Conception par optimisation des MSDE

Conception par optimisation des MSDE

L’objectif de ce chapitre est de proposer une aide décisionnelle aux choix de structures de générateurs de forte puissance. En vue d’améliorer l’efficacité énergétique des machines de production d’électricité, deux voies sont investiguées. La première voie a pour objectif d’améliorer la loi de contrôle du générateur. La seconde voie consiste à optimiser la géométrie du générateur en vue d’accroître son efficacité énergétique. La première partie est menée suivant l’axe de la stratégie de contrôle. Par la présence de la bobine d’excitation, la MSRB ou les MSDEs offrent un degré de contrôle supplémentaire par rapport au MSAP. Cette variable supplémentaire implique une liberté lors de la détermination de la stratégie de contrôle optimal. Cette problématique est traitée dans la première partie. Ensuite, l’obtention de la loi de contrôle est appliquée au générateur à attaque directe à partir de densité de probabilité de fonctionnement. Différentes stratégies sont investiguées, et leur gain en terme d’énergie produite est quantifié. La seconde partie de ce chapitre porte sur la présentation du processus d’optimisation géométrique multi-structure au point nominal du générateur.

Cette partie introduit la définition des variables et des contraintes du problème d’optimisation multi-structure. Ainsi, le processus d’optimisation des MSRB, MSDEp, MSDEs et MSDEv est développé. Une analyse de sensibilité du modèle met en avant les tendances du processus de conception des structures. L’algorithme d’optimisation et les différents paramètres choisis sont également justifiés. La troisième partie repose essentiellement sur l’application de ce processus d’optimisation multi-structure. Deux cahiers des charges sont considérés suivant les prototypes JEOLIS et MSDEs. Les dimensionnements sont pour un ensemble de solutions optimales au sens de Pareto. De par l’originalité du modèle multi-structure, la dominance des topologies est représentée au travers de fronts de Pareto. Les structures les plus prometteuses seront énoncées au travers de différentes optimisations multicritères. Les machines conventionnelles seront comparées aux MSDE. Ainsi, cette démarche de conception démontre les meilleurs compromis entre les performances et des critères, tels que les coûts, les coûts des matières premières et la masse pour chaque générateur. La quatrième partie couple la stratégie de contrôle à l’optimisation géométrique. Le processus de conception par optimisation intègre des données statistiques de fonctionnement du générateur éolien. L’objectif est alors de quantifier l’apport de ce processus lors du dimensionnement des structures de générateurs.

Les machines Pareto optimales seront comparées au prototype. Enfin, l’impact de la densité de probabilité sur le dimensionnement sera quantifié vis-à-vis d’un dimensionnement classique sur le point nominal. Les modèles développés au chapitre 3 sont tournés vers la conception des générateurs de forte puissance. L’originalité de ces modèles réside dans la considération de plusieurs structures de générateur notamment à double excitation. L’objectif de cette partie est d’étudier l’impact des lois de contrôle des générateurs de forte puissance. Ainsi, les modèles du chapitre 3 seront employés dans un processus de détermination des stratégies de contrôles optimaux. Deux axes originaux sont portés dans cette partie. Le premier axe porte sur la convergence du contrôle. L’emploi d’une méthode de gradient est utilisé afin d’atteindre les points de fonctionnement à partir d’un nombre d’évaluations réduites et en intégrant les contraintes de fonctionnement de la machine. Cette méthode peut conduire parfois à des solutions sous- optimales sur la stratégie de contrôle. La section suivante vise à étudier la convergence du contrôle et à proposer des solutions pour y remédier.

Le second axe porte sur la loi de contrôle optimal d’un générateur éolien. À partir de données statistiques et des points de fonctionnement du générateur, deux lois de contrôle sont investiguées. Celles-ci se distinguent sur le facteur de puissance, et en conséquence sur la gestion des puissances active et réactive. Chaque stratégie vise à maximiser l’énergie convertie au cours d’une année tout en respectant les contraintes électriques du générateur. Le gain de chaque stratégie de contrôle est quantifié tant sur l’énergie que sur l’efficience du générateur. Lors de la recherche de la loi de contrôle optimale, les grandeurs électriques ne sont pas connues. L’objectif est de trouver le meilleur contrôle respectant des consignes de couples à des vitesses données. L’objectif est de minimiser les pertes. Ce processus est illustré en figure 4.1. Lors de la résolution, plusieurs triplets (ILa proposition, faite ci-dessous, consiste à investiguer les lois de contrôle optimales par un algorithme de type gradient. L’algorithme utilisé est celui de l’outil MATLAB® nommé SQP dont le gradient est calculé par différences finies. Les lois de contrôle sont réalisées sur l’ensemble du plan couple-vitesse pour deux machines. La première sera le prototype du générateur éolien à attaque directe JEOLIS. La seconde sera un générateur à aimant permanent en V (MSAPv), présentant les mêmes dimensions que le prototype JEOLIS. L’objectif est d’analyser la complexité de détermination de la loi de contrôle suivant une machine à double excitation parallèle puis une machine à aimants permanents.