classique, l’essaim converge
plus lentement que dans Gbest, mais il a plus de
chances de localiser l’optimum global. En général, l’utilisation du modèle Lbest permet de
limiter les risques d’une convergence prématurée de l’algorithme. Ce qui a un effet positif
sur les performances de l’algorithme, surtout pour les problèmes multimodaux. Kennedy et
Mendes proposent plusieurs topologies statiques dans [73, 65, 74], nous présentons ci-
dessous quelques-unes d’ entre elles :
– Von Neumann [73] : elle est communément adoptée sur les deux modèles Gbest et Lbest
classique. Dans Von Neumann, la topologie prend la forme d’une grille (réseau
rectangulaire), où chaque particule est reliée à ses quatre particules voisines (à gauche, à
droite, au dessus et en dessous). Comme le modèle Lbest classique, cette topologie ralentit
la vitesse de convergence de l’algorithme, ce qui est prouvé par Kennedy et Mendes dans
[73], en raison de sa structure particulière, qui ralentit la propagation de l’information à
toutes les particules de l’essaim. Une représentation graphique du modèle de Von Neumann
est illustrée dans la figure (3.2).
– Wheel ou focal [73] : Cette topologie a la forme d’une roue, où la particule du centre de
l’essaim, nommée focale (principale), est responsable du flux des informations.
Dans cette topologie, toutes les particules sont isolées les unes des autres et elles sont liées
uniquement à la particule focale. Les informations doivent être communiquées à travers
cette particule, qui va ensuite utiliser ces informations pour adapter sa trajectoire. Si le
résultat des ajustements montre une amélioration des performances de la particule
principale, alors cette amélioration sera communiquée au reste de la population. Donc la
particule principale sert de filtre, qui ralentit la vitesse de transmission de l’information sur
la meilleure solution trouvée. La figure 3.2 illustre une représentation graphique du modèle
Wheel.
– Four-clusters [74] : La topologie Four-clusters utilise quatre groupes de particules reliés
entre eux par plusieurs passerelles. Du point de vue sociologique, cette topologie ressemble
à quatre communautés isolées. Dans chaque communauté, quelques particules peuvent
communiquer avec une particule d’une autre communauté. Ce modèle a été étudié dans
[74, 75], en prenant une taille de population égale à 20. Les particules sont divisées en
quatre groupes, chaque groupe est composé de cinq particules, qui échangent l’information
avec les trois autres groupes via les passerelles. Chaque passerelle n’est liée qu’à un seul
groupe.
- Les caractéristiques :
Cette topologie est caractérisée par le nombre d’arêtes qui relient indirectement deux
particules. Le diamètre du graphe est de trois, ce qui signifie que l’information peut être
transmise d’une particule à une autre en empruntant au maximum trois arêtes. Grâce à ce
diamètre, chaque particule peut obtenir une vision sur l’information globale, en effectuant
au maximum trois itérations de l’algorithme. La figure (3.2) montre la représentation
graphique de ce modèle. Dans [74], les auteurs ont aussi proposé un autre modèle, nommé
Pyramid. Ce modèle est représenté par un rendu en fil de fer triangulaire en 3-D (ou
triangular wire-frame).
Figure 3.2: Topologies statiques : (a) Topologie Gbest, (b) Topologie en anneau (ou Ring)
utilisée dans Lbest, (c) Topologie en étoile (ou Wheel), (d) Topologie Von Neumann et (e)
topologie Four-clusters [73,74].

3.5.2. Topologies dynamiques :

En général, les différentes topologies statiques proposées dans la littérature de PSO ne

résolvent pas le problème de la convergence prématurée de PSO, même si beaucoup d’entre
elles améliorent ses performances. La recherche s’est donc poursuivie, visant toujours à
élaborer une topologie robuste permettant d’améliorer les performances de l’algorithme.
Les auteurs ont alors essayé de mettre en place des topologies dynamiques. Ils ont trouvé
que ces topologies pouvaient avoir de meilleures performances que les topologies statiques,
et ce, au moyen d’un changement de leurs structures, d’une itération à l’autre.
Ce changement permet aux particules de changer leurs trajectoires de déplacement, afin de
pouvoir s’échapper des optima locaux.
3.6. Coefficient d’inertie :
Le coefficient d’inertie w, introduit par Shi et Eberhart [61], contrôle l’influence de la
direction de la particule sur le déplacement futur. Le but de l’introduction de ce paramètre
est de réaliser un équilibre entre la recherche locale (exploitation) et la recherche globale
(exploration). L’intensité de l’exploration de l’espace de recherche dépend de la valeur du
poids d’inertie, une grande valeur de w facilitant une exploration globale, alors qu’une petite
valeur facilite l’exploration locale. Du fait de son influence sur les performances de
l’algorithme PSO, le poids d’inertie a suscité un grand intérêt de la part de la communauté
des chercheurs. Dans [61], les auteurs ont proposé un coefficient d’inertie dynamique qui
varie au cours du temps. Il commence par une valeur proche de 0,9 et descend linéairement
pour arriver à 0,4. Cette stratégie a beaucoup amélioré les performances de PSO pour
plusieurs problèmes d’optimisation. Le coefficient d’inertie w varie linéairement avec le
temps selon la formule suivante :
w = wmin + (wmax − wmin).(iter/maxiter) ........... (3.3)
Où iter est l’itération courante et maxiter est le nombre maximal d’itérations. wmax et
wmin désignent respectivement les valeurs maximum et minimum du coefficient w
(généralement, wmin,wmax ∈[0, 1]).
Dans [76], Chatterjee et Siarry ont utilisé une autre stratégie non-linéaire pour définir un
coefficient d’inertie dynamique. Dans [77], Eberhart et Shi ont proposé une autre variante,
dans laquelle le coefficient d’inertie est choisi au hasard, selon une distribution uniforme,
dans l’intervalle [0,5, 1]. Cet intervalle a été inspirée du facteur de constriction proposé par
Clerc et Kennedy (la valeur attendue du coefficient d’inertie, dans ce cas, est égale à 0,75 ≈
0,729).
3.7. Conclusion :
Dans ce chapitre, nous avons présenté la définition d’un problème d’optimisation. Tout
d’abord, nous avons donné les deux types de problèmes d’optimisation mono-objectif
difficile. Puis, nous avons décrit une famille de méthodes d’optimisation à savoir la méthode
PSO. Enfin, nous avons présenté les types de voisinage et les différentes topologies de cette
méthode d’optimisation.
 Chapitre 4 : Dimensionnement

