Amélioration des performances MPPT d’une centrale éolienne raccordée au réseau basée sur un générateur asynchrone à double alimentation grâce à une stratégie de commande hybride ANFIS-PI

Turbines éoliennes plus intelligentes pour un climat en mutation

Les parcs éoliens deviennent une colonne vertébrale de l’électricité propre, mais le vent réel est capricieux — rafales, irrégulier et en constante évolution. Cela rend étonnamment difficile pour les turbines d’extraire chaque watt possible. Cet article explore une nouvelle manière « d’apprendre » aux grandes turbines raccordées au réseau à réagir plus intelligemment aux vents changeants, afin qu’elles puissent récolter davantage d’énergie à partir du même flux d’air tout en fournissant un courant stable au réseau.

Pourquoi tirer le maximum de chaque rafale est important

Les turbines modernes ne tournent pas simplement à une vitesse constante. Elles ajustent en permanence leur vitesse de rotation et l’effort du générateur, à la recherche du soi‑disant point de puissance maximale — la zone optimale où une vitesse de vent donnée produit le plus d’électricité. Cette tâche, connue sous le nom de suivi du point de puissance maximale (MPPT), est particulièrement importante pour une machine largement utilisée appelée générateur asynchrone à double alimentation (DFIG), qui se connecte au réseau via une électronique de puissance sophistiquée. Les régulateurs traditionnels, basés principalement sur des règles mathématiques fixes, peinent lorsque les conditions de vent changent rapidement ou lorsque le comportement de la turbine devient fortement non linéaire. Le résultat est que les parcs éoliens réels atteignent souvent moins que leur potentiel théorique.

Mélanger des règles de type humain et l’apprentissage machine

Pour dépasser ces limites, les auteurs proposent une stratégie de commande hybride qui associe un régulateur industriel classique — appelé régulateur proportionnel‑intégral (PI) — à un système d’inférence neuro‑flou adaptatif (ANFIS). ANFIS combine deux idées : la logique floue, qui capture des règles « si‑alors » de type humain comme « si la vitesse du vent est modérée, alors augmenter légèrement le couple », et les réseaux neuronaux, qui apprennent à affiner ces règles à partir des données. Dans cette étude, des mesures réelles de vitesse du vent et de production d’énergie de la centrale éolienne Adama II en Éthiopie ont été utilisées pour entraîner l’ANFIS. Le contrôleur hybride ANFIS‑PI supervise ensuite les convertisseurs back‑to‑back qui relient le rotor de la turbine au réseau électrique, ajustant en continu les courants et le couple pour maintenir la turbine près de son point de fonctionnement optimal malgré les variations du vent.

À l’intérieur du jumeau numérique d’un parc éolien

L’équipe a construit un « jumeau numérique » détaillé d’une turbine DFIG raccordée au réseau sous MATLAB‑Simulink, une plateforme de simulation standard en ingénierie. Leur modèle inclut l’aérodynamique d’une éolienne à axe horizontal, le comportement mécanique de la boîte de vitesses et du rotor, ainsi que le fonctionnement électromagnétique du générateur et des convertisseurs. Ils ont également modélisé les composants côté réseau comme les filtres et les transformateurs qui conditionnent la qualité de l’énergie fournie. Par dessus ce modèle physique, ils ont implémenté trois stratégies de commande concurrentes : le régulateur PI existant utilisé à Adama II (servant de référence réelle), un régulateur flou plus PI (FLC‑PI), et le nouveau contrôleur hybride ANFIS‑PI. Les trois ont été testés en utilisant des profils de vent réels, fortement variables, allant de conditions calmes à des rafales autour de 17 mètres par seconde.

Combien d’énergie supplémentaire l’intelligence peut-elle apporter ?

Le bénéfice le plus visible de la nouvelle approche est une augmentation de la puissance électrique maximale de la turbine en conditions de vent nominal. À une vitesse de fonctionnement typique de 12,5 mètres par seconde et un angle de pas des pales nul, le régulateur PI de référence atteint environ 1,56 mégawatt. Le régulateur FLC‑PI enrichi par la logique floue porte cela à environ 2,2 mégawatts, déjà un saut significatif. Le contrôleur hybride ANFIS‑PI va un peu plus loin, délivrant environ 2,22 mégawatts — une augmentation de plus de 42 % par rapport au schéma PI d’origine. Un indicateur clé d’efficacité, le coefficient de puissance (mesure de la part de l’énergie cinétique du vent convertie en électricité), s’améliore d’environ 0,41 avec le PI à environ 0,55 avec l’ANFIS‑PI, se rapprochant des limites pratiques pour les turbines commerciales. Les simulations montrent aussi que la vitesse du rotor et le couple sont mieux coordonnés, permettant à la turbine de suivre plus étroitement le pic de puissance mobile lorsque le vent monte et descend.

Ce que cela signifie pour les parcs éoliens futurs

Pour les non‑spécialistes, le message principal est simple : en rendant le « cerveau » d’une turbine plus intelligent, il est possible d’obtenir sensiblement plus d’électricité propre avec le même matériel et le même vent. Le contrôleur proposé ANFIS‑PI apprend à partir de données d’exploitation réelles et affine continuellement la réponse de la turbine aux conditions changeantes, surpassant à la fois les contrôleurs traditionnels et les contrôleurs intelligents plus simples. Bien que l’étude se concentre sur un parc éolien éthiopien et suppose des conditions réseau normales et sans défauts, la méthode peut être adaptée à d’autres sites en réentraînant le module ANFIS avec des données locales. Dans un monde qui cherche à accélérer le déploiement des énergies renouvelables, de telles stratégies de commande intelligentes offrent un moyen rentable d’augmenter la production et la stabilité sans construire de nouvelles turbines.

Citation: Biyazne, L.W., Tuka, M.B., Abebe, Y.M. et al. Enhancing MPPT performance of a grid-connected Doubly-Fed induction generator-based wind power plant using hybrid ANFIS-PI control strategy. Sci Rep 16, 5732 (2026). https://doi.org/10.1038/s41598-026-36021-3

Mots-clés: énergie éolienne, suivi du point de puissance maximale, commande intelligente, générateur asynchrone à double alimentation, systèmes neuro-flous