Untitled

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/338645817
Contribution à l’étude de la stabilité des grands réseaux électriques dans un

marché de l’électricité dérégulé en présence des sources d’énergie
renouvelable par la logique floue
Thesis · December 2019

DOI: 10.13140/RG.2.2.16449.92001
CITATION READS
1 4,063
2 authors:
Arif Bourzami Tarek Bouktir

Ferhat Abbas University of Setif Ferhat Abbas University of Setif
7 PUBLICATIONS 53 CITATIONS 174 PUBLICATIONS 2,064 CITATIONS
SEE PROFILE SEE PROFILE
Some of the authors of this publication are also working on these related projects:
conference View project
Integration of optimization methods for power energy management in smart microgrids View project
All content following this page was uploaded by Tarek Bouktir on 17 January 2020.
The user has requested enhancement of the downloaded file.

‫الجمهورية الجزائرية الديمقراطية الشعبية‬
République Algérienne Démocratique et Populaire
Ministère de L'Enseignement Supérieur et de la Recherche Scientifique
UNIVERSITÉ FERHAT ABBAS - SETIF 1
FACULTÉ DE TECHNOLOGIE
THESE
Présentée au Département de l’Electrotechnique
Pour l’obtention du diplôme de
DOCTORAT EN SCIENCES
Option: Machines électriques et leurs commandes
Par
BOURZAMI Arif
THÈME
Contribution à l’étude de la stabilité des grands

réseaux électriques dans un marché de l’électricité
dérégulé en présence des sources d’énergie
renouvelable par la logique floue
Soutenue le ……. /……. /…… devant le Jury:
RAHMANI Lazhar Prof. Université Ferhat Abbas Sétif 1 Président
BOUKTIR Tarek Prof. Université Ferhat Abbas Sétif 1 Directeur de thèse
RADJEAI Hammoud Prof. Université Ferhat Abbas Sétif 1 Examinateur
CHAGHI Abdelaziz Prof. Université Mostefa Ben Boulaïd Batna2 Examinateur
FETHA Cherif Prof. Université Mostefa Ben Boulaïd Batna2 Examinateur
BETKA Achour Prof. Université Mohamed Khider de Biskra Examinateur
Remerciements
Je tiens à exprimer mes plus vifs remerciements à mon directeur de thèse monsieur
BOUKTIR Tarek, Professeur à l’université Ferhat Abbas de Sétif 1, de m’avoir proposé le
sujet de cette thèse et en me faisant profiter de ses conseils et ses grandes compétences dans le
domaine de réseaux électriques.
J’adresse mes sincères remerciements à Monsieur RAHMANI Lazhar, Professeur à

l’université Ferhat Abbas de Sétif 1, pour l’honneur qu’il m’a fait en acceptant de présider le
jury de ma thèse.
Mes vifs remerciements sont adressés à Monsieur RADJEAI Hammoud, Professeur à

l’université Ferhat Abbas de Sétif 1, pour avoir accepté d’examiner et de rapporter ce travail
malgré ses obligations.
Je remercie profondément Monsieur CHAGHI Abdelaziz, Professeur à l’université Mostefa
Ben Boulaïd Batna 2, pour l’honneur qu’il m’a fait en acceptant de participer à mon jury.
J’exprime mes sincères remerciements à Monsieur FETHA Cherif, professeur à l’université
Mostefa Ben Boulaïd Batna 2, pour l'honneur qu’il m’a fait d'avoir accepté d’être membre du
jury et d’évaluer mon travail.
Egalement, je tiens à remercier vivement monsieur BETKA Achour, Professeur à
l’université Mohamed Khider de Biskra, pour sa gentillesse et d'avoir accepté de juger et
d’évaluer mon travail malgré le long déplacement Biskra.
Je remercie Monsieur AMROUNE Mohammed, Docteur à l’université de Sétif 1, Mr
BOURZAMI Riadh Docteur à l’université de Sétif 1 et Dr. KETFI Nadhir pour leurs aides
continues et pour ses encouragements répétés afin que je finalise ce travail.
Mes sincères remerciements vont également à tous ceux qui ont participé de près oude loin
pour faire aboutir cette thèse.
Sommaire
Liste des Symboles
Lists des Figures
Liste des Tableaux
Introduction générale ...................................................................................................................... 1
Chapter 1: Evaluation de la stabilité de tension
1.1 Introduction .......................................................................................................................... 4
1.2 Classification de la stabilité du réseau électrique ................................................................ 4
1.2.1 Stabilité de l’angle du rotor .......................................................................................... 5
1.2.2 Stabilité de fréquence ................................................................................................... 5
1.2.3 Stabilité de tension........................................................................................................ 6
1.3 Classement des états du réseau électrique ................................................................................ 7
1.4 Stabilité de tension d’un réseau électrique................................................................................ 8
1.4.1 Causes de l’instabilité de tension ....................................................................................... 8
1.4.1.1 Dynamique de la charge .............................................................................................. 8
1.4.1.2 Réseau de transport ...................................................................................................... 9
1.4.1.3 Système de génération ................................................................................................. 9
1.5 Blackouts dans le monde .......................................................................................................... 9
1.6 Méthodes d’analyse de la stabilité de tension ......................................................................... 11
1.6.1 Analyse modale ................................................................................................................ 11
1.6.2 Courbe P-V et QV ............................................................................................................ 12
1.6.3 Ecoulement de puissance en continu ................................................................................ 13
1.6.4 Indice de stabilité ............................................................................................................. 13
1.6.5 Réseau de neurone artificiel ............................................................................................ 15
1.6.6 Logique floue ................................................................................................................... 16
1.6.7 Système d'inférence neuro-floue adaptatif ....................................................................... 16
1.7 Amélioration de la Stabilité de tension ................................................................................... 17
1.7.1 Insertion des systèmes FACTS ........................................................................................ 17
1.7.2 Insertion des Générateurs Dispersés (GD) ....................................................................... 18
1.7.3 Ecoulement de Puissance Optimale ................................................................................. 19
1.8 Conclusion .............................................................................................................................. 20
Chapitre 2 : Evaluation de la stabilité de tension par la méthode hybride MFO-ANFIS
2.1 Introduction ............................................................................................................................. 21
2.2 Système d'Inférence Neuro-Floue Adaptative (ANFIS) ......................................................... 21
2.2.1 Généralités de l’ANFIS .................................................................................................... 21
2.2.2 Architecture de l’ANFIS .................................................................................................. 24
2.2.3 Types de l’ANFIS ............................................................................................................ 27
2.2.3.1 Partitionnement de la Grille ....................................................................................... 28
2.2.3.2 Les Fuzzy C-Means ................................................................................................... 28
2.2.3.3 Soustractive Clustering .............................................................................................. 28
2.3 Optimisation des paramètres de l’ANFIS ............................................................................... 29
2.3.1 Méthodes d’optimisation méta-heuristiques .................................................................... 29
2.3.2 Algorithme d'Optimisation du Papillon de Nuit (Moth-Flame MFO) ............................. 30
2.3.3 Méthode hybride MFO-ANFIS ........................................................................................ 35
2.4 ANFIS-MFO pour l’évaluation de la stabilité du réseau électrique ....................................... 36
2.4.1 Formulation de l’indice de ligne de stabilité (Lmn) ........................................................... 36
2.4.2 Identification et classement des jeux de barres faibles .................................................... 38
2.4.3 Apprentissage du Modèle Hybride ANFIS-MFO ............................................................ 42
2.4.4 Evaluation de la performance du modèle hybride ANFIS-MFO ..................................... 42
2.4 Conclusion .............................................................................................................................. 43
Chapitre 3: Intégration des éoliennes dans le réseau électrique
3.1 Introduction ............................................................................................................................. 44
3.2 Les énergies renouvelables ..................................................................................................... 44
3.3 Type des Energies Renouvelables .......................................................................................... 45
3.3.1 Energie Biomasse ............................................................................................................. 45
3.3.2 Energie Solaire ................................................................................................................. 45
3.3.3 Energie Hydroélectrique .................................................................................................. 45
3.3.4 Energie Eolienne .............................................................................................................. 45
3.4 Historique de l’Energie Eolienne ............................................................................................ 46
3.4.1 Type des Energies Eoliennes............................................................................................ 47
3.4.1.1 Eoliennes à Axe Horizontal ....................................................................................... 47
3.4.1.2 Eoliennes à Axe Vertical ........................................................................................... 48
3.4.2 Constitution des Eoliennes .............................................................................................. 49
3.5 Ttransformation de l’Energie Eolienne ................................................................................... 50
3.5.1 Technologie de l’Eolienne ............................................................................................... 51
3.5.1.1 Génératrice Asynchrone ............................................................................................ 51
3.5.1.2 Générateur Synchrone ............................................................................................... 52
3.5.1 Modèle du Système de Conversion Eolien ...................................................................... 54
3.5.3 Eoliennes à grande puissance ........................................................................................... 56
3.5.4 Régulation de Puissance Eolienne ................................................................................... 56
3.6 Impact de l’intégration des éoliennes au réseau électrique ..................................................... 57
3.6.1 Impact sur l’envirennement ................................................................................................. 57
3.6.2 Impact sur le fonctionnement et la production .................................................................... 57
3.6.3 Impact sur profil tension ...................................................................................................... 58
3.6.4 Impact sur la fréquence ........................................................................................................ 58
3.6.5 Impact sur le coût de production .......................................................................................... 58
3.7 Coût de production de l’électricité d’origine éolienne ........................................................... 59
3.8 Conclusion .............................................................................................................................. 61
Chapitre 4: Ecoulement de puissance optimal tenant compte de l’amélioration de la
stabilité en présence des énergies renouvelables
4.1 Introduction ............................................................................................................................. 62
4.2 Marché de l’électricité ............................................................................................................ 62
4.2.1 Modèle POOL .................................................................................................................. 63
4.2.2 Modèle Bilatéral ............................................................................................................... 64
4.2.3 Marché de l’électricité libre en Algérie............................................................................ 65
4.2.4 Energie renouvelable dans un marché libre ..................................................................... 66
4.3 Développement des énergies renouvelables en Algérie.......................................................... 66
4.3.1 Implantation des éoliennes au Nord de l’Algérie ............................................................... 67
4.4. Impact du cout de production de l’énergie sur l’économie.................................................... 69
4.5 Formulation du problème de l’écoulement de puissance optimal .......................................... 70
4.5.1 Fonction de coût de la production des centrales thermiques ............................................... 71
4.5.2 Fonction de coût de la production des centrales éoliennes .................................................. 71
4.5.3 Fonction de la marge de stabilité de tension ........................................................................ 74
4.6 Conclusion .............................................................................................................................. 77
Chapitre 5: Simulations et résultats
5.1 Introduction ............................................................................................................................. 78
5.2 Détermination et classement des jeux de barres faibles.......................................................... 88
5.2.1Réseaux test .......................................................................................................................... 88
5.2.2 Impact de la variation de la charge sur la marge de la stabilité de tension ...................... 80
5.2.2.1 Application au réseau IEEE-30 jeux de barres .......................................................... 80
5.2.2.2 Application au réseau Algérien ................................................................................. 83
5.2.3 Identification des jeux de barres faibles par la méthode MFO ........................................ 84
5.3 Évaluation en ligne de la stabilité de tension par la méthode hybride ANFIS-MFO ............. 85
5.4 Impact de l’insertion de l’éolienne sur le cout de production et la stabilité de tension .......... 96
5.4.1 Application au réseau test IEEE-30 jeux de barres .......................................................... 96
5.4.2 Application au réseau test IEEE-118 jeux de barres ...................................................... 102
5.4.3 Application au réseau Algérien 114 Jeux de Barres ...................................................... 105
5.5 Conclusion ............................................................................................................................ 109
Conclusion générale .................................................................................................................... 110
Bibliographie .............................................................................................................................. 112
Annexe ........................................................................................................................................ 120
Liste d’abréviations et symboles
Abréviations :
RNA : Réseaux de neurones artificiels
SIF : System d’Inférence Floue
SINFA : System d’Inférence Neuro-Floue Adaptatif
Lmn : Indice de stabilité de la tension de ligne
FACTS : Flexible Alternative Current Transmission System
GD : Générateurs Dispersés
MFO : Moth-Flamme Optimization
OPF : Optimal Power Flow
SC : Soustractive Clustering
R : Coefficient de Corrélation
RMSE : Erreur Quadratique Moyenne
MAPE : Erreur Absolue Moyenne en Pourcentage
Symboles :
Pg : Puissances active des générations
Qg : Puissances réactive des générations
Pd : Puissances active demandée
Qd : Puissances réactive demandée
S : Puissance apparente
Rl : Résistance de ligne
Xl : Réactance de ligne
Zl : Impédance de la ligne
V : Amplitude de la tension des jeux de barres

