I. 3.2.3.5 Etude de l’algorithme évolutionniste multicritère : NSGA- II
I.4 Elaborations des modèles
I.4.3 Conclusion sur l’élaboration des modèles
Le choix des modèles à utiliser pour caractériser le comportement des différents éléments du système est conditionné non seulement par le problème à traiter (type, taille,…) mais aussi par la méthode d’optimisation adoptée pour résoudre le problème en question.
Notre choix s’est porté sur l’utilisation d’algorithmes génétiques, qui sont bien adaptés à la conception par optimisation des systèmes complexes. Cependant, ils nécessitent un grand nombre d’évaluations pour aboutir à une solution. Par ailleurs, pour s’assurer de leur convergence, on est contraint de relancer plusieurs exécutions afin de vérifier la reproductibilité des résultats. Le temps nécessaire au dimensionnement peut être prohibitif si le modèle est basé sur une méthode numérique.
Les modèles adoptés pour caractériser les différents éléments du système doivent donc tenir compte de cet impact, et un compromis entre la finesse et la rapidité des modèles s’impose. Il faut adopter des modèles simplifiés « rapide en temps de calcul », tout en restant représentatifs de la réalité physique de ces éléments et de leurs interactions.
I.5 Conclusion
Dans un contexte lié à la conception des systèmes de conversion d’énergie, et en particulier des systèmes éoliens, nous avons présenté les différents types d’aérogénérateurs.
Nous avons abordé aussi les différentes architectures couramment utilisées dans les systèmes éoliens de petite puissance, ainsi que les différentes méthodes de commande et de contrôle employées pour améliorer leur efficacité énergétique. Dans cette gamme de puissance, un intérêt particulier est porté sur une structure éolienne passive qui présente de grands avantages aux niveaux, du coût, de la sûreté de fonctionnement et de fiabilité. Cette structure peut être efficace du point de vue énergétique, si un dimensionnement global est réalisé. Ce dernier point sera l’un des objectifs principal de notre travail.
Dans un contexte lié au génie électrique, nous avons procédé aussi à une analyse du processus de conception par optimisation en détaillant ses différentes phases. Nous avons montré que la phase de dimensionnement est complexe et correspond au travail le plus important du concepteur.
La complexité de cette phase est due à la coexistence de plusieurs phénomènes physiques, qui sont fortement couplés au sein du système à concevoir.
Le dimensionnement de ce type de système nécessite la prise en compte du couplage entre les phénomènes physiques : aérodynamiques – mécaniques – électriques – thermique.
Le dimensionnement par optimisation est une procédure qui s’intègre bien dans une démarche de conception, qui fait appel à exploitation du savoir-faire et aux connaissances de l’utilisateur. Le choix de la méthode d’optimisation dépend du problème à optimiser.
Les algorithmes génétiques sont parmi les mieux adaptés à la conception par optimisation dans un contexte multiobjectifs, permettant de disposer d’un ensemble de solutions, pouvant être soumises à un arbitrage final du concepteur.
La finesse des modèles à utiliser pour le dimensionnement doit être choisie en fonction de la méthode d’optimisation adoptée pour résoudre le problème en question.
Dans le chapitre suivant, nous allons proposer des modèles élaborés en vue de l’optimisation du dimensionnement des différents éléments de la chaîne, ainsi que les modèles d’analyse et de validation des résultats d’optimisation.
Bibliographie
AIRO'95 "Enterprise Systems: Management of Technological and Organizational Changes", 1992.Glover F., “Tabu Search, Part I”, ORSA Journal on Computing 1, 1989.
N. Bianchi, F. Dughiero, "Optimal design technics applied to transverse flux induction heating
systems ", IEEE Trans. On Mag.,vol. 31, n°3, p. 1992-1995, May 1995.
S. Brisset, C. Espanet, P. Brochet; " Modèle de prédimensionnement d’un moteur à courant
continu, aimant permanent, commutation électronique et bobinage concentré ", EF’2003. Electrotechnique du futur, 9 et 10 décembre 2003.
M.Dali, J. Belhadj, X. Roboam , J.M. Blaquiere, ‘Control and Energy Management of a Wind-Photovoltaic Hybrid System, EPE conference, Aalborg, Suede, September 2007.
K. Deb, «Multi Objective Optimisation using evolutionary algorithms",John Wiley&Sons,2001. K. Deb, S. Agrawal, A. Pratab, T. Meyarivan, "A fast and elitist multi-objective genetic algorithm:
NSGA-I I", IEEE – Transactions on Evolutionary Computation, v. 6, n. 2, pp. 182–197, Apr. 2002. J.R Didat " Etude de l’association des convertisseurs de puissance dans une chaîne éolienne de
petite puissance" thèse université Montpellier II – Sciences et techniques du Languedoc, 2006. Energies Renouvelables. http://www.energies-renouvelables.org
C. Espanet, " Modélisation et conception optimale de moteurs sans balais a structure inversée,
application au moteur roue ", Thèse de doctorat, janvier 1999, Université de Franche-Comté. X. Faure, A. Stoukov, G. Harran, A. Kourta, Modélisation d’une éolienne à axe vertical par couplage champ/circuit, JET’2004, Marrakech, Maroc, Avril 2004.