4.1. Introduction :

Dans ce chapitre, nous présentons le dimensionnement et la simulation d’un système

hybride pour l’électrification rurale d’un site dans le sud Algérien en utilisant l’optimisation
par essaims des particules (PSO). Le programme de simulation est réalisé sous Matlab. Nous
avons réalisé une évaluation technico-économique sur le système hybride pour le même site
rural. Les étapes de calcul sont les suivantes :

- Présentation des Ressources météorologiques et profil de charge.

- Organigramme d’optimisation et simulation.
- Calcul du bilan énergétique et analyse des résultats obtenus.

4.2. Présentation des Ressources météorologiques et profil de charge:

4.2.1. Présentation de site:

Le site choisi pour notre étude est un village rural saharien isolé nommé "Ilamane ". Ces
données géographiques sont comme suit : Latitude: 23.12° N, Longitude: 5.27° E et Altitude:
1928 m. Ce village est situé dans la wilaya de Tamanrasset et il est constitué d’un nombre
réduit de foyers. L’électrification du village par les filières classiques (diesel, réseau
électrique), en plus des coûts de réalisation excessifs, auraient posé le problème de
l'acheminement du combustible. Dans le cas du réseau; des difficultés certaines pour les
travaux et la maintenance des lignes aériennes ne sont pas à écarter. Le solaire
photovoltaïque associé à un groupe électrogène comme appoint pourrait alors constituer
une solution durable et plus appropriée pour une alimentation en énergie propre et non
polluante.
4.2.2. Les données météorologiques utilisées :

Les performances des modules photovoltaïques sont directement corrélées aux données
climatiques qui sont en principe l'irradiation solaire et la température ambiante. Ces
données sont prises grâce au système d'acquisition pour l'année 2012 mesurées à un pas de
temps fin qui est de 10 minutes. Pour chaque jour de l'année le kit prévoit l'acquisition des
grandeurs ci-dessous:

TA : Température ambiante exprimée en degré Celsius (C°)

R-Sol : Eclairement solaire incident exprimée en Watt par mètre carré (W/m2).

La taille de chaque vecteurs de grandeur (6 * 366 jours * 24 heures = 52704 données) est
trop importante pour un calcul rapide ; il est donc nécessaire de le réduire. Pour cela, nous
avons choisi de prendre un pas de temps d'une heure, alors la taille du vecteur devient (366
jours*24 heures = 8784). L'évaluation annuelle des caractéristiques climatiques du site est
présentée dans la figure 4.1

Température
60

40

20

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000

Irradiation
1500

1000

500

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000

Figure 4.1: caractéristiques climatiques du site.

4.2.3. Le profil de charge :

Nous avons considéré deux profils de charge ; hivernal (S1: Octobre; Novembre;
Décembre, Janvier, Février; Mars) et estival (S2 : Avril, Mai, Juin, Juillet, Aout, Septembre),
les tableaux (1.3) et (1.4) présentent respectivement le profil de consommation énergétique
horaire et journalière pour les périodes estivale et hivernale.

Nous supposons pour [6]:

- L'éclairage :

Le nombre d'heures d'éclairage dépend de la durée du jour selon les saisons. En plus,
dans les régions rurales, les heures du lever et du coucher des habitants sont fortement liés
à l’heure du lever et du coucher du soleil.

Ainsi dans ce travail, le début d’utilisation de la lumière est supposée être à 06:00 h du matin
pour les deux saisons. Par contre, la lumière s’éteint à 22:00h en Hiver et 23:00h en Eté.

La puissance de l'éclairage change d'un endroit à l'autre et elle est liée à la surface des
chambres et la fréquence d'utilisation.

- La réfrigération :

La puissance moyenne du réfrigérateur est supposée égale à 40 W. Le nombre

d'heures de fonctionnement du réfrigérateur est considéré 24h/24h pour les deux
saisons.

