Laboratoire de Génie Informatique et d’Automatique de l’Artois

Ce projet de thèse s’inscrit dans le contexte de la transition énergétique, où les systèmes photovoltaïques jouent un rôle clé grâce à leur caractère durable et à leur faible impact environnemental. Toutefois, leur efficacité dépend fortement de la capacité à suivre en permanence le point de puissance maximale (MPPT), une tâche rendue complexe par les conditions réelles de fonctionnement telles que les variations rapides d’irradiance, les fluctuations de température et surtout l’ombrage partiel. Ce dernier engendre des courbes puissance–tension multimodales comportant plusieurs maxima locaux, ce qui complique l’identification du maximum global.

Les méthodes classiques de MPPT [1,2,3,4] bien que simples et largement utilisées, présentent des limitations importantes en environnements dynamiques [5,6,7,8] : oscillations, lenteur de convergence et risque élevé de piégeage dans des maxima locaux. Des approches intelligentes, telles que la logique floue et les réseaux neuronaux, ont permis certaines améliorations, mais restent fortement dépendantes des données d’apprentissage et peu robustes face à des conditions inédites.

Face à ces limites, les avancées récentes en intelligence artificielle, notamment en apprentissage par renforcement et optimisation, offrent des perspectives prometteuses pour concevoir des contrôleurs MPPT plus robustes et adaptatifs. L’objectif principal de cette thèse est de développer des approches hybrides combinant ces techniques afin d’optimiser l’extraction de puissance des systèmes photovoltaïques, même sous ombrage partiel et conditions climatiques fortement variables.

La méthodologie proposée s’articule autour de quatre phases : une revue approfondie de l’état de l’art, la modélisation avancée du système photovoltaïque, le développement de contrôleurs intelligents basés sur l’IA et l’optimisation, puis une validation expérimentale rigoureuse. Les performances seront évaluées en termes d’efficacité énergétique, de rapidité de suivi, de stabilité et de robustesse, et comparées aux méthodes conventionnelles. Les résultats attendus visent la conception d’une nouvelle génération de contrôleurs MPPT intelligents.

Références

[1] N. Femia, G. Petrone, G. Spagnuolo, M. Vitelli, "Optimization of perturb and observe maximum power point tracking method," IEEE Transactions on power electronics, n°20, pp. 963-973, 2005.

[2] M. Sarvi, S. Ahmadi, S. Abdi, "A PSO-based maximum power point tracking for photovoltaic systems under environmental and partially shaded conditions," Progress in Photovoltaics : Research and Applications, vol. 23, n°2, pp. 201–214, 2015.

[3] O. Wasynezuk, "Dynamic behavior of a class of photovoltaic power systems," IEEE Transactions on power apparatus and systems, PAS-102, pp. 3031-3037, 1983.

[4] K. H. Hussein, I. Muta, T. Hoshino, and M. Osakada, "Maximum photovoltaic power tracking : an algorithm for rapidly changing atmospheric conditions," IEE Proc. Gen., Transm. & Distr., vol. 142, no. 1, pp. 59–64, 1995.

[5] M. S. Endiz, G. Gökkuş, A. E. Coşgun, H. Demir, "A Review of Traditional and Advanced MPPT Approaches for PV Systems Under Uniformly Insolation and Partially Shaded Conditions," Applied Sciences, vol. 15, n°3:1031, 2025.

[6] J. Ahmed, Z. Salam, "An improved perturb and observe (P&O) maximum power point tracking (MPPT) algorithm for higher efficiency," Applied Energy, n°150, pp. 97–108, 2015.

[7] R. Alik, A. Jusoh, "An enhanced P&O checking algorithm MPPT for high tracking efficiency of partially shaded PV module," Sol. Energy, n°163, pp. 570–580, 2018.

[8] H. Shahid, M. Kamran, Z. Mehmood, M. Y. Saleem, M. Mudassar, K. Haider, "Implementation of the novel temperature controller and incremental conductance MPPT algorithm for indoor photovoltaic system," Sol. Energy, n°163, pp. 235–242, 2018.