Contribution à l'identification paramétrique de la machine asynchrone par les algorithmes génétiques statiques, dynamiques et hybrides

Abstract

Ce travail est dédié à l'identification paramétrique de la machine asynchrone. L'approche proposée permet de déterminer simultanément les paramètres électriques et mécaniques de la machine à l'aide de la méthode du modèle de référence, en utilisant uniquement le courant de démarrage et la tension simple correspondante comme signaux d'entrée-sortie. Les paramètres de la machine sont déterminés par minimisation de l'erreur quadratique entre le courant mesuré et celui calculé à partir du modèle adopté de la machine. Trois algorithmes génétiques statiques couplés chacun à l'une des sélections suivantes: proportionnelle, linéaire par rapport au rang et Boltzmann, pour les mêmes opérateurs de croisement et de mutation sont mis en œuvre. En appliquant l'opérateur de sélection, la notion instinctive de pression de sélection est imposée : plus la pression est forte moins les individus les moins adaptés seront sélectionnés. Pour une pression de sélection élevée, l'algorithme converge rapidement ou prématurément vers un optimum local. Une pression de sélection relativement faible n'est pas suffisante pour propulser l'algorithme vers les meilleurs individus ainsi elle entraînera une convergence lente. Pour améliorer les performances des algorithmes génétiques (AGs) statiques et éviter le problème de la convergence prématurée, nous avons proposé une sélection dynamique composée d'un faisceau de paraboles régulièrement espacées, permettant de contrôler la pression de sélection. En outre, pour améliorer les AGs et bénéficier des avantages des méthodes déterministes et stochastiques, nous avons proposé plusieurs structures d'AGs hybrides avec deux approches différentes : la recherche tabou (RT) et la méthode de Hooke et Jeeves (HJ). La validation de l'approche d'identification ainsi que la vérification des programmes développés sont effectuées à l'aide de données simulées. La validation des résultats obtenus à l'aide de données expérimentales relevées sur trois machines différentes, est confirmée par la bonne superposition des courants mesurés et ceux calculés par le modèle adopté de la machine. Une comparaison des différents AGs est établie en termes de vitesse de convergence et temps de calcul. ABSTRACT The aim of this work is to identify the parameters of an induction machine. The proposed approach allows us to determine both the electrical and mechanical parameters of the machine based on the reference model method using the starting current together with the simple corresponding voltage as input output signals. The minimization of the quadratic output error between the current acquired experimentally from the induction machine and the computed one from the adopted model, is achieved by the static genetic algorithms, coupled to three different selections (proportionate selection, linear ranking selection and Boltzmann selection), from the same crossover and mutation, at the same instance. In order to improve the algorithm performance and avoid a risk of premature convergence in genetic algorithm, we propose a dynamic selection composed of a parabolic curves beam allows us to control the selection pressure across the generation evolution. The static and dynamic genetic algorithms are applied to induction machines identification. To improve the algorithm