Soutenance mémoire
ETAT DE L’ART SUR LES SYSTÉMES D’EXCITATION
Exigences d’un système d’excitation
Les extgences de performances d’un système d’excitation sont principalement déterminées par la génératrice synchrone et aussi le circuit d’ alimentation. La condition de base est que le système d’excitation doit ajuster le courant de champ afin d’exciter la génératrice synchrone et maintenir la tension de sortie selon la consigne. La fonction de base de l’excitation est alors de fournir le courant continu aux bobines créant un champ au rotor de la machine synchrone; de plus, l’excitation assure le contrôle de la tension et de la puissance réactive [1] [6] [7], ainsi que certaines fonctions protectrices du réseau (respect des limites des machines), le tout par le biais de la tension d’excitation. D’un point de vue d’installation électrique, le système d’excitation devrait contribuer au contrôle efficace de la tension et à l’amélioration de la stabilité du système [1] [8].
Cela implique aussi le maintien de la stabilité transitoire en cas de perturbations et de faibles signaux. Historiquement, le rôle du système d’excitation dans l ‘amélioration des performances du système de production n’a pas cessé de se développer. Auparavant, les systèmes d’excitation intervenaient manuellement dans la régulation et le maintien constant de la tension et la puissance réactive en sortie des génératrices. Quant le contrôle de la tension génératrice a été automatisé la première fois, il était lent. Au début des années 1920, l’intégration des régulateurs continus dans les systèmes d’ excitations a contribué dans le développement de ceux-ci, permis d’ obtenir de meilleurs résultats, et suscité l’intérêt d’un grand nombre d’industriels. Depuis ce moment, le système d’ excitation a connu une évolution continue. À partir des années 1960, l’importance et le rôle du système d’excitation ont été élargis en utilisant des signaux de stabilisation auxiliaires. En plus de la régulation de tension de sortie, l’ excitation permettait d’amortir les oscillations de puissance du système à l’ aide de stabilisateur de puissance (power system stabilizer) [9] [10]. Les systèmes d’excitation modernes sont actuellement capables de fournir une réponse pratiquement instantanée même avec des tensions élevées (HT) [ 1] [ 11].
Technique d’optimisation par algorithmes génétiques
Les algorithmes génétiques (AG) sont des méthodes d’optimisation. Ils tirent leur nom de 1 ‘évolution biologique des êtres vivants dans le monde réel. Ces algorithmes cherchent à simuler le processus de la sélection naturelle dans un environnement défavorable en s’inspirant de la théorie de l’évolution proposée parC. Darwin. Tels que les « individus » les mieux adaptés tendent à vivre assez longtemps pour se reproduire alors que les plus faibles ont tendance à disparaître (the survival of the fittest); Michalewicz et al., 1999; Tomassini, 1999) [29]. Par analogie avec l’évolution naturelle, les AG font évoluer un ensemble de solutions candidates, appelé une « population d’individus ». Un « individu » n’est autre qu’une solution possible du problème à résoudre. Chaque individu de cette population se voit attribuer une fonction appelée fonction d’adaptation (fztness) qui permet de mesurer sa qualité ou son poids; cette fonction d’adaptation peut représenter la fonction objectif à optimiser.
Ensuite, les meilleurs individus de cette population sont sélectionnés, subissent des croisements et des mutations et une nouvelle population de solutions est produite pour la génération suivante. Ce processus se poursuit, génération après génération, jusqu’à ce que le critère d’arrêt soit atteint, comme par exemple le nombre maximal de générations. Les techniques de recherche et d’optimisation sont en général classées en trois catégories (Coello Coello et al, 2002) : énumératives, déterministes et stochastiques. Les AG font partie de la troisième catégorie et quatre caractéristiques les distinguent des autres techniques d ‘optimisation (Goldberg, 1989; 1994) [30] [31] :
ils utilisent un codage des paramètres et non les paramètres eux-mêmes.
ils travaillent sur une population d’individus (ou de solutions).
ils n’utilisent que les valeurs de la fonction à optimiser, pas sa dérivée, ou une autre connaissance auxiliaire.
ils utilisent des règles de transition probabilistes et non déterministes.