δ : Angle de la tension des jeux de barres
Pt : Puissance mécanique de la turbine éolienne
v : Vitesse du vent
Cp : Coefficient de puissance de la turbine
ρ : Contraintes d'égalité
ζ : Contraintes d'inégalité
f : Fonction objective
ai, bi, ci : Coefficient du cout du ieme générateur
K : Paramètres de forme
C : Paramètres d’échelle
Vin : vitesses de vent de démarrage
Vr : Vitesses de vent nominale
Vo : Vitesses de vent de coupure
Yw : Coûts de production d'énergie éolienne
Ng : Nombre des générateurs
Nb : Nombre des branches
Pl : Perte de puissance
Liste des figures
Figure 1.1 Classification de la stabilité d’un réseau électrique ...................................................... 5
Figure 2.1 Structure d'ANFIS avec deux entrées et deux règles .................................................. 25
Figure 2.2 orientation Transversale .............................................................................................. 31
Figure 2.3 Vol en spirale du papillon autour de sources de lumière proches ............................... 31
Figure 2.4 Logarithmique spirale, autour d'une flamme en fonction de t .................................... 33
Figure 2.5 Chaque papillon est assigné à une flamme ................................................................. 34
Figure 2.6 Organigramme du modèle hybride MFO-ANFIS pour l’évaluation de la stabilité de
........................................................................................................................................... 36
tension
Figure 2.7 Modèle d’un réseau electrique à deux jeux de barres .................................................. 36
Figure 2.8 Organigramme du modèle MFO pour l’identification des jeux des barres…………..41
Figure 3.1 Evolution de la puissance du parc éolien mondial ...................................................... 46
Figure 3.2 Eolienne à axe horizontal ............................................................................................ 47
Figure 3.3 Eolienne à axe vertical................................................................................................. 48
Figure 3.4 Constitution des éoliennes ........................................................................................... 50
Figure 3.5 Conversion de l'énergie éolienne en énergie électrique .............................................. 50
Figure 3.6 système de conversion éolien avec Générateur Asynchrone à Cage d’Ecureuil ......... 51
Figure 3.7 Système de conversion éolienne avec Générateur Asynchrone double alimenté........ 52
Figure 3.8 Système de conversion éolien avec Générateur synchrone ......................................... 53
Figure 3.9 Système de conversion éolien avec Générateur synchrone ......................................... 56
Figure 4.1 Modèle négoce d’énergie Pool .................................................................................... 64
Figure 4.2 Modèle négoce d’énergie Bilatéral .............................................................................. 65
Figure 4.3 Nouvel Atlas éolien de l’Algérie à 10 m du sol .......................................................... 68
Figure 4.4 Coût moyen des productions d’électricité en $/MWh en Amérique du nord .............. 69
Figure 4.5 distributions de Weibull pour une même valeur de k .................................................. 73
Figure 4.6 distributions de Weibull pour une même valeur de c .................................................. 73
Figure 4.7 Organigramme pour l’optimisation du cout de production et l’indice de la stabilité .. 77
Figure 5.1 Schéma du réseau IEEE 30 jeux de barres .................................................................. 79
Figure 5.2 Schéma du réseau IEEE 118 jeux de barres ................................................................ 80
Figure 5.3 Schéma du réseau Algérien 114 jeux de barres ........................................................... 80
Figure 5.4 Variation du Lmn-max et de Vmin pour le scénario 1 (réseau IEEE-30 JB) ................... 82
Figure 5.5 Variation du Lmn-max et de Vmin pour le scénario 2 (réseau IEEE 30-JB) ..................... 83
Figure 5.6 Variation du Lmn-max et de Vmin pour le scénario 3 (réseau IEEE 30-JB) ..................... 84
Figure 5.7 Variation du Lmn-max et de Vmin pour le scénario 1 (réseau Algérien) .......................... 84
Figure 5.10 Courbe de convergence du MFO (IEEE-30 JB) ........................................................ 88
Figure 5.11 Courbe de convergence du MFO (IEEE-118 JB) ...................................................... 88
Figure 5.12 Courbe de convergence du MFO (réseau Algérien) .................................................. 88
Figure 5.13 Erreur Absolue d'apprentissage dans le cas (a) IEEE 30-JB, (b) IEEE-118 JB, (c)
réseau Algérien ............................................................................................................................. 89
Figure 5.14 Erreur absolue de test dans le cas (a) réseau IEEE-30 JB, (b )IEEE-118 JB, (c) réseau
Algérien ........................................................................................................................................ 90
Figure 5.15 Comparaisons entre les valeurs calculées et estimées de l’indice Lmn pour le réseau
IEEE-30 jeux de barres, (a) phase d’apprentissage, (b) phase de test .......................................... 91
IEEE-118 jeux de barres, (a) phase d’apprentissage, (b) phase de test ........................................ 92
Algérien, (a) phase d’apprentissage, (b) phase de test .................................................................. 92
Figure 5.18 Ajustements linéaires des valeurs calculées et prédites de Lmn pour le réseau IEEE-
30jeux de barres, (a) phase d’apprentissage, (b) phase de test ..................................................... 93
Figure 5.19 Ajustements linéaires des valeurs calculées et prédites de Lmn pour le réseau IEEE-
30jeux de barres, (a) phase d’apprentissage, (b) phase de test ..................................................... 94
Figure 5.20 Ajustements linéaires entre les valeurs calculées et prédites de Lmn pour le réseau
Algérien, (a) la phase d’apprentissage, (b) la phase de test .......................................................... 94
Figure 5.21 Courbe de Convergence du MFO pour le scénario 1 (réseau IEEE-30 JB) .............. 96
Figure 5.24 Comparaison des profils de tension des trois scénarios (réseau IEEE-30 JB) .......... 98
Figure 5.25 Comparaison de l'indice de stabilité des trois scénarios (réseau IEEE-30 JB) ......... 99
Figure 5.26 Comparaison de l'indice de stabilité ∑Lmn des trois scénarios (réseau IEEE-30 JB) 99
Figure 5.27 Courbe de Convergence du MFO pour le scénario 1 réseau (IEEE-118 JB) .......... 100
Figure 5.30 Comparaison des profils de tension des trois scénarios (IEEE-118 JB) ................. 102
Figure 5.31 Comparaison de l'indice de stabilité ∑Lmn des trois scénarios (réseau IEEE-118 JB)
..................................................................................................................................................... 102
Figure 5.32 Courbe de Convergence du MFO pour le scénario 1 (réseau Algérien) ................. 103
Figure 5.35 Comparaison de l'indice de stabilité Lmn (réseau Algérien) ..................................... 105
Figure 5.36 Comparaison de l'indice de stabilité ∑Lmn des trois scénarios (réseau Algérien) ... 106
Figure 5.37 Comparaison des profils de tension des trois scénarios (réseau Algérien) ............. 106
Liste des tableaux
Tableau 3.1 Classification des turbines éoliennes ......................................................................... 49
Tableau 3.2 Eoliennes de grande puissance pour les applications offshore .................................. 56
Tableau 3.3 Exemples de parcs éoliens terrestre et offshore ........................................................ 59
Tableau 3.5 Energie électrique totale produite par un parc éolien ................................................ 60
Tableau 4.1 Caractéristique du vent dans les zones étudiées ....................................................... 68
Tableau 4.2 Coordonnées géographiques des zones étudiées ....................................................... 68
Tableau 5.1 Valeurs du Lmn pour le scénario 1 (IEEE-30 JB) ....................................................... 81
Tableau 5.4 Classement des jeux de barre faibles dans le réseau test (IEEE-30 JB) .................... 86
Tableau 5.5 Classement des jeux de barre faibles dans le réseau test (IEEE-118 JB) .................. 86
Tableau 5.6 Classement des jeux de barre faibles du (réseau Algérien) ....................................... 86
Tableau 5.7 Valeurs optimales du cluster radius ........................................................................... 89
Tableau 5.8 Evaluation de la performance du modèle ANFIS-MFO ........................................... 95
Tableau 5.9 Coefficients du cout des générateurs thermiques ...................................................... 95
Tableau 5.10 Comparaison des résultats obtenus par l’algorithme MFO et autres algorithmes
(réseau IEEE-30 JB) ...................................................................................................................... 96
Tableau 5.11 Paramètres et coefficients des turbines éoliennes ................................................... 97
Tableau 5.12 Comparaison des résultats obtenus dans les trois scénarios (réseau IEEE-30 JB) .. 99
Tableau 5.13 Résultats obtenus par l’algorithme MFO (réseau IEEE-118 JB) .......................... 100
Tableau 5.14 Paramètres et coefficients des turbines éoliennes réseau (IEEE-118 JB) ............. 100
Tableau 5.15 Résultats obtenus par MFO en présence des parcs éoliens (réseau IEEE 118 JB) 101
Tableau 5.16 Résultats obtenus par MFO du scénario 3 (réseau IEEE 118 JB) ......................... 102
Tableau 5.17 Comparaison des résultats obtenus dans les trois scénarios (réseau IEEE 118 JB)102
Tableau 5.18 Coefficients du coût des générateurs thermiques (réseau Algérien) ..................... 103
Tableau 5.19 Comparaison des résultats obtenus par MFO et autres algorithmes (réseau
Algérien)...................................................................................................................................... 104
Tableau 5.20 Paramètres et coefficients des turbines éoliennes (réseau Algérien)..................... 104
Tableau 5.21 Comparaison des résultats obtenus des trois scénarios (réseau Algérien) ............ 106
Introduction générale
L’étude de la stabilité est considérée l'une des trois grandes études des réseaux électriques,
les deux autres étant l'écoulement de puissance et l'analyse de défauts [1]. Il est clair que
l’étude de stabilité est la plus complexe, tant en termes de modélisation que de méthodes de
recherche des solutions. La stabilité d'un réseau électrique est la capacité du système, pour des
conditions initiales données, de retrouver un point d'équilibre suite à une perturbation. Le
système est également considéré comme stable s’il tend vers une autre position d’équilibre
située dans la proximité du point d’équilibre initial. La stabilité des réseaux électriques est
divisée en trois groupes, stabilité de l’angle de rotor, stabilité de fréquence et stabilité de
tension. La capacité de maintenir une tension stable, ou dite stabilité de tension, est une
préoccupation croissante dans la planification et l’opération des systèmes [1]. Plusieurs
méthodes analytique ont été proposées pour l'analyse de la stabilité de tension, telles que,
l’analyse modale [2], les courbes P-V et Q-V (P-V and Q-V curves) [3], l’écoulement de
puissance continu [4]. Cependant, ces méthodes sont inappropriées pour l'évaluation en ligne
de la stabilité de tension en raison de la complexité d’analyse et le temps de calcul important,
surtout pour les grands réseaux électriques.
Au cours des dernières années, de nombreuses recherches ont été effectuées et de

nombreuses méthodes, basées sur l’intelligence artificielle, ont été développées pour analyser
et évaluer en ligne la stabilité du réseau électrique. L'application des réseaux de neurones
artificiels (RNA) dans l'évaluation de la stabilité du réseau électrique a pris de plus en plus
d'importance. Les principales raisons sont sa capacité à traiter des données en parallèle avec
une grande précision et rapidité [5]. Plusieurs architectures de RNA ont été proposées dans la
littérature pour la surveillance en ligne de la stabilité de tension telle que le Perceptron
multicouche (Multi Layer Perceptron (MLP)) et la Fonction de base radiale (Radial Basic
Fonction (RBF)).
La logique floue est une extension de la logique booléenne introduite en 1965 par Zadeh
[6]. Elle a été largement appliquée dans les réseaux électriques. Au cours des dernières
années, plusieurs chercheurs ont introduit la logique floue pour l’évaluation de la stabilité de
tension du réseau électrique. Ramaswamy et Nayar [7] ont proposé une approche efficace
basée sur la logique floue pour l’estimation en ligne des tensions de jeux de barre en cas de
défaut et/ou de variation de la charge. Une approche basée sur un réseau de neurones à deux
1
couches et la logique floue hyper-rectangulaires a été proposée par Suganyadevi et Babulal

[8] pour l’estimation de la marge de stabilité de tension. D’après les résultats de simulation
sur le réseau IEEE 30 jeux de barres dans diverses conditions de fonctionnement, la méthode
proposée peut construire un moyen efficace en matière de protection des réseaux électriques
[5].
Les systèmes d'inférence neuro-flou adaptative (Adaptive Neuro-fuzzy inference system

(ANFIS)) ont aussi été introduits comme des outils d'intelligence artificielle et son application
au problème de stabilité de tension est relativement nouvelle. Ces systèmes permettent de
combiner les avantages de deux techniques complémentaires [9]. Les systèmes flous
fournissent une bonne représentation des connaissances, de plus l’intégration de réseaux de
neurones au sein de ces systèmes améliore leurs performances grâce à la capacité
d’apprentissage de réseaux de neurones. Il existe deux types de systèmes d'inférence floue qui
peuvent être implémentés; Mamdani et le Sugeno. Le système Sugeno est le plus utilisé par ce
que il est plus efficace sur le plan des calculs qu'un système Mamdani. Cependant, le
problème de développement du modèle ANFIS réside dans la génération du système
d'inférence floue (FIS) avec un nombre optimal de règles pour réduire la complexité de calcul.
Alors plusieurs algorithmes tels que le Clustering K-means, Fuzzy C-means et le Subtractive
Clustering (SC) ont été proposés. Bien que, il n'y a pas de règle standard pour la sélection des
paramètres de l’ANFIS, ce qui est considéré comme le principal inconvénient de cette
technique [9].
Les méthodes d’optimisations méta-heuristiques sont des algorithmes visant à résoudre des
problèmes d’optimisation difficile pour lesquels les méthodes classiques ne peuvent les
résoudre efficacement. Ces méthodes sont généralement des algorithmes stochastiques
itératifs, qui progressent proche de l’optimum global, c’est-à-dire l’extremum global d’une
fonction objectif. Elles se comportent comme des algorithmes de recherche, tentant
d’apprendre les caractéristiques d’un problème afin d’en trouver une approximation de la
meilleure solution. Le but visé par ces méthodes est d’explorer l’espace de recherche
efficacement afin de déterminer des points optimaux. Les techniques qui constituent des
algorithmes de type méta-heuristique vont de la simple procédure de recherche locale à des
processus d’apprentissage complexes. Les méta-heuristiques peuvent contenir des
mécanismes qui permettent d’éviter d’être bloqué dans des régions de l’espace de recherche
[10].
2
Dans cette thèse, le système ANFIS a été proposé pour l’évaluation en ligne de la stabilité
de tension des réseaux électriques. Mais il n'y a pas de règle standard pour le choix des
paramètres de l’ANFIS. Pour cette raison l’algorithme d'optimisation méta-heuristique
récemment développé, nommé papillons de nuit (Moth-Flame Optimizer MFO) est utilisé
pour déterminer la valeur optimale du paramètre interne « cluster radius » de l’ANFIS afin
d'obtenir le bon compromis complexité-précision.
D’autre part, les gestionnaires du réseau électrique sont faits face à certains problèmes
critiques tels que l'épuisement des ressources naturelles, la demande en énergie électrique qui
ne cesse à se croitre, et le réchauffement climatique. Pour couvrir ce besoin et garantir une
continuité de service aux consommateurs à tout moment en maintenant les niveaux de tension
et de fréquence dans des limites acceptables. Les gestionnaires du réseau électrique ont pensés
à introduire les énergies renouvelables [1]. Dans cette thèse, nous allons étudiés l’impact de
l’insertion de l’énergie éolienne, dans le réseau électrique, sur le cout de production et la
stabilité de tension. Le problème de l'écoulement de puissance optimale, qui sert à la
meilleure répartition des puissances actives générées entre les différentes zones de
productions interconnectées, va être résolu par l’algorithme MFO.
Cette thèse est divisée en cinq chapitres. Le premier chapitre présente un état de l’art de la
stabilité des réseaux électriques, il traite plus particulièrement les différents types, les causes
de l’instabilité, les méthodes d’analyse ainsi que l’amélioration de la sécurité des réseaux
électriques.
Dans le deuxième chapitre, une nouvelle technique hybride combinant l’ANFIS et

