Une nouvelle commande intelligente utilisant une optimisation RBFNN-class topper pour l'amélioration de la stabilité dans un micro-réseau hybride autonome

Maintenir l'électricité dans les lieux isolés

De nombreux villages éloignés, îles et communautés hors réseau commencent à s'alimenter grâce à un mélange de panneaux solaires, de petits aérogénérateurs et de batteries. Mais maintenir une alimentation stable quand les nuages passent ou que le vent faiblit est plus difficile qu'il n'y paraît. Cet article présente une nouvelle méthode de commande « intelligente » qui aide ces petits réseaux électriques, appelés micro‑réseaux autonomes, à fournir une électricité régulière et fiable avec moins de scintillements, moins de parasites électriques et une meilleure utilisation de l'énergie propre.

Comment fonctionne un petit réseau électrique

L'étude porte sur un système électrique compact qui combine trois éléments clés : un ensemble photovoltaïque, une éolienne et un grand pack de batteries, tous reliés sur une ligne commune en courant continu (CC). Depuis ce bus commun, un dispositif électronique appelé onduleur produit le courant alternatif triphasé utilisé par les foyers et les équipements. Le solaire et l'éolien sont par nature intermittents — le soleil et le vent varient rapidement — donc la batterie intervient pour stocker l'excédent d'énergie ou combler les manques. L'ensemble du système doit constamment équilibrer ces flux afin que la ligne CC reste proche de sa tension cible et que le courant alternatif fourni à la charge reste propre et stable.

Pourquoi les commandes traditionnelles sont insuffisantes

Les régulateurs conventionnels de ces systèmes utilisent des réglages fixes ajustés manuellement. Ils peuvent bien fonctionner autour d'un point de fonctionnement, mais peinent quand les conditions changent rapidement : une hausse soudaine de la demande, des nuages qui traversent le ciel ou des rafales de vent. Ces méthodes laissent souvent apparaître des variations de tension notables et engendrent des formes d'onde de courant déformées qui peuvent fatiguer les appareils et gaspiller de l'énergie. Des approches plus avancées basées sur la logique floue ou des modèles prédictifs complexes s'adaptent mieux, mais elles requièrent en général des calculs lourds et des jeux de règles compliqués, rendant leur exécution en temps réel difficile sur du matériel abordable.

Une approche de commande intelligente en deux couches

Les auteurs proposent un schéma de commande en deux couches qui combine un réseau neuronal à action rapide avec un optimiseur de supervision plus lent. La couche inférieure utilise un réseau de neurones à fonctions de base radiales (RBF), un type de modèle d'apprentissage automatique particulièrement adapté aux comportements non linéaires. Il surveille l'écart de la tension CC et des courants de l'onduleur par rapport à leurs valeurs désirées, puis ajuste rapidement les commandes des convertisseurs et de l'onduleur pour corriger ces erreurs. Par-dessus cela, un « algorithme d'optimisation Class Topper » joue le rôle d'entraîneur. Inspiré de la façon dont les étudiants apprennent à partir du meilleur élève de la classe, il examine périodiquement les performances du système — en se focalisant sur les déviations de tension et la sinusoidalité du courant — et ajuste en douceur les gains de commande et les taux d'apprentissage dans des limites sûres. Cette séparation entre apprentissage rapide et optimisation plus lente maintient la réactivité du système sans le rendre instable.

Évaluer le contrôleur intelligent

Pour évaluer les performances de la nouvelle méthode, les chercheurs ont simulé un micro‑réseau avec un champ solaire de 10 kilowatts, une éolienne de 20 kilowatts et une batterie de 60 kilowattheures. Ils l'ont soumis à des variations brutales d'ensoleillement, de vitesse du vent et de charge, incluant des sauts de la demande de faible à pleine puissance et des charges non linéaires qui génèrent habituellement des perturbations électriques importantes. Par rapport à un contrôleur proportionnel–intégral standard et à un contrôleur à réseau neuronal plus basique, le nouveau schéma a maintenu la tension CC bien plus proche de sa consigne, s'est rétabli des perturbations environ deux fois plus vite et a réduit les ondulations indésirables. Le courant électrique fourni à la charge est devenu presque parfaitement lisse, avec une distorsion harmonique bien en deçà des limites de qualité de service couramment utilisées, telles que celles de l'IEEE.

Pourquoi cela compte pour les micro‑réseaux de demain

Pour les non‑spécialistes, l'essentiel est que ce cadre de commande intelligent aide les petits systèmes d'énergie renouvelable à se comporter davantage comme un réseau conventionnel robuste : les lumières restent stables, les moteurs tournent en douceur et les appareils sensibles sont mieux protégés, même lorsque la météo et la demande varient rapidement. Parce que la méthode est peu coûteuse en calcul et modulaire, elle peut être implémentée sur des contrôleurs numériques pratiques et étendue à des micro‑réseaux plus grands ou multi‑zones sans nécessiter un réapprentissage complet. En résumé, ce travail montre une voie prometteuse vers des systèmes d'alimentation locaux plus fiables et plus propres, capables d'apporter une électricité de haute qualité dans des lieux éloignés des lignes traditionnelles.

Citation: Myla, A., Gorantla, S. A novel intelligent control using RBFNN-class topper optimization for stability enhancement in hybrid standalone microgrid. Sci Rep 16, 14008 (2026). https://doi.org/10.1038/s41598-026-44798-6

Mots-clés: micro-réseau, commande d'énergie renouvelable, contrôleur par réseau de neurones, stockage d'énergie par batterie, qualité de l'électricité