Contribution to the development of control algorithms for the control of renewable energy systems

Abstract

The global shift to renewable energy, particularly wind power via Doubly-Fed Induction Generators (DFIGs), is hindered by power quality challenges inherent in classical control methods like Conventional Direct Power Control (C-DPC), which exhibit significant power ripple and high harmonic distortion. This thesis addresses these issues by developing and validating novel Artificial Intelligence (AI)-based control strategies for DFIGs and their integration into a comprehensive DC microgrid. Main objectives included modeling microgrid components (WT-DFIG, PV, BESS, FC), critically assessing classical DFIG control, and designing four distinct AI-DPC strategies for the DFIG’s Rotor Side Converter (RSC): Fuzzy Hysteresis DPC (FH-DPC), Neural Hysteresis DPC (NH-DPC), Prediction Neural Network DPC (PNN-DPC), and Classification Neural Network DPC (CNN-DPC). Additional intelligent controllers were developed for other components, specifically Fuzzy Logic-DPC for the DFIG’s Grid Side Converter (GSC) and Fuzzy-MPPT for the PV system, alongside a rule-based Energy Management System (EMS) for the microgrid. The developed AI-DPC strategies for the DFIG-RSC demonstrated substantial improvements over C-DPC, achieving significant reductions in power ripples and stator current Total Harmonic Distortion (THD), with CNN-DPC proving particularly effective. Simulations of the complete AI-controlled DC microgrid (DFIG, PV, battery, fuel cell) under dynamic conditions validated robust performance. The EMS effectively managed power flow, maintained DC bus stability, ensured battery health, and maximized renewable energy utilization. This research offers validated AI-driven solutions, enhancing DFIG performance and demonstrating effective design and control of an integrated DC microgrid, thereby advancing sustainable energy systems. Le passage mondial aux énergies renouvelables, en particulier l'énergie éolienne via les générateurs à induction à alimentation double (DFIG), est entravé par les problèmes de qualité de l'énergie inhérents aux méthodes de contrôle classiques telles que le contrôle conventionnel direct de la puissance (C-DPC), qui présentent une ondulation importante de la puissance et une distorsion harmonique élevée. Cette thèse aborde ces questions en développant et en validant de nouvelles stratégies de contrôle basées sur l'intelligence artificielle (IA) pour les DFIG et leur intégration dans un micro-réseau DC complet. Les principaux objectifs comprenaient la modélisation des composants du micro-réseau (WT-DFIG, PV, BESS, FC), l'évaluation critique du contrôle DFIG classique et la conception de quatre stratégies AI-DPC distinctes pour le convertisseur côté rotor (RSC) du DFIG : Fuzzy Hysteresis DPC (FH-DPC), Neural Hysteresis DPC (NH-DPC), Prediction Neural Network DPC (PNN-DPC) et Classification Neural Network DPC (CNN-DPC). D'autres contrôleurs intelligents ont été développés pour d'autres composants, en particulier le Fuzzy Logic-DPC pour le convertisseur côté réseau (GSC) du DFIG et le Fuzzy-MPPT pour le système PV, ainsi qu'un système de gestion de l'énergie (EMS) basé sur des règles pour le micro-réseau. Les stratégies AI-DPC développées pour le DFIG-RSC ont démontré des améliorations substantielles par rapport au C-DPC, réalisant des réductions significatives des ondulations de puissance et de la distorsion harmonique totale (THD) du courant du stator, le CNN-DPC s'avérant particulièrement efficace. Les simulations du micro-réseau CC complet contrôlé par l'IA (DFIG, PV, batterie, pile à combustible) dans des conditions dynamiques ont validé des performances robustes. Le SGE a géré efficacement le flux d'énergie, maintenu la stabilité du bus CC, assuré la santé de la batterie et maximisé l'utilisation des énergies renouvelables. Cette recherche offre des solutions validées basées sur l'IA, améliorant les performances du DFIG et démontrant une conception et un contrôle efficaces d'un micro-réseau CC intégré, faisant ainsi progresser les systèmes énergétiques durables