Technique neuronale appliquée pour commander un MAS alimenté par un onduleur multicellulaire à quatre niveaux

Abstract

Ce mémoire a été consacré à l’étude et à l’application de la commande DTC à un moteur asynchrone triphasé à cage alimenté par un onduleur multicellulaire à quatre niveaux. Dans un premier temps, une modélisation du moteur asynchrone dans le repère statorique a été présentée afin de disposer d’un modèle adapté à la mise en œuvre de la commande DTC. Cette modélisation a permis d’analyser le comportement dynamique de l’ensemble moteur-convertisseur. Par la suite, l’onduleur multicellulaire à quatre niveaux a été étudié. Grâce à la diversité des vecteurs de tension disponibles, cette structure constitue une solution intéressante pour améliorer la qualité des formes d’onde et les performances globales de l’entraînement électrique. L’étude de la commande DTC conventionnelle appliquée au moteur à cage alimenté par l’OM4N a permis d’évaluer les performances de cette stratégie ainsi que ses limites, notamment les ondulations du couple électromagnétique et du flux statorique. Afin d’explorer une approche de commande intelligente, un sélecteur neuronal artificiel créé en utilisant l’outil NNTOOL sous Matlab a été conçue puis intégré au bloc de Simulink de la chaine de la DTC en remplacement de la table de commutation conventionnelle. Les résultats de simulation ont montré que la stratégie neuronale reproduit efficacement le comportement de la commande DTC conventionnelle. Les réponses obtenues en termes de vitesse, de couple électromagnétique et de flux statorique présentent des performances identiques. Enfin, ce travail met en évidence l’intérêt de l’utilisation des réseaux de neurones artificiels dans la commande des machines électriques. Comme perspective, il serait intéressant d’étendre cette approche à d’autres techniques d’intelligence artificielle, telles que la logique floue, les réseaux de neurones profonds ou l’apprentissage par renforcement, ainsi que de valider expérimentalement les résultats obtenus sur une plateforme réelle.