- La ventilation :
Nous supposons qu'il n'est sollicité que durant la période estivale (Avril-
Septembre) et le nombre d'heures d'utilisation est 5 h / 24 h.
 Nature Puissance (Watt)
CZ Cuisine 15
C1 Chambre1 15
C2 Chambre2 15
Eclairage SL Salon 27
DCH Douche 11
WC WC 9
CO Cour 15
VL Ventilateur 45
TV Television 75
Equipements F Frigo 40
DM Demosat 40
R Radio 30

Tableau 4.1: Profil de consommation utilisé dans notre étude [6].

 Oct-Nov-Dec-Jan-Fev-Mar Avr-Mai-Juin-Juil-Aout-Sept
Hr
Activité 1xHab 10 x Hab Activité 1xHab 10 x Hab

1 F 0.040 0.400 F 0.040 0.400

2 F 0.040 0.400 F 0.040 0.400
3 F 0.040 0.400 F 0.040 0.400
4 F 0.040 0.400 F 0.040 0.400
5 F 0.040 0.400 F 0.040 0.400
6 F+CZ+WC+DCH 0.060 0.600 F+WC+DCH 0.060 0.600
7 F+CZ+WC+DCH+C1+C2 0.090 0.900 F+WC+DCH 0.060 0.600
8 F+CZ+WC+DCH+C1+C2 0.090 0.900 F 0.040 0.400
9 F+R 0.070 0.700 F+R 0.070 0.700
10 F+R 0.070 0.700 F+R 0.070 0.700
11 F+R 0.070 0.700 F+R 0.070 0.700
12 F+R 0.070 0.700 F+TV+DM 0.155 1.550
13 F+TV+DM 0.155 1.550 F+TV+DM 0.155 1.550
14 F+TV+DM 0.155 1.550 F+TV+DM+VL 0.200 2.000
15 F 0.040 0.400 F+VL 0.085 0.850
16 F 0.040 0.400 F+VL 0.085 0.850
17 F+CZ 0.055 0.550 F+VL 0.085 0.850
18 F+TV+DM+CZ+C1+SL+CO 0.227 2.270 F+TV+DM+VL 0.200 2.000
19 F+TV+DM+CZ+C2+SL+CO 0.227 2.270 F+TV+DM+CO 0.170 1.700
20 F+TV+DM+SL+CO 0.197 1.970 F+TV+DM+CO 0.170 1.700
21 F+TV+DM+SL+CO 0.197 1.970 F+TV+DM+CO+C1 0.185 1.850
22 F+TV+DM+SL+CO 0.197 1.970 F+TV+DM+CO+C2 0.185 1.850
23 F 0.040 0.400 F+TV+DM+CO 0.170 1.700
24 F 0.040 0.400 F+CO 0.055 0.550
Energie totale (KWh/j) 2.290 22.900 Energie totale (KWh/j) 2.470 24.700

Tableau 4.2 : Profil de consommation énergétique horaire [6].

4.3. Les différents éléments du système :

Avant d’entamer le dimensionnement de notre système, nous présentons ses principaux

éléments.

4.3.1. L’onduleur :

Les caractéristiques principales d’un onduleur autonome sont les suivantes :

- La tension d’entrée (12V, 24V ou 48V).

- La tension de sortie 220 AC à 50Hz.
- Le rendement généralement >90% en fonctionnement nominal.
- La consommation en mode veille (2 ou 3% de la puissance nominale).
- Les protections (court-circuit charge, chute de tension coté batterie).
- Le prix très variable selon le type et la puissance des charges utilisées.

4.3.2. Les batteries :

Les batteries choisies seront de préférence :

- Des batteries fermées (Valve Regulated Lead Acid) dans lesquelles l’électrolyte
est stabilisé par un gel ou un matériau AGM (Absorbent Glass Mat)
- Des batteries à plaques tubulaires dites batteries « stationnaire ».
Pour les systèmes de petite puissance, une tension de 12V est préférée, les récepteurs
alimentés en 12V étant plus fréquents, mais au-delà de 2.5 KWh stockés, on passera en 24V
ou plus pour limiter les pertes ohmiques en gardant des sections de câble raisonnables. Les
batteries sont commercialisées en cellules de 2V, de 200Ah à 3000 Ah ou en ensemble 12V
jusqu’à 400Ah.

4.3.3. Régulateur de charge :

Le régulateur doit assurer des fonctions de protections :

• Pour éviter une décharge de la batterie dans le panneau.

• Pour éviter une surcharge ou une décharge profonde de la batterie.
• En cas de court-circuit coté charge.
Son rôle est aussi de contrôler le transfert d’énergie entre le générateur photovoltaïque, la
batterie et la charge en fonction :

• De la disponibilité de la ressource et de l’état de charge de la batterie.