l’algorithme d'optimisation papillon de nuit (MFO) est proposée pour l’évaluation en ligne de
la stabilité de tension.
Le troisième chapitre est consacré à l'étude des systèmes éoliens intégrés dans les réseaux
électriques.
Le quatrième chapitre présente la formulation du problème de l’écoulement de puissance

optimal en présence de la production éolienne dans un marché d’électricité libre en tenant
compte de l’amélioration de stabilité de tension.
Le cinquième chapitre présente l’application des méthodes proposées sur les réseaux test
IEEE 30, IEEE 118 jeux de barres et le réseau Algérien 114 jeux de barres.
Finalement, pour clôturer ce travail, une conclusion générale, perspectives, et propositions

envisagées pour poursuivre cette recherche sont présentées.
3
Chapitre 1 Evaluation de la stabilité de tension
Chapitre 1 : Evaluation de la stabilité de tension
1.1 Introduction
La stabilité d’un réseau électrique positionné autour d’un point d’équilibre se définit par
l’aptitude de toutes ses grandeurs à rester autour de ce point au cours du temps, suite à une
perturbation. La tension et la fréquence sont les deux grandeurs principales qui permettent aux
chercheurs de mesurer le degré de stabilité du réseau de façon à pouvoir prendre les
précautions nécessaires afin d’éviter un écroulement partiel ou total. Ces deux grandeurs
doivent être maintenues dans les limites appropriées pour fournir une énergie de qualité aux
besoins des consommateurs et au bon fonctionnement du réseau. Cette instabilité peut avoir
différentes formes et peut être influencée par différents facteurs. L’analyse des problèmes de
stabilité implique l’identification des facteurs essentiels contribuant à l’instabilité et le
développement de méthodes pouvant améliorer la stabilité du réseau. Pour mieux comprendre,
étudier la stabilité du réseau électrique et résoudre le problème, il est indispensable de
classifier les différents types de stabilité. Généralement trois types de stabilités sont
distingués, la stabilité de l’angle de rotor, la stabilité de fréquence et la stabilité de tension
[11].
1.2 Classification de la stabilité du réseau électrique
Les réseaux électriques sont des systèmes non linéaires. La stabilité de leur
fonctionnement est assurée au voisinage d’un point d’équilibre. Des perturbations
suffisamment importantes peuvent leur faire perdre la stabilité. Les notions de stabilité des
réseaux électrique et ses différents types sont brièvement exposés. La Figure 1.1 présente le
diagramme de classification des différentes formes de stabilité en fonction, des phénomènes,
de l’amplitude de la perturbation et des échelles de temps [12] :
4
Figure 1.1. Classification de la stabilité d’un réseau électrique
1.2.1 Stabilité de l’angle du rotor
La stabilité de l’angle du rotor est définie comme la capacité des machines synchrones
d’un réseau électrique interconnecté de rester en synchronisme suite à une perturbation. Elle
dépend de la capacité de maintenir/restaurer l’équilibre entre les couples électromagnétiques
et mécaniques agissant sur le rotor de chaque machine synchrone dans le système. Autrement
dit, un système est instable si la différence d'angle entre deux générateurs interconnectés
augmente indéfiniment ou si l'oscillation transitoire, provoquée par une perturbation, n'est pas
suffisamment amortie dans le temps d'évaluation [12,13].
1.2.2 Stabilité de fréquence
On dit qu’un réseau électrique est stable en fréquence, si la fréquence est presque la même
en tout point du système, elle est mesurée et contrôlée avec précision afin de la maintenir dans
une zone acceptable suite à une perturbation. L’instabilité en fréquence est essentiellement
due au déséquilibre entre les puissances produites et consommées. Autrement dit, suite à
certaines perturbations, le déséquilibre global des puissances produites et consommées
entraîne un écart de fréquence [13].
5
1.2.3 Stabilité de tension
La stabilité de tension est définie comme la capacité d’un réseau électrique à maintenir
des tensions acceptables en chaque jeu de barres suite à une perturbation. Plusieurs
phénomènes tel que, une défaillance d’une ligne de transport ou d’un générateur, variations
importante de la charge, modification de la configuration du réseau électrique peuvent
engendrer une chute progressive et incontrôlable de la tension, aboutissant en un
effondrement généralisé de la tension du réseau [14].
Le phénomène de l'instabilité de tension est attribuable à l'exploitation du réseau à sa

limite de puissance transmissible maximale, et à l'insuffisance de dispositifs de compensation
de la puissance réactive. Les principaux facteurs qui contribuent à un effondrement de la
tension sont les limites de puissance réactive des génératrices, les limites de réglage de la
tension, les caractéristiques de la charge ainsi que les caractéristiques et les actions des
dispositifs de compensation de la puissance réactive [14]. Dans ce qui suit, on parle de
différents types de la stabilité de tension [15].
 Stabilité de tension aux grandes perturbations : Cette stabilité se réfère à la

capacité du réseau électrique à maintenir des tensions stables à la suite de
grandes perturbations telles que la perte d’un générateur, la perte d’une ligne
transport. En effet, cette capacité est déterminée par le système et les
caractéristiques de charge, ainsi que par les éléments de protections. La
détermination de la stabilité de tension aux grandes perturbations exige
l'examen de la réponse non-linéaire du système électrique sur une période
suffisante pour saisir la performance et les interactions de dispositifs comme
les moteurs électriques, les transformateurs avec régleurs en charge, etc.
Normalement, la durée de l'étude de ce type de stabilité peut se prolonger de
quelques secondes à plusieurs dizaines de minutes.
 Stabilité de tension aux petites perturbations : La stabilité de tension aux
petites perturbations se réfère à la capacité du système à maintenir des tensions
stables lorsqu'il est soumis à des petites perturbations telles que des
changements incrémentaux dans la consommation. Cette forme de stabilité est
influencée par les caractéristiques des charges. Ce principe est utile pour
déterminer, à tout instant, la façon avec laquelle les tensions des jeux de barres
du système répondront aux petites évolutions du réseau électrique. En effet,
6
pour ce type de stabilité, les équations mathématiques du système qui décrivent

sa dynamique peuvent être linéarisées autour de son point de fonctionnement,
ce qui permet d’identifier les facteurs qui influent sur la stabilité.
 Stabilité de tension à court terme : La stabilité de tension à court terme
concerne principalement le décrochage des moteurs asynchrones suite à des
creux de tension trop marqués. Les liaisons à courant continu interviennent
également sur cette échelle de temps.
 Stabilité de tension à long terme : La stabilité de la tension à long terme est
associée au passage en limite de générateurs et à la dynamique plus lente de la
charge, principalement sous l’effet des régleurs en charge.
1.3 Classement des états du réseau électrique
Les principaux états d’un réseau électrique production–transport et les types de transitions
les plus probables entre eux sont [15] :
 Etat normal : tous les paramètres du réseau électrique (fréquences, tensions

aux différents jeux de barres, le courant dans les ouvrages de transport) sont
dans la plage autorisée et toutes les règles de sécurité, telles que la règle N-1
(perte d’un élément de production ou de transport) ou la règle N-k (perte de k
éléments de production et/ou de transport), sont respectées.
 Etat vulnérable : même si les paramètres du réseau électrique sont encore
dans la plage admissible, il existe au moins un cas de non-respect d’une règle
de sécurité. Si l’incident correspondant venait à se produire, la sécurité serait
donc menacée.
 Etat critique : non seulement les règles de sécurité ne sont pas toutes
respectées, mais certains paramètres du système sont hors de leur plage
autorisée (par exemple, un poste à 220 et 400 kV est à une tension inférieure
au seuil critique). La sécurité du système doit immédiatement être restaurée par
des actions dites curatives (par exemple le délestage de charge) pour éviter
l’effondrement de la tension du réseau électrique.
 Etat incident généralisé : une large partie des charges est hors tension, le
réseau peut être morcelé et une partie du parc de production est hors service.
 Etat de reconstitution du réseau : l’opérateur cherche à minimiser la quantité
d’énergie électrique non-délivrée par la resynchronisation dès que possible des
7
unités de génération perdues et par la reconnexion des charges déconnectées

dans l’ordre de priorité.
En effet, les opérateurs vont conduire leurs réseaux électriques en ligne en se basant sur
cette philosophie de classement des états du système et cela dans le but de faire fonctionner le
réseau électrique non seulement de la manière la plus sécurisée possible (afin de faire éviter
l’effondrement du réseau électrique), mais aussi de la manière la plus économique.
1.4 Stabilité de tension d’un réseau électrique
1.4.1 Causes de l’instabilité de tension
Il existe plusieurs causes conduisant à l'instabilité de tension parmi lesquelles [15] :
1.4.1.1 Dynamique de la charge
Les charges qui sont dynamiques, sont la force motrice de l'instabilité de tension, due aux
dispositifs suivants :
 On Load Tap Changing (OLTC) : Le rôle d’un transformateur équipé d’un

régleur en charge dans un réseau électrique, est de maintenir la tension côté
charge dans un intervalle bien défini près de la tension nominale en modifiant
le rapport de la transformation sans coupure de l'alimentation, d’où leur nom
en anglais on load tap changer (OLTC). La commande de ce régleur en charge
est assurée par un automate local de régulation de tension, ce régleur joue sur
le rapport de transformation pour être adapté aux conditions de charge sur
le réseau électrique afin de maintenir la tension à un niveau optimal.
 Moteurs à induction : le comportement dynamique de ces moteurs est

caractérisé par des constantes de temps plus courtes. Un processus de
restauration est également observable suite à une réduction de la tension car le
moteur doit continuer à fournir une charge mécanique avec un couple plus ou
moins constant. L’état le plus critique c’est qu’une baisse de la tension
provoque une réduction du couple électromagnétique qui est suffisant pour
provoquer un blocage du moteur, dans ce cas la consommation de la puissance
réactive augmente conduisant à l’effondrement de la tension.
8
1.4.1.2 Réseau de transport
Chaque élément de transport, à une capacité de transfert limitée. Cela dépend de plusieurs
facteurs.
- Impédance de la ligne de transport.

- Facteur de puissance de la charge.
- Présence des sources du contrôle de la tension dans la ligne et le point de

consigne de tension de ces sources.
- Présence de dispositifs de compensation réactifs.
1.4.1.3 Système de génération
Lorsque l’écoulement de puissance augmente, le réseau de transport consomme plus de

puissance réactive. Les générateurs doivent augmenter la puissance réactive générée, et le
point de fonctionnement du générateur peut être trouvé. Mais en raison du limiteur de
surexcitation et du limiteur de courant du stator, la tension ne peut être contrôlée.
1.5 Blackouts dans le monde
L’électricité est le vecteur d’énergie le plus pratique et le plus répandu dans les sociétés
modernes. Elle est donc un bien de consommation de première nécessité. De ce fait, les
conséquences économiques, sociales et humaines d’un blackout peuvent être extrêmement
nombreuses et graves, et sont étroitement liées au degré d’évolution, et d’urbanisation du
pays ou de la région. Plusieurs causes peuvent conduire le réseau au Blackout, à titre
d’exemple, surcharge des lignes, courts circuits et perte d’un ouvrage. Parmi ces coupures
générales, on peut citer [16] :
 Nord-est des États-Unis, 1965 (14 heures) : la mise hors tension du réseau
électrique unissant la côte entre les États-Unis et le Canada, suivie d’une
défaillance des protections, entraîne un blackout qui touche 30 millions de
personnes.
 New York, 1977 (25 heures) : Un orage détruit un transformateur, 10 millions
de personnes touchées. Une étude du Congrès a estimé que les dommages se
sont élevés à 300 millions de dollars.
 Canada, 1989 (9 heures) : Un vent solaire provoque une coupure qui
touche six millions de personnes.
9
 États-Unis, 2003 (jusqu’à 24 heures) : Une surcharge du système entraîne la

fermeture de 100 stations d’énergie électrique, 50 millions de personnes sont
touchées.
 Algérie 2003 (4 heures) : plus de 28 wilayas dans le noir en raison d'une
coupure générale d'électricité, à cause d’un dysfonctionnement dans le
régulateur de gaz de la centrale électrique d'El Hamma, fraîchement mise en
service. Ce dysfonctionnement a occasionné la fermeture des vannes de gaz et
la centrale, qui comprend deux générateurs de 200 mégawatts chacune, s'est
isolée du réseau électrique. Ce qui a eu comme conséquence l'ouverture des
interconnexions internationales.
 Italie, 2003 : Presque tout le pays (près de 57 millions de personnes) est
touché par des dommages occasionnés par de fortes tempêtes qui font
disjoncter les lignes de transit d’énergie de la Suisse et de la France.
 Indonésie, 2005 : 100 millions de personnes sont privées d’électricité en
raison de la panne d’une ligne de transport à Java.
 Europe Occidentale, 2006 (30 minutes) : En France, en Belgique, aux Pays-
Bas, en Italie, en Espagne, au Portugal, en Allemagne et en Autriche dix
millions de personnes subissent pendant une demi-heure les conséquences
d’une erreur commise par une entreprise d’énergie électrique allemande.
 Colombie, 2007 (quelques heures) : 25 millions de personnes sont privées
de courant pendant plusieurs heures à cause d’une défaillance dans une sous-
station.
 Barcelone 2007 (presque 3 jours) : L’incendie d’une sous-station prive 283
000 personnes d’électricité.
 Chine, 2008 (10 jours) : Quatre millions de personnes subissent les
conséquences d’une coupure de courant provoquée par des forts orages.
 Brésil et Paraguay, 2009 (7 heures) : Cette panne touche 87 millions de
personnes, elle est due aux dommages produits par un orage dans une centrale.
 Chili, 2010 (jusqu’à 2 semaines) : un fort séisme prive 80 % de la population
d’électricité.
 Inde, 2012 (2 jours) : L’inde connaît l’un des pires blackouts de
l’histoire : 760 millions de personnes sont touchées.
10
 Argentine, 2013-2014 (plusieurs jours) : Une forte vague de chaleur entraîne