C. M. Fonseca and P. J. Fleming, " Genetic Algorithm for Multiobjective Optimization:
Formulation, Discussion and Generalization ", In: 5th Conference on Genetic Algorithm, San Mateo, California, pp. 416-423, Aug. 1993.
O. Gergaud, B. Multon, H. Ben Ahmed, "Modélisation d'une chaîne de conversion éolienne de
petite puissance", Electrotechnique du Futur 2001 nov. 2001, Nancy France, pp.17-22.
F. Glover, M. Laguna, “Tabu Search”, Kluwer Academic Publishers, Boston, ISBN 0-7923-9965-X, July 1997.
G. Harik, “Finding Multimodal Solutions Using Restricted Tournament Selection“, Procedings of
the Sixth International Conference on Genetic Algorithms, San Francisco, CA, Morgan Kaufmann ,pp 24-31,1995
E. Hau, "Wind-turbines, Fundamentals, Technologies, Application, Economics, " Editions Springer, 2000.
A. Hertz, E. Taillard, D. de Werra, “A Tutorial On Tabu Search”, Proc. of Giornate di Lavoro J. Horn and N. Nafpliotis, "Multiobjectif Optimization using the Niched Pareto Genetic Algorithm" Technical report, University of Illinois at Urbana Champaign, Illinois, 1993.
A.D. Kone, " Contribution à la conception des actionneurs électriques par formulation en terme
d’optimisation ", Thèse de doctorat, 1993, INPT
Joshua D. Knowles and David W. Corne, “Approximating the nondominated front using the Pareto
archived evolution strategy”, Evolutionary Computation Journal, 8(2):149–172, 2000.
S.W. Mahfoud., "Evolutionary computation 2: advanced algorithms and operators," T back, D.B. Fogel &T.Michalewicz (Eds), Niching methods, chapitre 13, Institute of Physics Publishing , Bristol and Philadelphia, 2000.
A. Mirecki" Etude comparative de chaînes de conversion d’énergie dédiées à une éolienne de
petite puissance, " thèse INP Toulouse, 2005
A. Mirecki, X. Roboam, Member, IEEE, and F.Richardeau, “Architecture Complexity and Energy
Efficiency of Small Wind Turbines” IEEE TRANSACTIONS ON INDUSTRIAL
ELECTRONICS, VOL. 54, NO. 1, FEBRUARY 2007
E. Muljadi, C.P. Butterfield, « Pitch-Controlled Variable-Speed Wind Turbine Generation », IEEE Trans on industry application, Vol 37, n°1, January/February 2001, pp.240-246.
B.Multon, X. Roboam, B.Dakyo, C. Nichita , O. Gergaud et H. Ben Ahmed « Aérogénérateurs
électriques » Techniques de l’ingénieur, Ref D3960 – Vol D7, 2004.
S. Müller, Deike, R.W. De Doncker, « Adjustable Speed Generators for Wind Turbines based on
Doubly-fed Induction Machines and 4-Quadrant IGBT Converters Linked to the Rotor », CDROM of the IEEE IAS Conf., oct. 2000.
B. Nogarede, " Etude de moteurs sans encoches à aimants permanents de forte puissance à basse
vitesse ", Thèse de doctorat, INPT Toulouse, 1990.
Pareto V., cours d’économie politique, volume I et II, Lausanne 1896.
J. Regnier, " conception des systèmes hétérogènes en génie électrique par optimisation
évolutionnaire multicritères ", thèse INP Toulouse, 2003.
X.Roboam « Le "petit éolien" : marchés, applications, architectures et gestion d’énergie ». Revue REE, Vol. 5 01/05/2005
B. Sareni «Conception simultanée par Optimisation des Systèmes D’énergie Electrique » HDR INP Toulouse, 2006
B. Sareni, J Regnier, X Roboam "Integrated Optimal Design of Heterogeneous Electrical
Energetic Systems using Multiobjective Genetic Algorithms", IREE, Oct 2001.
J. D. Schaffer, “Multiple objective optimization with vector evaluated genetic algorithms,” In:
First International Conference on Genetic Algorithm, Lawrence Erlbaum, New Jersey, pp. 93-100, 1985.
N. Srinivas and K. Deb, "Multiobjective Optimization Using Nondominated Sorting in Genetic
Algorithms," Technical Report Departement of Mechanical Engineering, Institute of Technology. N. Srinivas and K. Deb, "Multiobjective Optimization Using Nondominated Sorting in Algorithms
Evolutionary computation," the Massachustts Institute of Technology, 2, 3 pages 221-248, 1995. EG. Talbi, " Méta - heuristiques pour l’optimisation combinatoire multi objectif: état de l’art,
Rapport technique " CNET, université de Lille, oct 1999.
W. Theodore Manikas, J T. Cain, “Genetic algorithms and simulated annealing algorithm”, Technical Report 96-101, May 1996
A. Tounzi « Utilisation de l’énergie éolienne dans la production de l’électricité. », Journées électrotechnique du club EEA, 28-29 janvier 1999, Paris.
J.F. Walker, N. Jenkins, "Wind energy technology", John Wiley & Sons, Inc., 1997.
F. Wurtz, " Une nouvelle approche pour la conception sous contraintes de machines électriques ", Thèse de doctorat, mai 1996, INPG.
E. Zitzler, Evolutionary Algorithms for Multi-objective Optimization: Methods and Applications, Thesis (Doctor of Technical Sciences) – Swiss Federal Institute of Technology Zurich, 199