• Du caractère prioritaire ou non de la charge.
4.3.4. Générateur photovoltaïque :

Les caractéristiques électriques de notre panneau photovoltaïque sont données dans

le tableau suivant :

Module Atersa 75A Caractéristiques électriques

Puissance crête (Wp) 75 W

Tension de circuit ouvert (Voc) 21.9 V

Tension max (Vmp) 17.85 V

Courant de court-circuit (Isc) 4.6 A

Courant max (Imp) 4.2A

Tableau 4.3: Les caractéristiques électriques du module Atersa 75A sous les

conditions standards (STC)

Pour utiliser au mieux le module photovoltaïque, nous chercherons son fonctionnement au

maximum de puissance disponible. Ainsi, le régulateur doit inclure une fonction dite
« MPPT » (Maximum Power Point Tracking) qui jouera le rôle d’adaptateur d’impédance
entre le module photovoltaïque et la charge [78].
4.4. Dimensionnement du système :

Le dimensionnement d’une installation photovoltaïque revient à déterminer le nombre

nécessaire des modules photovoltaïques constituants le générateur photovoltaïque ainsi
que la capacité de charge des batteries .Ces deux éléments sont les plus importants en
raison du coût élevé qu’ils totalisent, plus de 50% du prix de l’installation et aussi la
puissance du groupe électrogène utilisé.

4.4.1. Dimensionnement du générateur photovoltaïque sous Matlab:

Le but de l’optimisation du système avec l’algorithme PSO est de trouver la meilleure

configuration possible en termes de coût d’une part et qui satisfait les contraintes du
système et la demande en électricité d’autre part. Le coût actuel net (ACS) est la fonction
objective du système, ce coût combine le coût en capital ACC, le coût de remplacement ARC,
le coût du carburant AFC, et le coût de maintenance AOM. Les paramètres économiques du
système sont présentés dans le tableau 4.4. L’organigramme d’optimisation du système est
illustré dans les figures (4.2), figure (4.3).

Taux d'intérêt nominal i1 (%) 0.146

Taux d'inflation f (%) 0.0817
durée de vie du projet (year) 20
Banques de batteries vie (year) 5
fiabilité des panneaux photovoltaïques 0.98
Fiabilité de l'inverseur 0.98
la fiabilité de la batterie 0.98
Fiabilité de l'unité DG 0.9
Coût de carburant 0.22
Facteur d’émission 2.5

Tableau 4.4 : Les paramètres économiques du système.

 Entrer les données

Optimisation Simulation

Sélection de la
Mètre à jour depopulation
la populationinitiale.

Calcul de l'énergie produite par le

système
Mise à jour des particules

Évaluation des particules.

Calcul de LLP et CO2 émission

Sélection de la meilleure
particule.

No Le critère est
atteint ?
Ouiooooooi

Oui
Fin

Figure 4.2 : Organigramme de simulation de PSO

 Initialisation des particules

Calcul de la valeur de fitness pour chaque particule

La valeur calculée de
fitness est meilleure que
Oui la valeur de fitness de Non
Gbest ?
Affecter la nouvelle Garder Gbest
solution trouvée à comme meilleure
Gbest solution

Comparer chaque particule avec la meilleure particule Gbest

Mise à jour des positions et des vitesses des particules

Non
Critère de convergence est atteint ?

Fin

Figure 4.3 : Organigramme de l'algorithme de PSO.

4.4.2. Simulation du comportement du système :

• Paramètres d’entrée du système :

Le programme d’optimisation et simulation du système est développé sous Matlab. Les

paramètres du PSO consistent de 30 particules et 50 itérations, chaque particule comprend 3
vecteurs qui représentent la taille de panneaux photovoltaïques, de batteries et la capacité
de générateur diesel. La simulation a été basée sur les paramètres d’entrée du
système suivants :

le module photovoltaïque :

- la marque : Atersa 75A.

- La puissance maximale crête du module Pc=75W.
- La tension de circuit ouvert Voc = 21.9 V.
- Le courant de court circuit Isc =4.6 A.
- La tension crêt maximale Vm = 17.85 V.
- Le courant maximal crêt Im =4.2 A.
la batterie de plomb :

- Rendement des batteries bat =85%.

- Tension du banc des batteries =48 V.

Convertisseur AC/DC :

- Rendement : 98%.
- Tension d’entrée : 48 Vdc.
le groupe électrogène :

- Type de fuel : diesel.

- Puissance du groupe électrogène est entre 2Kw et 3Kw.

Selon les conditions météorologiques (éclairement et température), nous avons

simulé le système hybride et nous avons abouti aux courbes de convergence de l'algorithme
de PSO pour 4 simulations indépendantes représentées dans la figure 4.4. On peut voir que
les valeurs optimales sont obtenues après environ 7 itérations. En outre, il peut être observé
que la valeur optimale pour tous les essais converge vers presque la même valeur optimale
(optimum global).
 19500
1st run

19000 2nd run

3rd run
18500 4th run
ACS($)

18000

17500

17000

16500
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Nombre des iterations

Figure 4.4 : Convergence de l'algorithme de PSO.

Pour notre système, nous avons choisi une perte d’énergie LP =0.03 et une
consommation du fuel FC <= 200 Litres/an qui donnent les résultats suivants :

LP=3% et FC<=200 Litres

75
Nombre des Panneaux

90
Nombre des batteries

2
Puissance du groupe électrogène

Tableau 4.5: Résultats du dimensionnement.