l’utilisation massive de l’air conditionné, qui entraîne à son tour de longues
coupures de courant pendant les fêtes de Noël et du Nouvel An.
1.6 Méthodes d’analyse de la stabilité de tension
Plusieurs méthodes d'analyse de la stabilité de tension ont été proposées dans la

littérature, pour évaluer les systèmes dans différents conditions de fonctionnement et de
proposer des méthodes de contrôle appropriées pour éviter des Blackout. L'étude de la
stabilité de la tension peut être associée à deux aspects différents [1].
- Proximité de l'instabilité de la tension: à quelle distance le système est-il près de

l’instabilité.
- Mécanisme d'instabilité de la tension: lors de l'instabilité de la tension, quels sont les
éléments fondamentaux qui contribuent à l'instabilité, quelles sont les zones de
tension faible et quelles méthodes de calculs sont les plus efficaces pour améliorer
la stabilité de la tension.
Divers formes des problèmes de la stabilité de tension peuvent être analysés efficacement
en utilisant des méthodes analytiques. Ces méthodes examiné la viabilité du point d'équilibre
représenté par une condition de fonctionnement spécifiée du réseau électrique. Dans les
études de stabilité de tension, les caractéristiques d'intérêt sont la relation entre la puissance
active transportée (P), la tension finale (V) et la puissance réactive injectée (Q). Les formes
traditionnelles d'affichage de ces relations sont les P-V et Q-V courbes obtenues par analyse
en régime permanent [3]. L'analyse de la sensibilité et l'analyse modale sont également
utilisées dans l'évaluation de la stabilité de la tension.
1.6.1 Analyse modale
L'analyse modale et connue aussi sous le nom d'analyse des valeurs propres. Cette
méthode peut être mise en œuvre en tant qu'outil pratique pour identifier à la fois la proximité
et le mécanisme pendant l'apparition de l'instabilité de la tension. Elle nécessite le calcul du
petit nombre de valeurs propres et de vecteurs propres associés d'une matrice jacobéenne
réduite. La matrice jacobéenne réduite est capable de fournir des informations pratiques sur la
stabilité de la tension. De ce fait, les jeux de barres critiques dans le réseau électrique peuvent
être identifiés à partir de la variation de puissance réactive du réseau électrique. Par
conséquent, à chaque point de fonctionnement, la puissance active P est maintenu constante et
11
évalue simplement la stabilité de tension en considérant la relation entre la puissance réactive

Q et la tension V [2]. Comme le montre l'équation:
Q  Jr  V
1.1
La matrice Jr est symbolisée par la relation linéaire entre le changement incrémental de
l'injection de puissance réactive ΔQ et de la tension ΔV du jeu de barres. Les caractéristiques
de la stabilité de tension du réseau électrique peuvent être identifiées en calculant les valeurs
propres et les vecteurs propres de la matrice Jr. Ainsi que, les plus petites valeurs propres de
la matrice sont considérées comme les modes les moins stables du système.
1.6.2 Courbes P-V et Q-V
La méthode des courbes P-V est bénéfique pour une analyse conceptuelle de la stabilité
de la tension en raison de sa simplicité. C'est une méthode traditionnelle utilisée pour résoudre
le problème de la différence entre les tensions des jeux de barres des générateurs et les
tensions des jeux de barres des charges, en mesurant la valeur de la tension critique
conduisant à l’instabilité.
La méthode des courbes Q-V est utilisée pour indiquer la relation de sensibilité des
tensions des jeux de barres de charges par rapport aux puissances réactives injectées. La
courbe Q-V peut être utilisée comme un indice pour l'instabilité de la tension. La valeur
Q
dérivée  0 correspond au point de la limite de stabilité de la tension. A partir de la courbe
V
Q-V, on peut extraire la relation entre les charges et les sources d'énergie réactive.
Bien que les deux méthodes des courbes P-V et Q-V soient largement utilisés pour
l’analyse et la mesure de la marge de stabilité de la tension, elles présentent quand même peu
d'inconvénients.
Dans les deux méthodes, on doit prendre en compte seulement un seul jeu de barres pour
la variation de charge. Comme il n'y a pas d'informations sur les jeux de barres critiques, des
études doivent être effectuées pour de nombreux jeux de barres, ce qui prend beaucoup de
temps [3].
Au fur et à mesure que le chargement sur le réseau électrique approche du point critique,
un problème de convergence se produit lors de la résolution du problème de l’écoulement de
puissance. De plus, ces méthodes ne donnent pas d'informations utiles sur les causes de
l'instabilité de la tension.
12
1.6.3 L’écoulement de la puissance continu (Continuation power flow (CPF))
L’écoulement de la puissance continu se base sur la méthode ‘prévision-correction’ afin

de résoudre le problème d’écoulement de puissance avec un bon conditionnement de la
matrice jacobéenne. Dans cette méthode, l’incrémentation de la charge est considérée comme
une nouvelle variable du problème d’écoulement de puissance, elle démarre par une solution
de base (solution initiale du programme d’écoulement de puissance classique), puis elle
estime la prochaine solution correspondante à une valeur différente de la charge. La solution
estimée est alors corrigée en utilisant la méthode de Newton-Raphson en le considérant
comme solution initiale du programme d’écoulement de puissance. L’avantage de
l’écoulement de puissance continu réside, non seulement dans sa capacité de trouver le point
critique d’effondrement de tension mais aussi la détermination du tracé de la courbe P-V
complète (partie supérieure et inférieure) d’une façon exacte. Ses caractéristiques
intéressantes amènent plusieurs compagnies de production d’énergie électrique à utiliser cette
méthode comme pourvoyeur d’un indice efficace d’évaluation de la proximité du système du
point d’effondrement [4].
Pour répondre à l'exigence de la surveillance en ligne, rapide, précise et facile, des

indicateurs interprétables sont souhaités.
1.6.4 Indices de stabilité
Les indices de stabilité de la tension sont très applicables pour retrouver la stabilité de la
tension du réseau électrique. Ces indices sont les grandeurs scalaires qui sont mises en œuvre
pour observer les changements des paramètres du système. En plus de cela, les indices sont
également utilisés pour quantifier la distance du point de fonctionnement particulier avec le
point d'effondrement de la tension. Ils sont simples, faciles à mettre en œuvre et peu coûteux
ainsi ils peuvent être utilisés pour des études en ligne. Les auteurs [17] ont mentionné que les
indices de stabilité de tension pouvaient être subdivisés en deux parties, indices de stabilité de
la tension basés sur la matrice jacobéenne, et autre basés sur des variables du réseau
électrique.
Les indices de stabilité de tension basés sur la matrice jacobéenne sont capables de
calculer le point d'effondrement de la tension, ainsi que la capacité de charge maximale du
réseau électrique, et de découvrir la marge de stabilité de la tension. Cependant, ces indices
nécessitaient un temps de calcul élevé et, pour cette raison particulière, ces indices ne sont pas
appropriés pour l'évaluation en ligne de la stabilité. Cependant, les indices de stabilité qui
13
utilise certaines variables du système telles que les tensions des jeux de barres ou
l’écoulement de puissance à travers les lignes, bénéfices de moins de temps de calcul. Avec
cette raison ces indices sont aptes à être mises en œuvre à des fins d'évaluation et de la
surveillance en ligne et de déterminer les lignes et les jeux de barres critiques dans le réseau
électrique.
 Fast Voltage Stability Index (FVSI) [18] : Cet indice est formulé à partir
d'une ligne de transport et essentiellement utilisé pour déterminer la puissance
maximale transportée. La valeur de FVSI qui est proche de l'unité indique que
la ligne respective est à sa limite de stabilité. Donc la valeur de FVSI doit être
inférieure à 1 pour assurer la stabilité du réseau électrique.
2
4Z Q
F V S I ij  2
j
1 1.1
Vi X
 Voltage Reactive Power index (VQI) [19] : Cet indice de puissance est
simple et précis dans l'analyse de la stabilité de la tension, avec un temps de
calcul moins grand. Cet indice détermine la stabilité de la tension dans chaque
ligne et prédit l'effondrement de la tension du réseau électrique. Une fois que la
valeur de VQI est proche de l'unité, la stabilité de tension atteint sa limite.
Xs Xs 2 
LQ  4 2  2
Ps  Q r  1.2
Vs Vs 
 Voltage stability index L : Il est utilisé pour surveiller les tensions des jeux de
barres. [20] en se basant sur l’écoulement de puissance.
Qr
V Q L lin e  4 2
1.3
Vs Bs
 Line voltage stability index (Lmn) [21] : L’indice de stabilité de la tension de

ligne est formulé à partir d'une ligne de transport de puissance. Cet indice est
essentiellement utilisé pour déterminer la capacité de charge maximale dans un
réseau électrique. La valeur de l'indice de ligne qui est proche à l'unité indique
que la ligne respective est dans sa limite de stabilité.
Ces méthodes fournissent des résultats complets et précis, mais elles sont généralement
entravées par le fait qu'elles consomment un peu de temps en raison de la nécessité de calculs
de l’écoulement de puissance répétitifs.
14
Dans la littérature, des techniques intelligentes ont été développées pour l’analyse de la
stabilité des réseaux électriques, qui sont :
1.6.5 Réseau de neurones artificiels
Au cours des dernières années, l'application des réseaux de neurones artificiels (RNA)
dans l'évaluation de la stabilité de la tension a pris de plus en plus d'importance [22]. Les
principales raisons sont sa capacité à effectuer un traitement de données parallèles avec une
grande précision et une réponse rapide. Plusieurs architectures du RNA ont été proposées
dans la littérature pour la surveillance en ligne de la stabilité de tension. Le réseau de
neurones multicouches de Perceptron (Multi-Layer Perceptron (MLP)) entraîné par
l'algorithme de rétro-propagation est le premier réseau introduit pour l’évaluation de la
stabilité de la tension du réseau électrique [22, 23]. Dans [24] un MLP étendu a été utilisé
pour évaluer la stabilité de la tension pour un modèle du réseau électrique dynamique.
Popovic et al [25], propose une méthode d'information mutuelle avec un MLP pour estimer le
niveau de stabilité de la tension dans diverses conditions de charge et contingences. Joya et al
[26] propose une approche basée sur un MLP pour le classement des contingences de la
tension. Devaraj et al [27] ont présenté une méthode basée sur un MLP pour la surveillance en
ligne de la stabilité de la tension. Debbie [28] a mis au point une nouvelle méthode de
surveillance en ligne de la stabilité de la tension par le réseau MLP et une technique de
sélection par régression pour l’apprentissage du réseau. Dans [29] un RNA avec un
apprentissage simple par l'algorithme de rétro-propagation pour évaluer la stabilité de tension
du réseau électrique incorporant des dispositifs FACTS a été proposée. Une amélioration
supplémentaire de la performance RNA dans une surveillance en ligne de la stabilité de
tension a été obtenue avec une réduction des données d'entrée par l’utilisation d’un algorithme
basé sur le Z score [30]. Il est intéressant de noter que les puissances actives et réactives de
charge sont généralement utilisées comme informations d'entrée pour l'RNA. L'application de
la fonction de base radiale basée sur RNA (RBF) pour l'évaluation en ligne de la stabilité de
tension a été proposée par plusieurs chercheurs [31, 34]. Hashemi et al [35] calcule
l’écoulement de puissance en utilisant les réseaux de neurones artificiels avec l’architecture
de Levenberg-Marquardt pour déterminer l'indice de la stabilité en raison de maintenir le
réseau électrique dans des limites stables. Selva et al [36] prédit l'état de sécurité du réseau
électrique utilisant une combinaison du RNA et d'indices de stabilité de la tension. Bien que le
RNA ait attiré l'attention des chercheurs en tant qu'outil d'évaluation en ligne de la stabilité de
15
la tension, il nécessite un processus d’apprentissage complet et une procédure de conception

complexe [37].
1.6.6 Logique Floue
Depuis les travaux de Lotfi Zadeh en 1965, la logique floue ne cesse d’intéresser les
chercheurs et les industriels qui se rassemblent autour des théories de l’incertain. Un nombre
croissant de domaines d’application est concerné par l’exploitation de cette théorie. Les
ramifications de la logique floue s’étendent à des domaines aussi variés que la commande, le
diagnostic de systèmes complexes, la bioinformatique, la recherche opérationnelle, l’aide à la
décision, l’évaluation subjective, la classification, la reconnaissance des formes, l’analyse de
données, le traitement et l’interprétation des images, la fouille de données, les systèmes
d’information, les bases de données, la fusion d’informations, la robotique, l’économie et la
gestion, la finance, la psychologie et encore bien d’autres domaines relevant de l’intelligence
artificielle [38]. Les systèmes basés sur la logique floue ont un avantage sur les réseaux
neuronaux puisqu'ils sont capables de capturer la cause (entrée) et l'effet (sortie) dans le
processus d'inférence [39]. Tomsovic et al [40] montrent que les modèles flous sont moins
susceptibles de surdimensionné et offrent un meilleur contrôle sur les propriétés
d'interpolation et d'extrapolation. Babuska et al [41] utilisent les principes de la logique floue
pour développer des stabilisateurs de système de supervision pour l'amélioration de la stabilité
et la fiabilité des réseaux électriques. Hussain et al [42] développent un stabilisateur flou d’un
réseau électrique en montrant ces performances et son efficacité par rapport à un stabilisateur
conventionnel. Tayal et al [43] proposent une technique floue en formulant un indice de
stabilité qui donne la charge maximale pouvant supporter le réseau électrique tout en gardant
la sécurité de la tension.
1.6.7 Système d'inférence neuro-floue adaptatif
Système d’inférence neuro-floue adaptatif (ANFIS), est une puissante technique de