Un AG standard nécessite en premier le codage de l ‘ensemble des paramètres du problème d’optimisation en une chaîne de longueur finie. Le principe d’un AG est simple, il s’agit de simuler l’évolution d’une population d’individus jusqu’à un critère d’arrêt. On commence par générer une population initiale d’individus (solutions). Puis, à chaque génération, des individus sont sélectionnés pour la reproduction selon le principe de la survie du plus adapté. Ensuite, des individus « enfants » (ou les descendants) sont générés en appliquant les deux opérateurs génétiques suivants : le croisement et la mutation. Ces enfants sont placés dans une nouvelle population P(t) et vont se substituer, en tout ou en partie, à la population de la génération précédente. De nouvelles populations d’individus vont ensuite se succéder, d’une génération (t) à la génération (t+ 1), chaque génération représentant une itération jusqu’à l ‘atteinte du critère d’arrêt. La Figure 5-1 présente l’organigramme d’un AG standard [31].
Optimisation mono objectif
L’ optimisation est dite mono objectif, à cause qu’on a une seule fonction objective à optimiser. Où pour chaque individu de chaque génération, la fonction d’évaluation est calculée puis utilisée plus tard pour choisir les individus qui vont générer la population suivante. Pour calculer le coût d’un point de l’espace de recherche, on utilise une fonction d’évaluation ou d’adaptation F. L’évaluation d’un individu ne dépendant pas de celle des autres individus, le résultat fournit par la fonction d’évaluation va permettre de sélectionner ou de refuser un individu pour ne garder que les individus ayant le meilleur coût en fonction de la population courante : c’est le rôle de la fonction (F). Cette procédure permet de s’assurer que les individus performants seront conservés, alors que les individus peu adaptés seront progressivement éliminés [33].
La fonction d’adaptation, associe une valeur pour chaque individu. Cette valeur à pour but d’évaluer le degré d’adaptation d’un individu à son environnement. Les individus peuvent être aussi comparés entre eux. Cette fonction, propre au problème, est souvent simple à formuler lorsqu’il y a peu de paramètres. Au contraire, lorsqu’il y a beaucoup de paramètres ou lorsqu’ils sont corrélés, elle est plus difficile à définir. Dans ce cas, la fonction devient une somme pondérée de plusieurs fonctions. La fonction d’adaptation doit expnmer le plus fidèlement possible, la problématique posée sous forme mathématique. Sa définition peut être simplement analytique, ou elle peut éventuellement faire appel au jugement de l’utilisateur. En raison de l’analogie avec la théorie de l’évolution (survie des individus les mieux adaptés à leur environnement), les algorithmes génétiques sont naturellement formulés en terme de maximisation. Ils servent donc à déterminer le maximum d’une fonction F réelle à une ou plusieurs variables. Le problème d’optimisation sur l’espace de rechercheE est formulé comme suit:
CONCLUSION GÉNÉRALE
Ce projet d ‘étude vtse particulièrement un élément primordial dans le bon fonctionnement du simulateur analogique du groupe turbine-alternateur, que la compagnie Hydro-Québec prévoit de construire, mais aussi un élément crucial dans une centrale hydroélectrique en général. Le système d’excitation opère un rôle très important dans un groupe-turbine-alternateur, entre assurance de la protection des éléments du groupe et amélioration des performances dynamiques de l’ensemble. Notre travail a visé cet important élément, traitant alors sa modélisation, et 1’ optimisation de chaque paramètre qui intervient à ce niveau. En premier lieu, nous avons abordé les motivations de ce travail d’un point de vue socio-économique et éducatif tout en justifiant les objectifs et l’importance d’une étude portée sur le système d’excitation dédié au simulateur analogique du groupeturbine- alternateur d’Hydro-Québec. Au second chapitre, l ‘état de l’art sur les systèmes d’excitations des génératrices synchrones est présenté, introduisant alors les différents éléments constitutifs d’un système d’excitation, ainsi que les différents types d’excitatrices pouvant intervenir dans un groupe turbine-alternateur.
Le chapitre 3 de ce document, établie la partie modélisation de chaque bloc du simulateur analogique, à savoir la génératrice synchrone, la turbine hydraulique et le système d’ excitation, le type et le modèle de ce dernier est élaboré par deux méthodes, avant de faire une introduction aux régulateurs conventionnels qui interviennent au niveau de 1 ‘excitatrice statique de type ST, le fonctionnement de chaque partie de la régulation est alors explicité dans le chapitre 4. En vue d’améliorer, ajuster et de perfectionner les performances dynamique du système global défini après assemblage des modèle des sous-ensembles du groupe turbine-alternateur, une méthode d’optimisation des paramètres du système d’excitation est choisie et présentée dans le chapitre 5, cette méthode est basée sur les algorithmes génétiques (AG) appartenant à la famille des algorithmes évolutionnistes qui sont de plus en plus utilisés de nos jours dans divers domaine d’étude. L’adoption des AG à notre travail dans le but d’optimiser les paramètres du système d’excitation de type statique ST du simulateur analogique nous a permis de valider et d’atteindre les objectifs de notre travail.