Puissance photovoltaïque 5.625 KW
Capacité des batteries 180 KW
Puissance du groupe électrogène 2 KW
Consommation annuelle du groupe électrogène en fuel 181 Litres/an
Energie photovoltaïque annuelle 9780.41 KWh/an
Energie annuelle produite par le groupe électrogène 354.06 KWh/an
Le pourcentage du photovoltaïque 96.5%
Groupe électrogène 3.5%
Les heures de fonctionnement du groupe électrogène 577

Tableau 4.6: Bilan énergétique du système.

Composent ACC ($) O&M ($) ARC($) Fuel ($) Total ($)

Générateur photovoltaïque 1122.9 12.937 0 / 1135.83

Groupe électrogène 65.093 3.75 0 10.46 79.30

Hoppecke 20 OPzS 2500 9088 153.36 6808.9 / 16050.26

Convertisseur 347.11 4 0 / 351.11

Système 10623.07 174.04 6808.94 10.46 17617

Tableau 4.7 : Bilan économique du système.

4.5. Discussion des résultats :

Notre programme effectue un bilan énergétique pour chercher la solution optimale selon le
plus faible coût et en respectant les contraintes.
- Le tableau 4.5 présente la solution optimale obtenue : (75 X 75W) panneaux
photovoltaïque, (90 X 2KWh) capacité des batteries et 2 KW puissance du groupe
électrogène, un onduleur d’une capacité de 6 KW.
- Le bilan énergétique montre que 96% de l’énergie produite est une énergie
renouvelable, cette fraction correspond a une énergie de 9780 KWh/an, la
consommation en fuel est 181 litres et une charge primaire servie c'est-à-dire, nous
avons obtenu une satisfaction totale.
- En utilisant l’algorithme du PSO le coût actuel du système minimisé est 17617 $, environ
91% du ce coût est le coût du banc des batteries.
4.6. Conclusion :
Notre travail a porté sur le dimensionnement et la simulation d’un système hybride
(PV-Diesel) en utilisant l’optimisation par l’essaim des particules PSO et à l’aide de logiciel
Matlab. L’analyse des résultats obtenus par la simulation du fonctionnement du système
hybride pour le site d’Ilamane de la wilaya de Tamanrasset, nous a permis de noter les
conclusions suivantes :

- Les résultats de la simulation montrent que le critère d’optimisation de la chaine de

conversion basé sur L’optimisation méta-heuristique par essaim de particules OEP (PSO)
est un critère fiable.
- Les performances et les dimensions du système hybride sont liées aux conditions
climatiques du site, les caractéristiques techniques de composants constituants le
système, ainsi qu’au profil de charge choisi.
- Les systèmes solaires hybrides qui utilisent une source d’énergie d’un générateur Diesel
sont plus performants et moins chers que ceux qui n’utilisent que des ressources
renouvelables Solaire, mais, ils émettent plus de dioxyde de carbone (CO2) qui menace
la prospérité de l’écosystème.
 Conclusion générale

L’objectif de ce travail est d’examiner la possibilité et les performances d’électrifier une

communauté rurale par la solution hybride, alors nous nous sommes aperçues que le
fonctionnement du système dépend non seulement des variables d’entrée et de sortie qui
sont l’ensoleillement, la température et la charge à alimenter, mais aussi de
l’interdépendance entre les différents équipements. Un composant du système mal
dimensionné peut compromettre le bon fonctionnement de toute l’installation. Ainsi, à
partir des résultats obtenus, nous pouvons conclure que la combinaison des deux sources
d’énergie (PV-Diesel) est nécessaire pour permettre de couvrir les déficits énergétiques et de
répondre à la demande énergétique grandissante des habitants ruraux. Cette demande
grandissante est due essentiellement à la demande de plus en plus grandissante du confort à
la maison, plus d’équipements électriques.

Nous avons suivi une méthodologie qui se base sur l’optimisation méta-heuristique par
essaim de particules OEP (Particle Swarm Optimization (PSO) en anglais) de la chaine de
conversion. La programmation et la simulation ont été réalisées sous Matlab.

Une installation hybride réussie nécessite une démarche d’économie d’énergie, puis une
conception et une installation rigoureuse avec des composants qui répondent au besoin.
Nous pensons que les résultats techniques et économiques de la simulation obtenus étaient
satisfaisants et ont montré l’efficacité et la rentabilité du système hybride étudié.

Dans l’avenir, nous souhaiterons que nous puissions apporter plus d’affinité pour ce travail
comme par exemple :
- L’amélioration du système de stockage par l’utilisation d’autres techniques de
stockage, batteries de haut rendement et de grande durée de vie.
- L’exploitation d’une autre source renouvelable tel que l’éolien pour assurer une
grande part de l’énergie renouvelable dans le système hybride.
 Bibliographie

[1] M. Angel Cid Pastor « Conception et Réalisation de Modules Photovoltaïques» Spécialité :

Conception des Circuits Microélectroniques et Microsystèmes 2010.
[2] [Link], ‘‘ Modelisation et Analyse de l’Intégration de des Energies Renouvelables
Dans un Réseau Autonome ’’, Thèse de Doctorat, Université de Havre, Année 2005.
[3] C. P. De Brichambaut, C. Vauge, « Le gisement solaire évaluation de la ressource énergétique »,
(1981).
[4] Yves Jannot « Thermique solaire », Octobre 2003.
[5] Belakehal Soltane, "Conception & Commande des Machines à Aimants Permanents Dédiées aux
Energies Renouvelables", thèse de Doctorat, université de Constantine, 10/06/2010
[6] Fodhil Fadhila," Performances des Réseaux Multi Hybrides Solaires (MGS) Dans L’électrification
Rurale", Mémoire de Magister, université de Blida, 2010.