l’intelligence artificielle, qui combine les avantages de la logique floue et du réseau de
neurones [44]. Il a été appliqué à différentes domaines du réseau électrique, tel que la
détection des défauts de ligne de transport [45], l’amélioration de la qualité d’énergie [46], le
contrôle de la fréquence [47], et l’évaluation de la stabilité des réseaux électriques [48]. L'une
des premières approches de l’analyse de la stabilité de tension dans lesquelles l'algorithme
ANFIS a été appliqué dans [49], une nouvelle approche développée pour l'évaluation de la
stabilité de tension utilisant le modèle ANFIS [50]. Un réseau neuro-flou a également été
16
appliqué pour déterminer la capacité de surcharge des réseaux électriques avec STATCOM et
SVC [51, 52]. Une nouvelle méthode basée sur le modèle ANFIS et des indices de stabilité de
la tension calculés par un outil de stabilité de tension nommé VOSTA a été développé pour
évaluer la stabilité de la tension du réseau de transport Italien EHV [53]. Un modèle neuro-
floue basé sur l’algorithme Subtractive Clustering est proposé pour estimer la capacité de
transport d’énergie. Cette méthode a donné des bons résultats pour gérer un comportement de
charge incertain et peut donc être implémentée dans un environnement en temps réel [54].
Torres et al [55] présentent l'application du modèle ANFIS dans la prédiction de la marge de
stabilité de la tension en ce qui concerne les données d'entrée des amplitudes de la tension
obtenues à partir des unités de mesure du phaseur (PMU).
1.7 Amélioration de la stabilité de tension
La libéralisation récente du marché de l'électricité, combinée à la préoccupation

croissante concernant l'épuisement des ressources énergétiques et le réchauffement
climatique causé par les gaz à effet de serre a conduit à une augmentation de l'intégration des
énergies renouvelables dans le réseau électrique. De plus, le passage aux systèmes
d'électrification dans l'intérêt des avantages économiques entraîne une augmentation de la
demande, ce qui fait que le réseau électrique fonctionne à proximité de la capacité de
transport d'énergie dans des situations de plus en plus délicates. Avec une utilisation plus
efficace des lignes de transport, il est possible que davantage de parties du réseau électrique
puissent fonctionner à proximité des limites de stabilité de la tension. Il s'agit donc d’un jeu
économique avec des enjeux importants et complexes qui, s'il n'est pas maîtrisé, peut
également engendrer des situations critiques [56].
L'étude et l'amélioration de la sécurité des réseaux électriques sont devenues aujourd'hui

une nécessité absolue [57]. Plusieurs méthodes et technologies ont été développées pour
améliorer la stabilité des réseaux électriques, parmi ces méthodes et ces technologies, on peut
citer :
1.7.1 Insertion des systèmes FACTS
La recherche pour obtenir une réponse rapide avec une flexibilité relativement grande
dans le transport de la puissance a mené l'apparition des appareils connus FACTS de grande
puissance et de vitesse rapide avec une technologie d'électronique de puissance très avancée.
La méthode de régulation par FACTS montre une très grande aptitude pour améliorer la
performance de fonctionnement et la stabilité des réseaux électriques permettant une
17
contrôlabilité et une capacité à contrôler rapidement les transits de puissance dans le

réseau [58].
De nombreux types de systèmes FACTS existent à savoir :
 Compensateurs Statiques d'Energie Réactive (Static Var Compensator

(SVC) et Static Compensator (STATCOM)) : ces compensateurs sont de type
shunt, ils réalisent le soutien local de la tension en absorbant ou fournissant de
la puissance réactive à l'endroit où ils sont connectés. Ils sont également
utilisés pour améliorer la stabilité dynamique du système, en leur ajoutant une
boucle de régulation supplémentaire pour l'amortissement des oscillations de
puissance basse fréquence.
 Compensateurs Série Réglables (Thyristors Controlled Series Compensator

(TCSC), Synchronous Source Series Compensator (SSSC)) : ces FACTS séries
permettent de modifier l'impédance apparente des lignes, et donc la puissance
transportée, ainsi que d'amortir les oscillations de puissance basse fréquence.
 Déphaseurs Statiques (Static Phase Shifters (SPS)) : ce sont des

transformateurs à rapport de transformation complexe dont le réglage est
effectué par des thyristors. Ils assurent alors un contrôle de l'angle de
transmission sur les lignes où ils sont implantés, et donc un contrôle de la
puissance transportée par ces lignes.
 Déphaseur-Régulateur Universel (Unified Power Flow Controller (UPFC)) :

il englobe les caractéristiques des compensations shunt et série, ainsi que des
déphaseurs. Il est donc capable d'agir sur les trois paramètres (tension,
impédance, déphasage) qui permettent de contrôler le transit de puissance sur
une ligne de transport.
1.7.2 Insertion des Générateurs Dispersés (GD)
Avec le développement de l'économie, les demandes en énergies électriques dans les

réseaux électriques augmentent fortement. La baisse de la marge de la stabilité de la tension
est l'un des facteurs importants qui limitent la demande croissante [59]. L'insertion des
générateurs dispersés (GD) présente des opportunités, car elle conduit à de nombreux
avantages techniques et économiques ainsi qu'à la stabilité de la tension atteinte grâce à la
réduction des courants de ligne. La réduction des courants de ligne entraîne également la
18
réduction des pertes de ligne. Cet élan peut être exploité par les GD pour apporter des
avantages opérationnels au réseau électrique du point de vue de profil de la tension, de la
qualité de l'alimentation fournie aux consommateurs, de la stabilité, des courants de court-
circuit, et de la fiabilité du système. Les générateurs dispersés GD pourraient être des énergies
photovoltaïques, des énergies éoliennes, stockage par batteries, ou pile à combustion.
1.7.3 Ecoulement de puissance optimale (Optimal Power Flow (OPF))
L’écoulement de puissance optimale (Optimal Power Flow (OPF)) a été largement utilisé
dans la planification et le fonctionnement des réseaux électriques pour la production de
l’énergie électrique afin de minimiser les coûts de production, les émissions des polluants et
les pertes en puissance, en raison d'améliorer le profil de tension ainsi que la marge de
stabilité [61]. Typiquement, comme le réseau électrique fonctionne plus près de ses limites de
stabilité, et du point d'effondrement de la tension, en raison des demandes croissantes du
marché, les procédures d'optimisation peuvent également être utilisées pour améliorer la
sécurité globale du système qui est devenue un problème important sur le marché de
l'électricité libre. Dans la littérature beaucoup de chercheurs proposent différentes techniques
d’OPF basées sur des méthodologies tout en maximisant la marge de la stabilité de la tension
avec un coût de production et de pertes de puissances actives optimaux [62]. Pagnetti et al
[63] proposent une approche des équations de l’écoulement de puissance pour la
modélisation du réseau de distribution. Soumitra et al [64] résoudrent le problème de la
répartition économique de la charge et émission des gaz nocifs (Economic Emission Load
Dispatch (EELD)) afin de minimiser les émissions d’oxydes d’azote (NOX) et le coût de
production avec une nouvelle approche d’optimisation nommée Algorithme de recherche
gravitationnelle. Shuang et al [65] propose un modèle de l’écoulement de la puissance
optimale du réseau électrique dans le but de minimiser le coût global. Jia et al [66] aborde
l'avantage de l'UPFC pour faciliter l'intégration de la production d'énergie éolienne dans les
réseaux électriques. Sean et al [67] présente un modèle de réseau appliqué à une usine de
fabrication existante en Irlande, afin d'analyser ses effets sur les émissions de carbone et le
coût de la production.
Dans la littérature, il existe plusieurs techniques pour résoudre le problème d’écoulement

de puissance optimale. Les techniques de résolution les plus populaires sont, les méthodes
analytiques et les méthodes méta-heuristiques, de ces deux méthodes, plusieurs méthodes sont
dérivées. La méthode classique ou analytique transforme le réseau électrique en un modèle
19
mathématique sous forme d’un ensemble des équations non-linéaires souvent de très grande
taille. Cette méthode semble plus intéressante mais sa plus grande limitation provient de la
puissance de calcul énorme nécessaire qui ne permet pas d’utiliser des modèles trop détaillés,
rendant la solution inadéquate à être utilisée pour un réseau électrique réel. Les méthodes
méta-heuristiques sont des d’algorithmes d’optimisation visant à résoudre les problèmes
d’optimisation difficiles. Elles sont souvent inspirées par des systèmes naturels [10].
1.8 Conclusion
Dans ce chapitre, nous avons présenté des notions de base sur la stabilité des réseaux
électriques et une généralité sur ces différents types. Nous avons présenté également une
analyse fine sur la stabilité de la tension dans le réseau électrique. Ensuite, une étude des
méthodes d’analyse existantes dans la littérature de la stabilité de la tension, et des nouvelles
méthodes intelligentes d’analyse et d’évaluation en ligne a été faite en montrant leurs
avantages et leurs inconvénients. En dernier lieu, nous avons présenté quelques solutions
envisagées permettant d'améliorer la stabilité de la tension. Dans le prochain chapitre, nous
allons présenter, en premier, les principes généraux des méthodes d’intelligence artificiels du
système inférence neuro-floue adaptatif ANFIS, et la méthode d’optimisation papillons de
nuit (moth-flame MFO). Puis le nouveau modèle hybride ANFIS-MFO.
20
Chapitre 2 Evaluation de la stabilité de tension par la méthode hybride ANFIS-MFO
Chapitre 2 : Evaluation de la stabilité de tension par

la méthode hybride ANFIS-MFO
2.1 Introduction
Suite à la consommation d‟énergie électrique qui ne cesse d'augmenter, les réseaux

électriques deviennent de plus en plus chargés. Cet état entraîne de nombreuses conséquences
telles que, la difficulté de maintenir un profil de tension acceptable qui peut conduire à
l'instabilité du réseau. L'application des techniques de l‟intelligente artificielle comme le
système d'inférence neuro-floue adaptative (Adaptive Neuro-Fuzzy Inference System
(ANFIS)) qui combine la puissance de calcul des réseaux neuronaux avec la capacité de
raisonnement de système d'inférence floue, aide à résoudre ces problèmes.
Dans ce chapitre, un nouveau modèle hybride combinant l‟ANFIS et l‟algorithme

d‟optimisation méta-heuristique, papillon de nuit (Moth-flame Optimisation Algorithm
(MFO)), est proposé pour l‟évaluation en ligne de la stabilité de tension. L'algorithme MFO
est adapté pour déterminer la valeur optimale du paramètre interne de l‟ANFIS « Cluster
radius » afin d'obtenir un meilleur compromis complexité-précision dans la conception de
l‟ANFIS. Le modèle ANFIS-MFO développé utilisait les amplitudes des tensions et leurs
phases obtenues à partir des jeux de barres critiques du réseau comme variables d'entrée alors
que l'indice de stabilité de tension de ligne comme vecteur de sortie.
2.2 Système d'Inférence Neuro-Floue Adaptative (ANFIS)

2.2.1 Généralités de l’ANFIS
L'intelligence artificielle créée par John McCarthy [68] est une discipline scientifique
visant à rechercher, développer et simuler le comportement humain et ses règles. Les
techniques d'intelligence artificielle incluant la science cérébrale, la neurologie et la
technologie de l'information sont largement utilisées dans tous les domaines de la vie humaine
pour remplacer les cerveaux humains. L‟intention originale de l'intelligence artificielle n'était
pas seulement de développer des algorithmes intelligents, mais aussi de comprendre le
comportement humain et de travailler en conséquence, ce qui nécessite une interaction directe
avec le monde réel. L‟intelligence artificielle a évolué au cours du temps et continuera de
croître pour approfondir la recherche et améliorer les produits et les services que nous avons
tendance à utiliser [68].
21
Plusieurs algorithmes de l'intelligence artificielle ont été développées dans la littérature,

parmi lesquelles on peut citer : réseaux de neurone artificiel (RNA), système inférence floue
(SIF) et système d'inférence neuro-floue adaptative (adaptive neuro-fuzzy inference system
ANFIS) qui combine les deux algorithmes suivants :
 Réseau de neurone artificiel : Qui a comme origines dans certaines propriétés

des neurones biologiques. Les premières recherches remontent à la fin du 19eme et
au début du 20eme siècle. La première application concrète des réseaux de neurones
artificiels est survenue avec l‟invention du réseau perceptron simple par (Frank
Rosenblatt) qui a démontré ses habilités à reconnaitre des formes mais ne pouvait
résoudre qu‟une classe de problème et son application est très limitée. Plusieurs
critiques ont été montrés sur ce réseau à cause de sa limitation d‟utilisation jusqu‟à
l‟invention de l‟algorithme de rétro-propagation de l‟erreur qui est une réponse à
ces critiques. Ce nouveau développement qui a littéralement ressuscité le domaine
des réseaux de neurones et donné naissance à de nouvelles théories, de nouvelles
structures et de nouveaux algorithmes [69]. Les réseaux de neurones servent
aujourd‟hui à toutes sortes d‟applications dans divers domaines. Grace à leur
capacité de stockages d'informations, la robustesse de la tolérance aux pannes et la
capacité de généralisation dans le diagnostic de panne, les réseaux de neurones ont
une application importante. Par exemple, auto-pilote pour avion, système de
guidage pour automobile, systèmes de lecture automatique de chèques bancaires et
d‟adresses postales, systèmes de traitement du signal pour différentes applications
militaires, des réseaux sont aussi utilisés pour bâtir des systèmes de vision par
ordinateur, pour faire des prévisions sur les marchés monétaires, pour le diagnostic
médical, pour différents processus manufacturiers, pour l‟exploration pétrolière ou
gazière, en robotique, en télécommunication, les réseaux de neurones ont
aujourd‟hui un impact considérable et, il y a fort à parier, que leur importance ira
grandissant dans le futur [69].
Il existe plusieurs architectures du réseau de neurones en fonction du nombre de couches,

et de la structure des connexions entre neurones à savoir réseaux mono couche, réseaux
multicouches, réseaux à connexions locales et réseaux à connexions complètes.
Dans notre étude, le type du réseau qui nous intéresse est le réseau multicouche.
22
 Système d'inférence floue (SIF): Depuis de nombreuses années, la logique floue,