|
Table des matières
Résumé
Abstract
Remerciements
Table des matières
Liste des Figures
Liste des tableaux
List e des symboles
CHAPITRE 1 INTRODUCTION GÉNÉRALE
1.1 Motivations et objectifs du travail
1.1.1 Motivations socio-économiques
1.1.2 Objectif général
1.1.3 Objectifs spécifiques
1.2 Méthodologie et organisation du proj et
1.3 Conclusion
CHAPITRE 2 ETAT DE L’ART SUR LES SYSTÉMES D’EXCITATION
2.1 Introduction
2.2 Exigences d’un système d’excitation
2.3 Éléments d’un système d’excitation
2.4 Différents types de système d’excitation
2.4.1 Système d’excitation à courant continu (DC)
2.4.2 Systèmes d’excitation à courant alternatif (AC)
2.4.3 Systèmes d’excitation statique
2.5 Commande et circuits de protection des systèmes d’excitation
2.5.1 Régulateurs AC et DC
2.5.2 Circuits de stabilisation d’un système d’excitation
2.5.3 Stabilisateur de puissance (PS S)
2.5.4 Compensateur de charge
2.6 Conclusion
CHAPITRE 3 MODÉLISATION DES SOUS-ENSEMBLES DU GROUPE TURBINE-ALTERNATEUR
3.1 Introduction
3.2 Modélisation de la génér atrice synchrone
3.2.1 Modèle de la génératrice synchrone dans le repère abc
3.2. 2 Modèle de la génératrice synchrone dans le repère de Park (dqO)
3.2.3 Développement du modèle hybride de la génér atrice synchrone
3.3 Modèle de la turbine hydraulique et servomoteur
3.4 Modélisation du système d’excitation statique
3.4.1 Modèle par la méthode DQ
3.4.2 Modèle IEEE type ST.
3.5 Conclusion
CHAPITRE 4 ANALYSE DES RÉGULATEURS CONVENTIONNELS D’UN GROUPE TURBINE-ALTERNATEUR
4.1 Introduction
4.2 Régulateur automatique de tension
4.2.1 Régulation et stabilisation de la tension d ‘excitation
4.2.2 Régulation de la tension de sortie de la génér atrice synchrone :
4.3 Régulation de la vitesse de rotation
4.4 Stabilisateur de puissance
4.5 Conclusion
CHAPITRE 5 OPTIMISATION PAR ALGORITHME GÉNÉTIQUE
5.1 Introduction
5.2 Technique d’ optimisation par algorithmes génétiques
5.2.1 Principe de base d’un AG standard
5.2.2 Codage des variables dans un AG
5.2.3 Opérateurs d’un algorithme génétique
5.2.3.1 Opérateur de sélection
5.2.3.2 Opérateur de croisement
5.2.3.3 Opérateur de Mutation
5.3 Optimisation mono objectif
5.4 Conclusion
CHAPITRE 6 TESTS ET VALIDATION DE LA RÉGULATION (AVR, PID) ET DE L’OPTIMISATION PAR ALGORITHME GÉNÉTIQUE DES PARAMÉTRES D’EXCITATION DU GROUPE TURBINE-ALTERNATEUR
6.1 Introduction
6.2 Paramètre des différents blocs
6.3 Régulation de la tension d’excitation
6.4 Régulation de la tension de sortie de la génératrice
6.5 Régulation des tensions dans le système global
6.6 Tests et simulations sur le système global
6.6.1 Test d’amorçage des tensions de sortie
6.6.2 Tests -réponse à une variation de tension
6.7 Régulation de la vitesse de rotation et de la puissance mécanique
6.8 Stabilisation de puissance
6.9 Optimisation des paramètres du système d’excitation
6.9 .1 Optimisation des paramètres de 1 ‘A VR
6.9.2 Optimisation des paramètres du régulateur PID
6.9.3 Tests et Simulation sur le système global après optimisation
6.9.3.1 Réponse à un échelon unitaire
6.9.3.2 Réponse à une variation de tension
6.10 Conclusion
CONCLUSION GÉNÉRALE
Références
Annexe 1
Annexe2
Annexe3
Annexe 4
Annexe 5
Annexe 6
Annexe 7
Annexe 8
Annexe 9
Annexe 10
Annexe 11
Annexe 12
Télécharger le rapport complet