[7] Belhadj Mohammed, "Modélisation D’un Système De Captage Photovoltaïque Autonome",

Mémoire de Magister, université de Bechar, 2008.
[8] Louazene Mohamed Lakhdar, "Etude technico-économique d'un système de pompage
photovoltaïque sur le site de Ouargla", Mémoire de Magister, université de Batna, 12/06/2008.
[9] Guendouz Bouhelal, "L'utilisation de L'énergie solaire pour Les besoins de la climatisation ",
Mémoire de Magister, université de Tlemcen, 2012
[10] G. N. Tiwari, S. K. Shukla, I.P. Singh, « Computer Modeling of Passive/Active Solar Stills by Using
Inner Glass Temperature », Journal of Desalination, Vol.154, (2003).
[11] J. Royer, T. Djiako, [Link] et B. SadaSy . « Le pompage photovoltaïque’ Manuel de cours à
l’intention des ingénieurs et des techniciens ». Publ. en collab. avec : IEPF, Université d’Ottawa,
EIER, CREPA. 1998. ISBN 2-89481-006-7.

[12] Maryse Labriet. ‘Énergie et développement durable en Méditerranée’, Revue Liaison Énergie-
Francophonie N °71–2e Trimestre 2006, Page 95 ISSN 0840-7827.
[13] M. Brahimi. « Situation des énergies renouvelables en Algérie ». Conférence sur la maîtrise de
l’énergie et de l’environnement dans un contexte d’économie de marche, 22 et 23 mai 2001,
Hôtel Sheraton, Alger, Algérie.
[14] A. Ainouche « Natural gas and Algerian strategy for renewable energy», 23rd World GAS
Conference, Amsterdam, 2006.

[15] Bencherif Mohammed « Modélisation de systèmes énergétiques photovoltaïques et éoliens