classée dans les sciences de raisonnement, suscite beaucoup d‟intérêt. Avec ses
modèles flous, elle a connu un succès remarquable dans la description des
systèmes complexes. Ces modèles ont la même structure interne et utilisent un
mécanisme d‟inférence appelé systèmes à inférences floues. La première
génération de SIF proposée par Mamdani, Assilian en 1975 s‟appuyait sur la
capacité de la logique floue à modéliser le langage naturel. Puis, une deuxième
approche proposée par Takagi, Sugeno en 1985 s‟appuyait sur des algorithmes
d‟apprentissage automatique à partir des données [70]. La logique floue fut
développée par L. A. Zadeh en 1965 à partir de sa théorie des sous-ensembles
flous. Les sous-ensembles flous sont une manière mathématique de représenter
l‟imprécision de la langue naturelle, ils peuvent être considérés comme une
généralisation de la théorie des ensembles classiques [6]. Elle est aussi appelée
"logique linguistique" car ses valeurs de vérité sont des mots du langage courant,
et a pour objectif l‟étude de la représentation des connaissances imprécises, des
raisonnements approchés et elle cherche à modéliser les notions vagues du langage
naturel pour couvrir l‟inadéquation de la théorie des ensembles classiques dans ce
domaine [71].
Dans la littérature, deux modèles primaires permettent de générer des systèmes

d‟inférences flous : le modèle de Mamdani et le modèle de Takagi-SugenoKang (TSK) [70].
Les modèles de Mamdani permettent une description linguistique du système par une base des
règles. Ces modèles nécessitent un grand nombre de règles pour approcher le comportement
global d‟un système et ils possèdent une capacité de représentation limitée qui ne permettent
pas d‟intégrer directement des connaissances objectives sur le système. Ainsi des
connaissances exprimées sous forme analytiques décrivant la structure physique du système,
et ne peuvent pas être pris en compte directement. Sugeno et ces collaborateurs ont proposé
une classe de modèles qui permet de représenter ce type d‟information [72].
Le système d'inférence floue est très utile lorsqu‟on se trouve confronté à des systèmes qui
ne sont pas ou difficilement modélisables avec les outils classiques. Il est très avantageux si
on peut fournir au système un ensemble de règles exprimé en langage naturel pour permettre
de raisonner et de tirer des conclusions. Plus l'expertise humaine d'un système est importante
et plus on est capable d'ajouter des règles d'inférences au système. Le système d'inférence
floue permet de contrôler des systèmes complexes non forcement modélisables, de façon
23
intuitive, de créer et d‟opérer des systèmes de prévision avec un bon niveau d'expertise
humaine. Cependant, des inconvénients ont été démontrés comme, les règles doivent être
disponibles, le SIF ne peut pas apprendre, et l‟adaptation difficile au changement de
l‟environnement [73].
 Systèmes Neuro-Flous : les systèmes Neuro-Flous sont des outils attrayants et

intéressants, permettent de combiner les avantages de deux techniques
complémentaires pour résoudre des problèmes complexes et non linéaires. Les
systèmes d‟inférence flous exploitent des règles linguistiques traduisant une
connaissance sur la dynamique du système. Des algorithmes de clustering sont
créés afin de construire des modèles SIF à partir de données, ils partitionnent une
collection de données en sous-ensembles. Cependant, il n‟a pas à même
d‟apprendre, ainsi que les règles sont parfois difficiles à formuler. La solution
consiste à utiliser les propriétés des réseaux de neurone afin d‟apprendre, et d‟en
adapter les paramètres en conséquences. Par la suite, l‟exploration de la
modélisation qui utilise les ensembles flous s‟est faite par Takagi et Sugeno (1985)
[70] et qui a été développée par Jang [44] pour donner naissance à la nouvelle
architecture qui est très performante et atteint un large domaine d'application [74].
Comme traitement des eaux [75], génie géomatique [76], génie civile [77], génie
énergétique [78] permettant des applications démontrant la bonne performance de
l'ANFIS dans la prédiction, l'approximation et la surveillance de la relation non
linéaire avec plusieurs entrées et sorties. Le modèle SIF de Takagi-Sugeno est
largement utilisé dans l‟application de la méthode ANFIS.
2.2.2 Architecture de l’ANFIS
ANFIS introduit par Jang [44] est un système d'inférence neuro-flou adaptatif qui consiste
à utiliser un réseau neurone de type perceptron multicouches (MLP) à 5 couches pour lequel
chaque couche correspond à la réalisation d‟une étape d‟un système d‟inférence floue de type
Takagi-Sugeno. Pour la simplicité, nous supposons que le système d'inférence flou a deux
entrées x et y, et a comme une sortie f. la Figure 2.1 présente l'architecture ANFIS en utilisant
deux règles floues “if–then”.
24
Figure 2.1 Structure de l'ANFIS avec deux entrées et deux règles
Les deux règles floues de type Takagi-Sugeno, sont donnés :
R u le 1 : if x is A a n d y is B , th e n f  p x  q y  r
1 1 1 1 1 1 2.1
R u le 2 : if x is A a n d y is B , th e n f  p x  q y  r
2 2 2 2 2 2 2.2
Où x et y sont les entrées, Ai et Bi sont les ensembles flous, fi est la sortie ith, pi, qi et ri sont
les paramètres de conception déterminés par le réseau de neurones. Généralement, l'ANFIS
est constitué de cinq couches configurées de manière analogue à n'importe quel réseau de
neurones à alimentation directe multicouche. La fonctionnalité de l‟ANFIS peut être décrite
de la manière suivante :
 Première Couche : Cette couche comporte autant de neurones qu‟il y a de sous-

ensembles flous dans le système d‟inférence représenté. Chaque neurone calcule le
degré de vérité d‟un sous ensemble flou particulier par sa fonction de transfert. La
seule restriction sur le choix de cette fonction concerne sa dérivabilité. En retrouve
dans la littérature, l‟utilisation, de fonctions gaussiennes et les paramètres
modifiables sont le centre et la pente de la gaussienne.
La fonction d‟activation des neurones i de la première couche est
f i1   A i  x  2.3
Avec x est l'entrée au neurone i, Ai est un sous ensemble flou correspondant au

variable x. En d'autres termes, fi
1
est la fonction d‟appartenance du Ai et qui
indique le degré auquel la donnée x satisfait le quantifier Ai. Nous choisissons
 A i  x  pour être en forme de (Gaussien, triangle, trapézoïdal) avec le maximum
égal à 1 et le minimum égal à 0.
25
 Deuxième Couche
Sert à calculer le degré d'activation des prémisses. Les neurones de cette couche
représentent chacun la prémisse d'une règle. Ils reçoivent en entrée le degré de la
vérité des différents sous-ensembles flous composant cette prémisse, ensuite le
calcul de son propre degré de vérité sera chargé. Les fonctions d‟activation
utilisées pour ces neurones dépendant des opérateurs présents dans les règles
(„and‟ ou „or‟). La fonction d‟activation des neurones „i’ de la première couche
est :
W k   A i  x  . B i  y  , i  1, 2
2.4
Où k représente le nombre de règle, i représente le nombre de partition de x, et j le
nombre de partition de y.
 Troisième Couche
Normalise le degré d‟activation des règles. Chaque neurone dans cette couche est
un neurone de cercle noté N. le ième neurone calcule le rapport entre ième poids de
règles et la somme de tous les poids des règles. Cette opération est appelée la
normalisation des poids.
Wi
Wi  , i  1, 2 2.5
W1  W 2
 Quatrième Couche
Chaque nœud de cette couche est un nœud adaptatif à une sortie, avec une
fonction de nœud définie comme :
f k  W k  f k  W k   p k x  q k y  rk  2.6
4
Où Wk est la sortie de la troisième couche, et (p, q, r) est l'ensemble des

paramètres. Ces paramètres sont appelés paramètres conséquents.
 Cinquième Couche
Contient un seul neurone, c'est un neurone fixe ou non adaptatif qui calcule la
sortie globale en tant que la somme de tous les signaux entrants provenant du
nœud précédent. Dans cette couche, un nœud de cercle est étiqueté comme :
f 5
  W k  f k4 2.7
k
L‟ANFIS applique le mécanisme d‟apprentissage des réseaux neurones sur des techniques
d‟inférence floues. D‟un autre terme L‟ANFIS est un système d'inférence floue dont les
paramètres des fonctions d'appartenances sont ajustés en utilisant l‟algorithme
26
d‟apprentissage rétro-propagation, ou en combinaison avec un autre type d‟algorithmes

comme celui du moindre carré. D‟après la structure de l‟ANFIS illustrée dans la Figure 2.1, la
sortie globale peut être exprimée en tant que des combinaisons linéaires des paramètres
conséquents. Avec plus de précision, la sortie sur la Figure 2.1 peut être réécrite comme :
w1 w2
f  f1  f2
w1  w 2 w1  w 2 2.8
Les avantages de cette technique intelligente sont [45]:
- Exploitation de la connaissance disponible, grâce à la base de règles ;

- Réduction de la taille de la base de règles : il suffit d'avoir des règles générales, les
détails seront fournis par le Réseau de Neurone ;
- Réduction de la complexité de l'apprentissage : le Réseau de Neurone doit simplement
apprendre les cas particuliers ou les exceptions, et pas le problème complet ;
- Efficacité immédiate dès le début de l'apprentissage et la possibilité d'éviter des
comportements initiaux erratiques.
2.2.3 Type de l’ANFIS
ANFIS a été appliquée à des systèmes complexes et de grande dimension, cependant il

invoque le problème de l'explosion combinatoire des règles, des paramètres et des données.
La création d'un système d'inférence floue (SIF) avec le nombre minimum de règles est une
question importante dans le développement d'un ANFIS, car le nombre total de paramètres
ANFIS qui doivent être ajustés augmente considérablement avec l'augmentation du nombre
de règles. Pour la génération FIS, les algorithmes de regroupement flous (Fuzzy clustering
algorithms) forment une famille bien identifiée de techniques d'induction de règles. Nous
pouvons utiliser cette information de regroupement pour générer un système d'inférence floue
de type Sugeno, qui modélise mieux le comportement des données en utilisant un nombre
minimum de règles. Le regroupement (clustering) divise les objets en sous-classes
significatives, de sorte que les membres d'un même groupe (cluster) sont assez similaires,
alors que les membres des différents clusters sont assez différents les uns des autres. Plusieurs
méthodes ont été proposées comme le partitionnement de la grille (Grid partition), les C-
moyennes floues (fuzzy C-means) [79], la classification soustractive (Subtractive Clustering
(SC)) [80].
27
2.2.3.1 Grid Partition (GP)
La méthode GP génère une structure FIS de type Sugeno à partir d'ensembles de données
d'apprentissage, GP divise l'espace de données en sous-espaces rectangulaires appelés
«grilles» en fonction du nombre de fonctions d'appartenance et de leurs types. L'utilisation de
la partition de grille dans n'importe quelle application est limitée en raison de la malédiction
des dimensions. Le nombre de règles floues augmente exponentiellement lorsque le nombre
de variables d'entrée augmente. Par conséquent, la partition de grille ne convient qu'aux
applications avec un petit nombre de variables d'entrée (généralement inférieures à 6). Les
modèles de partitionnement de la grille peuvent s'exécuter avec précision avec un nombre
limité de fonctions d'appartenance. Cela nécessite moins de temps de simulation. Cette
méthode permet d'obtenir de faibles valeurs d'erreur en utilisant un nombre limité de fonctions
d'appartenance. Des problèmes peuvent êtres rencontrés lorsque nous avons un nombre
modérément élevé d'entrées [79].
2.2.3.2 Les Fuzzy C-means (FCM)
Cet algorithme peut être adopté pour réduire la dimension des clusters ainsi que le temps
d‟apprentissage, puisque le nombre de règles floues est égal au nombre de fonctions
d‟appartenance quelle que soit la dimension des entrées. FCM tente de partitionner les
données numériques dans des clusters. L‟appartenance d‟un point de données à un cluster
spécifique est exprimée par la valeur d‟appartenance de ce point à ce cluster. La valeur
d‟appartenance est calculée par la minimisation d‟une fonction objective de FCM, qui
recherche l‟appartenance ressortant le moins d‟erreur. Pendant l‟apprentissage de l‟ANFIS,
l‟algorithme d‟optimisation hybride est employé pour déterminer les valeurs optimales des
paramètres du SIF de type takagi-Sugeno. Il utilise une combinaison de la méthode des
moindres carrés, et de la descente de gradient par rétro-propagation pour l‟apprentissage
paramétrique des fonctions d‟appartenance du système d‟inférence floue [79].
2.2.3.3 Subtractive Clustering (SC)
Dans l‟algorithme SC, il est supposé que chaque point de données est un centre de cluster
possible. Basé sur la concentration des points de données voisins, il calcule un degré de
possibilité que chaque point de données définisse le centre du cluster. Le point de données
avec la plus grande possibilité d'être le premier centre de cluster est déterminé par un
algorithme. Afin de décider, le cluster de données suivant et de sa position centrale, il élimine
tous les points de données à proximité du premier centre de cluster tel que défini par le cluster
28
radius. L'itération se poursuit jusqu'à ce que toutes les données se trouvent à l'intérieur du
centre de cluster radius. IL existe quatre paramètres d'algorithme de soustractive clustering, le
cluster radius, squash factor, accepted ratio and rejected ratio. Le paramètre cluster radius est
l'un de ces paramètres qui ont un impact important sur les capacités de complexité et de
généralisation de l‟ANFIS. Un petit cluster radius produira généralement de nombreux petits
groupes dans les données, ce qui conduira à de nombreuses règles et un large cluster radius
mènera généralement à moins de cluster [80]. La technique SC partitionne les données
d'entrée-sortie en cluster, et adapte l'architecture de l'ANFIS au nombre minimum de règles
pour un réseau électrique assez complexe et avec une grande dimension.
Cet algorithme se résume comme suit :
 Etape1: Choisir le point de donnée avec le plus grand potentiel d‟être le centre
du premier groupe ;
 Etape2: Évincer tous les points dans le voisinage du 1er centre de l‟amas
déterminé par le cluster radius ;
 Etape3: Déterminer le prochain centre ;
 Etape4: Itérer le processus jusqu‟à ce que toutes les données soient dans un
rayon du centre d‟un amas.
2.3 Optimisation des paramètres de l’ANFIS
2.3.1 Méthodes d’optimisation méta-heuristiques
L'optimisation est une branche mathématique cherchant à modéliser, analyser et résoudre