intégration dans un système hybride basse tension », thèse du Docteur en physique, université
de Tlemcen ,2010
[16] EurObserv’ER,” le baromètre européen 2005 des énergies Renouvelables ’’ ,5eme bilan, système
solaire, n°165 à170 ,2005
[17] S. Moussa, A. Kaabèche et M. Belhamel, « Evaluation des Performances d’un Système Hybride
de Production d’Electricité -Fourniture d’énergie électrique sans interruption au moyen d’un
système hybride (solaire, éolien, et diesel) totalement autonome », Revue des Energies
Renouvelables, pp : 247-250, 1999
[18] M. Belhamel, S. Moussa et A. Ka abèche, « Production d’Electricité au Moyen d’un Système
 Hybride (Eolien- Photovoltaïque -Diesel) », revue des énergies renouvelables, pp.49-54, 2002.
[19] A. El Khadimi, L. Bachir et A. Zeroual, « Dimensionnement et optimisation technico-économique
d’un système d’énergie hybride photovoltaïque - éolien avec système de stockage », Revue des
Energies Renouvelables, Vol. 7, pp : 73-83, (2004)
[20] D. Kousa, M. Alem et M. Belhamel, « Système Hybride (Eolien, Solaire) pour l’Alimentation
électrique d’une Charge à usage Domestique », Revue des Energies Renouvelables, pp :1-8,
2002.
[21] [Link]. « Modélisation énergétique et optimisation économique d’un système de
production éolienne et photovoltaïque couplé au réseau et associé à un accumulateur », Thèse
de doctorat de l’école normale supérieur de cachant, France, 2002.
[22] European Photovoltaic Industry Association and Greenpeace. Solar Generation V. Report EPIA,
2008
[23] R. Kaiser. « Optimized battery-management system to improve storage lifetime in renewable
energy systems ». Journal of Power Sources, vol.168:58–65, 2007.
[24] Yaël Thiaux. « Optimisation des profils de consommation pour minimiser les coûts économique
et énergétique sur cycle de vie des systèmes photovoltaïques autonomes et hybrides Évaluation
du potentiel de la technologie Li-ion. » , thèse de doctorat de l’école normale supérieure de
Cachan..Soutenue le 08 Juillet 2010.
[25] B. Wickert, C.V. Nayar and W.B. Lawrance, « Photovoltaic-Diesel Hybrid Energy Systems for Off-
Grid Rural Electrification », International Journal of Renewable Energy Engineering, Vol. 1, N°1,
pp. 7 - 17, 1999.
[26] Mauch K., Operating Agent current state of the art in pv hybrid mini-grids – early results from
IEA PVPS task 11, [Link]
[27] A. Laugier and J.A. Roger. « Les photopiles solaires ». Edition Technique et documentation, 1981.
[28] [Link], [Link]. Mathematic models of photovoltaic motor-pump systems. Renewable
Energy 33 (2008), pp: 933-942.
[29] D.S.H. Chan, J.R Philips and J.C.H. Phang. « A comparative study of extraction methods for solar
cell model parameters ». Solid State Electronic, Vol 29(3), pp 329-337, 1986.
[30] [Link]. Electricidad Solar: Ingeniera de los sistemas [Link] de Energia Solar,
Universidad Politécnica de Madrid, [Link], 1994.
[31] D. Saheb, Koussa et M. Belhamel : «Contribution à l’étude théorique du comportement d’un
système hybride (éolien – photovoltaïque - diesel) de production d’électricité sans
interruption». Revue des Energies Renouvelables Vol. 11 N°1 (2008) 137 – 151.
[32] A. Ould Mohamed Yahya , A. Ould Mahmoud et I. Youm : « Modélisation d’un système de
stockage intégré dans un système hybride (PV / Eolien / Diesel) ». Revue des Energies
Renouvelables Vol. 10 N°2 (2007) 205 – 214.
[33] Massé René, « Financer le développement de l’électrification rurale », Coll. Études et Travaux,
série en ligne n°2, Éditions du Gret, 2004, [Link], p 108.
[34] M. Muselli, G. Notton, A. Louche, « Design of hybrid photovoltaic power generator with
optimization of energy management », Solar Energy Vol. 65, No 3, pp 143-157.
[35] Abouzahr I., Ramakumar R: « Loss of power supply probability of stand-alone wind electric
conversion systems », a closed solution approach. IEEE Transactions on Energy Conversion,
1990, vol. 5, n° 3, pp. 445-452.
[36] Abouzahr I., Ramakumar R. «Loss of power supply probability of stand-alone photovoltaic
systems», a closed solution approach. IEEE Transactions on Energy Conversion, 1991, vol. 6,
n° 1, pp. 1-11.
[37] Ghali F.M.A, Abd El Aziz M.M, Syam F.A. « Simulation and analysis of Hybrid systems using
probabilistic techniques ». Proceedings of the IEEE Power Conversion Conference (PCC)
Nagaoka, 1997, pp. 831-835.
[38] Giraud F., Saameh Z.M. «Steady-state performance of a grid-connected rooftop hybrid wind-
photovoltaic power system with battery storage ». IEEE Transactions on energy conversion,
ISBN 0885-8969, 2001, vol. 16, n° 1, pp. 1-7.
[39] Enrico FABRIZIO. «Modélisation des systèmes multi énergies dans les bâtiments ». Thèse de
doctorat, Institut National des Sciences Appliquées de Lyon, juillet 2008.
[40] A. Kaabeche, M. Belhamel , R. Ibtiouen , S. Moussa .M. R. Benhaddadi : « Optimisation d’un
système hybride (éolien – photovoltaïque) totalement autonome ». Revue des Energies
renouvelables. Vol. 9, N°3 (2006) 199 – 209.
[41] [Link], [Link]. Systematic procedures for sizing photovoltaic pumping system, using
water tank storage. Energy Policy 37 (2009) 1489–1501.
[42] B.S. Borrowy and Z.M. Salameh, «Methodology for Optimally Sizing the Combination Battery
Bank and PV Array in a Wind/PV Hybrid System», IEEE Transaction on Energy Conversion, Vol.
12, N°1, pp. 73 - 78, March 1997.
[43] E. Ofry and A. Brauntein, «The Loss of Power Supply Probability as a Technique for Designing
Stand-alone Solar Electrical (Photovoltaic) Systems », IEEE Transaction on Power Apparatus and
Systems, Vol. PAS-102, N°5, pp. 1171 - 1175, May 1983.
[44] Rodolfo DL, Jose LBA. Multi-objective design of PV-wind-diesel –hydrogen-battery systems.
Renew Energy 2008; 33(12):2559e72.
[45] Abedi S, Alimardani A, Gharehpetian GB, Riahy GH, Hosseinian SH. A comprehensive method for
optimal power management and design of hybrid RES-based autonomous energy systems.
Renew Sustain Energy Rev 2012; 16(3):1577e87.
[46] Riccardo Poli, James Kennedy, and Tim Blackwell. Particle swarm optimization. Swarm
Intelligence, 1(1):33–57, 2007.
[47] Russell C. Eberhart, Yuhui Shi, and James [Link] Intelligence. The Morgan Kaufmann
Series in Artificial Intelligence. Morgan Kaufmann, San Francisco, CA, USA, 2001.
[48] Craig W. Reynolds. Flocks, herds, and schools: A distributed behavioral model. Computer
Graphics, 21(4):25–34, 1987.
[49] F. Heppner and U. Grenander. A stochastic nonlinear odel for coordinated bird flocks. AAAS
Publication, Washington, DC, 1990.
[50] J. Dréo, A. Pétrowski, P. Siarry, and E. Taillard. Métaheuristiques pour l’Optimisation Difficile.
Eyrolles, 2003.
[51] T. H. Cormen, C. E. Leiserson, and R. L. Rivest. Introduction to algorithms, chapitre 16 : Greedy
Algorithms. MIT Press and McGraw-Hill, 1st Ed., 1990.
[52] R. A. DeVore and V. N. Temlyakov. “Some remarks on greedy algorithms”. Advances in
Computational Mathematics, Vol. 5, No. 1, pp. 173–187, 1996.
[53] V. R. Basili and A. J. Turner. “Iterative enhancement : A practical technique for software
development”. IEEE Transactions on Software Engineering, Vol. 1, No. 4, pp. 390–396,1975
[54] F. Glover. “Future paths for integer programming and links to artificial intelligence”.Computers
and Operations Research, Vol. 13, pp. 533–549, 1986.
[55] Y. Collette and P. Siarry. Optimisation multiobjectif. Eyrolles, 2002
[56] D. E. Goldberg and J. Richardson. “Genetic algorithms with sharing for multimodal function
optimization”. In : Proceedings of the Second International Conference on Genetic Algorithms on
Genetic algorithms and their application, pp. 41–49, Lawrence Erlbaum Associates., Mahwah,
NJ, USA, 1987.
[57] J. Branke. Evolutionary Optimization in Dynamic Environments. Kluwer Academic, 2002
[58] E. G. Talbi. “A Taxonomy of Hybrid Metaheuristics”. Journal of Heuristics, Vol. 8, No. 5,pp. 541–
564, 2002.
[59] E. Alba. Parallel Metaheuristics : A New Class of Algorithms. JohnWiley & sons, 2005.
[60] J. Kennedy and R. C. Eberhart. “Particle Swarm Optimization”. In : Proceedings of the IEEE
International Conference on Neural Networks IV, pp. 1942–1948, Perth, Australia, November
1995.
[61] Y. Shi and E. R. C. “Empirical study of particle swarm optimization”. Vol. 3, pp. 1945–1950, 1999.
[62] D. [Link] and S. H. Strogatz. “Collective dynamics of ’small-world’ networks”. Nature, Vol. 393,
No. 6684, pp. 440–442, June 1998.
[63] P. N. Suganthan. “Particle swarm optimiser with neighbourhood operator”. In : Proceedings of
the 1999 Congress on Evolutionary Computation, CEC 99, pp. 1958–1962,Washington, DC USA,
1999.
[64] D. J. Watts. Small worlds : The dynamics of networks between order and randomness. Princeton
University Press, Princeton, NJ, 1999.
[65] J. Kennedy. “Small worlds and mega-minds : effects of neighborhood topology on particle swarm
performance”. In : Proceedings of the 1999 Congress on Evolutionary Computation, CEC’99, pp.
1931–1938,Washington, DC USA, 1999.
[66] T. Peram, K. Veeramachaneni, and C. K. Mohan. “Fitness-distance-ratio based particle swarm
optimization”. In : Proc. IEEE Swarm Intelligence Symposium, pp. 174–181, Indianapolis, Indiana,
USA, 2003.
[67] M. Richards and D. Ventura. “Dynamic Sociometry in Particle Swarm Optimization”. In : Joint
Conference on Information Sciences, pp. 1557–1560, Cary, North Carolina USA, 2003.
[68] M. Clerc. Particle Swarm Optimization. ISTE (International Scientific and Technical
Encyclopaedia), 2006.
[69] Y. X. Wang and Q. L. Xiang. “Particle Swarms with dynamic ring topology”. In : Proceedings of the
IEEE Congress on Evolutionary Computation, pp. 419–423, IEEE, 2008
[70] J. Lane, A. Engelbrecht, and J. Gain. “Particle swarm optimization with spatially meaningful
neighbours”. In : Proceedings of the 2008 IEEE Swarm Intelligence Symposium. Piscataway, NJ :
IEEE, pp. 1–8, Press, 2008.
[71] E. Safavieh, A. Gheibi, M. Abolghasemi, and A. Mohades. “Particle swarm optimization with
Voronoi neighborhood”. In : Proceedings of the 14th International CSI Computer,Conference
(CSICC2009), pp. 397–402, Tehran, Iran, 2009.
[72] T. Krink, J. S. Vesterstrom, and J. Riget. “Particle swarm optimisation with spatial particle
extension”. In : Proc. IEEE Congress on Evolutionary Computation, pp. 1474–1479,Honolulu,
Hawaii USA, May 2002.
[73] J. Kennedy and R. Mendes. “Population Structure and Particle Swarm Performance”. In :
Proceedings of the 2002 IEEE Congress on Evolutionary Computation, CEC’02, pp. 1671–1676,
Honolulu, HI, USA, 2002.
[74] R. Mendes, J. Kennedy, and J. Neves. “The Fully Informed Particle Swarm : Simpler, Maybe
Better”. IEEE Trans. Evolutionary Computation, Vol. 8, No. 3, pp. 204–210, 2004.
[75] R. Mendes, J. Kennedy, and J. Neves. “Watch thy neighbor or how the swarm can learn from its
environment”. In : Proceedings of the 2003 IEEE Swarm Intelligence Symposium, pp. 88–94,
Indianapolis, Indiana, USA, 2003.
[76] U. K. Chakraborty, A. Konar, and S. Das. “Differential Evolution with Local Neighborhood”.pp.
2042–2049, IEEE Press, Vancouver, BC, Canada, July 2006.

[77] R. C. Eberhart and Y. Shi. “Tracking and optimizing dynamic systems with particle swarms”. In :
Proceedings of the 2001 IEEE Congress on Evolutionary Computation, pp. 94–100, IEEE Press,
Piscataway, NJ, 2001.