analytiquement ou numériquement des problèmes qui consistent à minimiser ou maximiser
une fonction sur un ensemble. Les problèmes d‟optimisation en électrotechnique présentent
plusieurs difficultés liées aux besoins de l‟utilisateur, aux caractéristiques du problème à
résoudre et au temps de calcul. De nombreux travaux s‟appuient sur des méthodes de
résolution exactes permettant d‟obtenir une solution dont l‟optimalité est garantie, dans
certaines situations, on peut cependant chercher des solutions d‟une bonne qualité, sans
garantie d‟optimalité, mais au profit d‟un temps de calcul plus réduit. Pour cela, on applique
des méthodes appelées méta-heuristiques, adaptées à chaque problème traité, avec cependant
l‟inconvénient de ne disposer en retour d‟aucune information sur la qualité des solutions
obtenues.
Les méta-heuristiques sont généralement des algorithmes stochastiques itératifs, qui

progressent vers un optimum global, c'est-à-dire l'extremum global d'une fonction,
29
par échantillonnage d‟une fonction objectif. Elles se comportent comme des algorithmes de
recherche, tentant d‟apprendre les caractéristiques d‟un problème afin d‟en trouver une
approximation de la meilleure solution. Il existe un grand nombre de méta-heuristiques, allant
de la simple recherche locale à des algorithmes complexes de la recherche globale. Ces
méthodes utilisent cependant un haut niveau d‟abstraction, leur permettant d‟être adaptées à
une large gamme de problèmes différents [81].
Les méthodes d'optimisation peuvent alors être partagées en deux catégories : les
méthodes locales, qui permettent de déterminer un minimum local, et les méthodes de la
recherche globale, qui s'efforcent de déterminer un optimum global. Afin d'améliorer les
performances d'une recherche, plusieurs auteurs ont pensé à combiner ces deux approches
[82]. L'algorithme résultant possède alors deux phases : l'exploration et l'exploitation.
L'exploration permet à l'algorithme de rechercher de nouvelles solutions dans l'espace de la
recherche. Lors de cette phase, on cherchera des solutions dans des espaces encore non
explorés afin de trouver d'éventuels optimums locaux. La phase d'exploitation, quant à elle,
utilise les résultats obtenus lors de la phase d'exploration, afin de sélectionner le sous-espace
de recherche le plus prometteur, et de "plonger" vers l'optimum local le plus proche. C'est
dans cette phase que l'on essayera d'obtenir la meilleure précision possible pour une solution.
Dans cette section, on se base sur la définition et le principe d‟une nouvelle méthode
d‟optimisation méta-heuristique dit algorithme des papillons de nuit ou Moth-Flame
Optimization (MFO).
2.3.2 Algorithme d'optimisation papillon de nuit (MFO)
MFO est un nouvel algorithme inspiré de la nature est proposé pour concurrencer les
algorithmes d'optimisation actuels. L'inspiration principale de cet algorithme proposé est le
mécanisme de navigation des papillons de nuit dans la nature appelé orientation transversale,
où les papillons volent à un angle constant par rapport à une source de lumière lointaine,
comme représente la Figure 2.2. Cependant, si la lumière est extrêmement proche (Flammes)
aux papillons, nous observons que les papillons volent en spirale autour d'elle dans un espace
de recherche et les flammes sont la meilleure position des papillons obtenue, représentée par
la Figure 2.3 [10]. Les papillons et les flammes sont considérés comme une solution, alors
qu'ils diffèrent de leur analyse et de leur mise à jour.
30
Figure 2.2 Orientation Transversale
Figure 2.3 Vol en spirale du papillon autour de sources de lumière proches
Dans l'algorithme MFO, l'ensemble des papillons est représenté dans la matrice M. Pour
tous les papillons, il y a un vecteur TM pour stocker les valeurs de fitness correspondantes.
Les seconds composants clés de l'algorithme sont les flammes. Une matrice F similaire à la
matrice des moths est considérée. Pour les flammes, il est également supposé qu'il existe un
vecteur OF pour stocker les valeurs de fitness correspondantes. L'algorithme MFO a trois
étapes qui se rapproche de l'optimal global des problèmes d'optimisation et distinct comme
suit :
M FO   I , P,T  2.9
I est une fonction qui génère une population aléatoire de papillons et la valeur de fitness
correspondante.
I :  M ,OM  2.10
La fonction P, qui est la fonction principale, déplace les papillons autour de l'espace de la
recherche. Cette fonction a reçu la matrice M et retourne sa mise à jour éventuellement.
31
P :M  M
La fonction T return „true‟ si le critère d‟arrêt est satisfait et „false‟ si le critère d‟arrêt n'est
pas satisfait :
T : M   tr u e , fa ls e 
2.11
Avec I, P et T, le cadre général de l'algorithme MFO est défini comme suit:

M(I);
While T(M) is equal to false
M=P(M)
End
Après l'initialisation, la fonction P est exécutée itérativement jusqu'à ce que la fonction T
return la valeur „true‟. La fonction I doit générer des solutions initiales et calculer les valeurs
de la fonction objective.
Pour simuler mathématiquement le comportement des papillons, la position de chaque

papillon est mise à jour par rapport à une flamme en utilisant l'équation suivante
M i
 S M i, Fj  2.12
Où Mi indique le ième papillon, Fj indique la jème flamme, et S est la fonction spirale. Tout type
de fonction spirale peut être utilisé ici sous réserve des conditions suivantes :
 Le point spiral initial devrait commencer à partir du papillon ;
 Le dernier point spiral devrait être la position de la flamme ;
 La fluctuation de la gamme de spirale ne doit pas dépasser l'espace de la recherche.
Considérant ces points, une spirale logarithmique est définie pour l'algorithme MFO comme
suit :
S  M i , F j   D i  e bt  c o s  2 t   F j
2.13
Où D indique la distance du ième papillon pour la jème flamme, b est une constante pour
déterminer la forme de la spirale logarithmique, et „t’ est un nombre aléatoire dans [-1, 1]. Le
mouvement spiral est l'élément principal de la méthode proposée car il dicte comment les
papillons mettent à jour leurs positions autour des flammes. L'équation spirale permet à un
papillon de voler autour d'une flamme et pas nécessairement dans l'espace entre eux. Par
conséquent, l'exploration et l'exploitation de l'espace de la recherche peuvent être garanties.
32
Le logarithmique spiral, l'espace autour de la flamme, et la position en fonction de différentes

valeurs de „t’ sont illustrés par la Figure 2.4.
Figure 2.4 Logarithmique spirale, autour d'une flamme en fonction de t
Le paramètre „t’ définit dans quelle mesure la position suivante du papillon doit être proche
de la flamme (t = -1 est la position la plus proche par rapport à la flamme, tandis que t = 1 est
la plus éloignée).
D est calculé comme suit :
Di  F j  M i
2.14
Où Mi indique le ième papillon, Fi est la jème flamme, et Di est la distance du ième papillon
pour la jème flamme. L'équation 2.13 décrit la trajectoire spirale des papillons. De cette
équation, la position suivante d'un papillon est définie par rapport à une flamme.
A chaque itération et après avoir mis à jour la liste des flammes, les flammes sont triées en
fonction de leurs valeurs de fitness. Les papillons mettent alors à jour leurs positions par
rapport aux flammes correspondantes. Le premier papillon met toujours à jour sa position par
rapport à la meilleure flamme, tandis que le dernier papillon met à jour sa position par rapport
à la pire flamme de la liste. La Figure 2.4 montre comment chaque papillon est assigné à une
flamme dans la liste des flammes.
33
Figure 2.5 Chaque papillon est assigné à une flamme
La question qui peut être soulevée ici est que la mise à jour de la position dans l'équation
2.13 nécessite seulement que les papillons se déplacent vers une flamme, mais cela fait que
l'algorithme MFO est piégé rapidement dans des optima locaux. Pour éviter cela, chaque
papillon est obligé de mettre à jour sa position en utilisant seulement l'une des flammes de
l'équation 2.14. Une autre préoccupation ici est que la mise à jour de la position des papillons
par rapport à n emplacements différents dans l'espace de recherche peut dégrader
l'exploitation des meilleures solutions prometteuses. Pour résoudre ce problème, un
mécanisme adaptatif est utilisé pour fournir le nombre de flammes. La formule suivante est
utilisée à cet égard:
 N 1
fla m e n o = ro u n d  N  l  
 T  2.15
Où I est le nombre actuel d'itérations, N est le nombre maximum de flammes, et T indique

le nombre maximum d'itérations. La diminution progressive du nombre de flammes équilibre
l'exploration et l'exploitation de l'espace de recherche.
Nous avons présenté la méthode d‟optimisation basées sur les méta-heuristiques utilisées
dans le domaine des réseaux électriques. Cette méthode d‟optimisation nommée papillons de
nuit MFO sera par la suite utilisée pour déterminer les paramètres internes du système
d‟inférence neuro-flou adaptatif, afin d‟améliorer les performances du modèle hybride
proposé pour l‟évaluation et la surveillance de la stabilité de la tension dans les réseaux
électriques en raison de fournir alimentation continue aux consommateurs et garantir la
sécurité du système.
34
2.4 Méthode hybride ANFIS-MFO
Les propriétés de la méthode d‟optimisation MFO la rendent appropriée pour concevoir

des systèmes d‟inférence neuro-flou adaptatifs. Pour générer les règles du système d'inférence
floue, l‟algorithme de SC est utilisé. Cet algorithme est caractérisé par un temps de calcul
assez réduit avec une grande précision quel que soit le nombre des entrées. Cependant, pour
atteindre cette occurrence, le paramètre essentiel cluster radius de l‟algorithme SC doit être
optimisé.
Dans cette sous-section l‟algorithme MFO est adapté pour optimiser le paramètre Cluster
radius. Le processus du modèle hybride proposé ANFIS-MFO peut être résumé dans les
étapes suivantes :
Etape1 : généré les données d‟apprentissage et du test ;
Etape 2 : définir les valeurs des paramètres MFO, tels que :
 Le nombre de Moths ;
 Le nombre maximum d'itérations ;
 Le nombre de variables ;
 Les limites supérieures et inférieures des variables (valeurs supérieures
et inférieures du cluster radius).
Etape 3 : initialisation de la position des Moths et le nombre de flammes ;
Etape 4 : mettre à jour le numéro de flamme ;
Etape 5 : apprentissage du modèle ANFIS et calcul de la valeur de fitness de chaque Moth.
Etape 6 : la population de Moths ayant les valeurs de fitness optimales sera sélectionnée
comme flamme ;
Etape 7 : mettre à jour la position du Moth par rapport à la flamme correspondante ;
Etape 8 : obtenir de la meilleure valeur du Moths et du fitness ;
Etape 9 : si le critère d'arrêt est atteint, passer à l'étape 10. Sinon, répéter les étapes 4 à 9 ;
Etape 10 : Sélection du meilleur Moth y compris la meilleure valeur de fitness, et l‟obtention

de la valeur optimale du cluster radius.
35
Figure 2.6 Organigramme du modèle hybride ANFIS-MFO
36
La Figure 2.6 représente l‟implantation de la méthode MFO pour déterminer la valeur

optimale du paramètre de l‟algorithme SC en raison de minimiser les fonctions
d‟appartenances, réduit le temps de calcul et maximise la précision de l‟ANFIS.
2.5 ANFIS-MFO pour l’évaluation de la stabilité de tension

2.5.1 Formulation de l’indice de stabilité de ligne (Lmn)
Généralement les indices de stabilité de ligne sont formulés sur la base du concept du
réseau électrique sur une seule ligne. Une seule ligne dans un réseau interconnecté est illustrée
par la Figure 2.7.
Figure 2.7 Modèle d‟un réseau électrique à 2 jeux de barres
Où, Vs et Vr sont les tensions d'extrémité de départ et d‟arrivé, respectivement.
δs et δr sont l'angle de phase aux jeux de barres émetteurs et récepteurs.
Z est l'impédance de la ligne.
R est la résistance de la ligne.
X est la réactance de la ligne.
θ Angle de l'impédance.
Qr est la puissance réactive au jeu de barres d‟arrivé.
Pr est la puissance active au jeu de barres d‟arrivé.
L‟indice de stabilité de ligne Lmn proposé par Mogavimi [34] est basé sur le concept de flux
de puissance à travers une seule ligne.
A partir des équations d‟écoulement de puissance :

2
Vs Vr Vr
Sr      s   r    2.16
Z Z
Si cette équation est séparée en puissance active et réactive, alors :
37
2
V sV r Vr
Pr  c o s    s   r   cos  2.17
Z Z
2
V sV r Vr
Qr  s in     s   r   s in  2.18
Z Z
Définir   s r et résoudre l'équation pour 𝑉𝑟, alors :
    V s 
0 .5
2
V s s in     s in        4 Z Q r s in 
Vr  2.19
2 s in 
Si nous substituons Z sin   X et considérons la condition que la valeur de la racine carrée doit
être positive :
2
 V s s in        4 Q r X  0 2.20
Ou autrement :
4 XQr
Lmn  2
1 2.21
 V s s in      
Cet indice peut être utilisé pour calculer la marge de la stabilité de tension d‟un réseau
électrique, tant que Lmn est inférieur à 1 le réseau électrique est stable.
2.5.2 Identification et classement des jeux de barres critiques
Les indices de stabilité de tension sont très applicables pour analyser la stabilité de la
tension du réseau électrique. Ces indices sont les grandeurs scalaires qui sont mises en œuvre
pour observer les changements des paramètres du réseau électrique. En plus de cela, ces
indices sont également utilisés pour quantifier la distance du point de fonctionnement
particulier avec le point d'effondrement de la tension. Cependant, en utilisant l‟indice de
stabilité de la ligne pour déterminer et classer les jeux des barres les plus critiques dans le
réseau électrique. L‟identification des jeux des barres critiques peut mathématiquement être
formulée comme un problème d'optimisation non-linéaire, où l'objectif principal est la
détermination de l'emplacement optimal des sources de la puissance réactive. La fonction
objective, qui a été traitée à l'aide d'algorithmes MFO, inclue le coût du combustible et
l'indice de stabilité de la tension (Lmn). Le problème général d'optimisation peut être écrit sous
la forme suivante [83] :
NG NL
M in  f   fi  m  Lmn 2.22
i 1 i 1
38
Avec fi est le coût du combustible des générateurs, NG est le nombre de générateurs, NL

est le nombre de branches dans le réseau électrique. λm est un facteur de pénalité.
La courbe du coût du combustible est modélisée par la fonction quadratique comme :
f i  a i  b i PG i  c i PG i 2.23
2
Où PGi est la puissance active produite dans le ième générateur ; ai, bi et ci sont les facteurs
invariants.
Les pertes de puissance active sont exprimées à partir de l'équation du bilan de puissance
active comme suit :
PL o s s   PG i   PL j
2.24
i N G j N L
Les contraintes d'égalité et d'inégalité à satisfaire lors de la recherche de la solution

optimale peuvent s'écrire :

NB
 Pg i  Pd i  U i  U j  G ij c o s  ij  B ij s in  ij 
 j 1
 NB
2.25
Q  Q  U U j  G ij s in  ij  B ij c o s  ij 
i 
 gi di
 j 1
Les contraintes d'opération d'inégalité du système incluent :
 Pg i  Pg i
m in m ax
Pg i 2.26
 Q gi  Q gi
m in m ax
Q gi 2.27
V V
m in m ax
V i i i
2.28
Où, NB est le nombre de jeu des barres, Pgi et Qgi sont les puissances active et réactive des
générations à ith jeu de barres, Pi et Qi sont les puissances active et réactive injectées à ith jeu
de barres, δij est la déférence entre les angles de tension aux jeux des barres i et j.
La mise en œuvre de l'algorithme d'optimisation MFO dans l'identification des

emplacements critiques peut être résumée par l‟organigramme présenté dans la Figure 2.8.
Etape1 : Lire les données du réseau électrique (données des jeux des barres, des lignes et
générateurs) ;
Etape 2 : Définir les valeurs des paramètres MFO tels que :
 Le nombre de Moths ;
39
 Le nombre maximum d'itérations ;
 Le nombre de variables ;
 Les bornes supérieure et inférieure des variables (les puissances actives des
générateurs et l'emplacement de la source de puissance réactive). Les
emplacements candidats sont dans la plage [1 Nlb], où Nlb est le nombre de jeu
de barres de charge dans le réseau électrique.
Etape 3: Initialisation de la position des Moths et le nombre de flammes ;
Etape 4: Mettre à jour le nombre de flammes ;
Etape 5: Entrer les positions des Moths dans le programme de l‟écoulement de puissance et
calculer la valeur de fitness de chaque Moth ;
Etape 6: la population de Moths ayant les valeurs de fitness optimales sera sélectionnée
comme flamme ;
Etape 7: mettre à jour la position du Moth par rapport à la flamme correspondante ;
Etape 8: obtenir de la meilleure valeur de Moths et de fitness ;
Etape 9: si le critère d'arrêt est atteint, passer à l'étape 10. Sinon, répéter les étapes de 4 à 9 ;
Etape 10: le meilleur Moth y compris la meilleure valeur de fitness a été sélectionnés, en
permettant l‟obtention du meilleur emplacement de compensation de la puissance réactive.
40
Figure 2.8 Organigramme d‟identification des jeux des barres critiques par la méthode MFO
Les grandeurs de la tension telle que les amplitudes et les angles extraites des jeux de
barres critiques du réseau électrique sont prisent comme variables d'entrée pour
l‟apprentissage et le test de notre modèle hybride ANFIS-MFO. Alors que les valeurs
41
maximales correspondantes de l'indice de stabilité Lmn sont considérées comme des variables
de sortie du modèle.
2.5.3 Apprentissage du modèle hybride ANFIS - MFO
La méthode incorpore ANFIS et l'algorithme d'optimisation MFO est proposé pour

l‟évaluation en ligne de la stabilité de tension du réseau électrique. Cette évaluation en ligne
nécessite de :
- Limiter les temps de calculs des algorithmes utilisés ;
- Limiter le nombre de grandeurs à mesurer ;
- Garantir une précision suffisante des algorithmes utilisés.
Dans cette méthode, la technique d‟optimisation MFO est utilisée pour déterminer la
valeur optimale des paramètres de l‟algorithme SC du modèle ANFIS. Ces paramètres sont :
„accept ratio‟, „reject ratio‟, „cluster radius‟ et „squash factor‟, dont les valeurs doivent être
déterminées à l'avance pour que l‟algorithme nous fournit une mesure fiable de leur potentiel
de performance, et avec un temps d‟exécution assez réduit. La performance du modèle ANFIS
est très sensible au paramètre „cluster radius‟ alors que le reste des paramètres n'ont pas une
grande influence [84].
2.5.4 Evaluation de la performance du modèle hybride ANFIS-MFO
Afin de mesuré les performances du modèle hybride ANFIS-MFO proposé, la différence

entre les valeurs de sortie prédites et réelles a été évaluée en fonction du coefficient de
corrélation R (correlation coefficient), de l'erreur quadratique moyenne (root mean square
error RMSE) et de l'erreur absolue moyenne en pourcent (mean absolute percentage error
MAPE). Ces coefficients sont représentés par les équations suivantes [85]:
a P 
n
 i 1 i
 a i
 P
R 
2
2.29
    
n 2 n
 i 1
ai  a
i 1
Pi  P
n
1
 a 
2
RM SE  i
 pi 2.30
n i 1
100 n ai  pi
M APE   i 1
2.31
n ai
Différentes gammes de RMSE peuvent être définies pour déterminer la précision du modèle
utilisé [16] :
42
- Précision excellente pour une gamme de MAPE <10%;

- Précision bonne pour une gamme de 10% < MAPE <20%;
- Précision raisonnable pour une gamme de 20% < MAPE <30%;
- Précision faible pour une gamme de MAPE > 30%.
2.6 Conclusion
Dans ce chapitre, nous avons introduit une méthodologie permettant d‟évaluer en ligne la
stabilité de tension des réseaux électriques. Cette méthodologie s‟appuie sur l‟utilisation d‟un
système d‟inférence neuro-floue adaptatif. Ce système d‟inférence adaptatif est très
performant et largement utilisé dans les réalisations pratiques. Donc l'objectif est de
développer un système hybride combinant l‟ANFIS et l‟algorithme d‟optimisation méta-
heuristique MFO pour l‟évaluation en ligne de la stabilité de tension. La technique
d‟optimisation MFO est utilisée pour déterminer la valeur optimale du paramètre „cluster
radius‟ de l‟ANFIS afin d'obtenir une meilleure précision. Le modèle ANFIS-MFO développé
utilisait les amplitudes des tensions et leurs phases obtenues à partir des jeux de barres
critiques du réseau comme variables d'entrée alors que l'indice Lmn comme vecteur de sortie.
43
Chapitre 3 Intégrations des éoliennes dans le réseau électrique
Chapitre 3 : Intégrations des éoliennes dans le réseau

électrique
3.1 Introduction
Le domaine des énergies renouvelables est en plein développement dans le monde, c'est
un secteur qui connaît une croissance très rapide ces dernières années. Cette croissance est
due à plusieurs raisons sociales et environnementales à savoir la contribution au renforcement
de la sécurité énergétique, la réduction des émissions de gaz à effet de serre, la participation à
la protection de l’environnement et la création des emplois. L’énergie éolienne est l’une de
ces énergies qu’est en plein développement dans le monde, c'est un secteur qui connaît une
croissance très rapide ces dernières années. Cette croissance est la plus forte de tous les modes
de production d'énergie électrique.
Dans ce chapitre, après avoir brièvement présenté des généralités sur les énergies
renouvelables on y présente le principe de fonctionnement des générateurs éoliens et le
modèle mathématique associé, ainsi que l’impact de l’insertion de ce type de générateurs sur
l’environnement et le cout de production.
3.2 Les énergies renouvelables
Le monde d’aujourd’hui a connu une transformation fondamentale du domaine des

systèmes de production de l’électricité, qui est la dérégulation du marché de l’électricité. Les
raisons de cette dérégulation sont variées et multiples selon les pays. Cependant une de ces
conséquences est l'apparition de nouveaux moyens de production nommés les énergies
renouvelables au sein des réseaux électriques existants.
Les énergies renouvelables sont des sources d’énergie inépuisable, disponibles à volonté,
diverses et variées. Grâce à ces énergies peu polluantes, on peut envisager un système
de production énergétique prolifique qui possède de nombreux avantages. Elles sont plus
propres, plus respectueuses de la nature que les énergies fossiles et fissiles,
écologiques, disponibles en masse autour du globe et sont gratuites une fois les installations
de production rentabilisées [86].
44
3.3 Type des énergies renouvelables
Les énergies renouvelables sont diverses et variées, allant du solaire à l’éolien, géothermie,
biomasse, et hydroélectrique.
3.3.1 Energie biomasse
Le terme, Biomasse, désigne l'ensemble de la matière organique d'origine végétale ou

animale (bois, déchets végétaux, algues) pouvant devenir source d'énergie par combustion.
La biomasse constitue parmi les premières sources d'énergies renouvelables produites en
Europe devant l'énergie hydraulique, éolienne et géothermique. Cette énergie permet de
fabriquer de l'électricité grâce à la chaleur dégagée par la combustion de ces matières ou du
biogaz issu de la fermentation de ces matières, dans des centrales biomasses. Elle rejette des
gaz à effet de serre mais qui sont toutefois absorbés naturellement par les arbres. Cependant,
elle pourra procurer l’énergie la moins chère et surtout la plus locale du marché [87].
3.3.2 Energie solaire
L'énergie solaire est une source d'énergie qui dépend du soleil. Cette énergie permet de
fabriquer de l'électricité à partir de panneaux photovoltaïques ou des centrales solaires
thermiques, grâce à la lumière du soleil captée. Le solaire peut être exploité à grande échelle
dans des parcs prévus à cet effet ou à petite échelle chez les particuliers. Cette énergie est
propre, n'émet aucun gaz à effet de serre et sa matière première, gratuite, inépuisable et
disponible partout dans le monde [87].
3.3.3 Energie hydroélectrique
L'énergie hydroélectrique est une énergie qui utilise l'énergie hydraulique pour produire
de l'électricité grâce à une turbine hydroélectrique. Celle-ci convertit l'énergie mécanique de
l'eau en mouvement (chute d'eau, cours d'eau, courant). Elle produit donc de l'électricité de
manière renouvelable et en émettant très peu de gaz à effet de serre. Ce n'est pas tout à fait
une énergie durable, puisqu'elle implique le plus souvent la création d'un barrage, donc d’un
obstacle à la circulation des espèces, des sédiments et des embarcations [87].
3.3.4 Energie éolienne
L’énergie éolienne, sans conteste est l’énergie propre par excellence. Sans rejet ni déchet
d’aucune sorte, elle permet avec un bon coefficient de performance d’assurer une
bonne indépendance énergétique. Sur terre ou off-shore, les éoliennes démontrent
d’excellentes capacités de production et sont des alternatives viables pour les territoires les
45
plus reculés dont l’accès à l’électricité est difficile [88]. Dans notre travail, on s’intéresse à ce
type d’énergie renouvelable.
3.4 Historique de l’énergie éolienne
L'énergie éolienne a été utilisée pour fournir un travail mécanique, la plus ancienne
utilisation de l'énergie éolienne est la marine à voile, des indices permettent de penser qu'elle
aurait été employée en mer Égée dès le XIe millénaire avant J-C. À la fin du 18 siècle, à la
veille de la révolution industrielle, la quasi-totalité des besoins d'énergie de l'humanité était
assurée par des énergies renouvelables, et l'énergie éolienne avait une part importante dans le
bilan énergétique. Depuis les années 1990, l'amélioration technologique des éoliennes a
permis de construire des aérogénérateurs de plus de 5 MW et le développement d'éoliennes
de 10 MW est en cours. Les subventions accordées par des gouvernements ont permis leur
développement dans un grand nombre de pays. Ces éoliennes servent aujourd'hui à produire
du courant alternatif pour les réseaux électriques, au même titre qu'une centrale thermique. La
production a connu une grande évolution mondiale dans le domaine de l’électricité des
dernières décennies, la Figure 3.1 représente la croissance de cette évolution.
Figure 3.1 Evolution de la puissance du parc éolien mondial
Cette statistique représente le total de la puissance éolienne cumulée dans le monde de

1995 à 2017, en mégawatts. Durant cette période, la puissance éolienne mondiale a été
multipliée par 100, de moins de 5.000 MW en 1995, à plus de 500.000 MW de puissance
estimée en 2017.
Grâce aux progrès technologiques et au déploiement massif des filières éoliennes au plan
mondial, sont coût de production est dans une dynamique de réduction continue. Il est
maintenant proche, voire inférieur dans certains contextes au coût de production du nucléaire
46
ou des centrales fossiles. D’après Wittenstein and Rothwell [89] le coût d’investissement
d’une éolienne terrestre peut être évalué à hauteur de 1500 €/kWh, celui d’une éolienne en
mer à environ 4500 €/kWh, le coût de production électrique le plus bas enregistré dans le
monde pour l’éolien terrestre est d’environ 25 €/MWh en Maroc.
3.4.1 Type des énergies éoliennes
En effet, il existe une grande diversité d’éoliennes. Elles diffèrent de par leurs formes,
leurs tailles ou selon la vitesse de rotation ou encore de leurs puissance nominale [88]. Selon
l’axe de rotation du rotor peut être soit horizontal, soit vertical. Ensuite, de nombreuses
variantes existent selon la forme des pales. Voyons les principales formes utilisées.
3.4.1.1 Eoliennes à axe horizontal
Les éoliennes à axe horizontal sont les plus connues pour des raisons de stabilité de la
structure. Elles sont composées de pales dont le nombre peut être très variable. Pour la
fabrication d’électricité, on retrouve plus fréquemment des modèles à 3 pales et pour le
pompage des modèles à quelque dizaines de pales. Les éoliennes à axe horizontal doivent
s’orienter face au vent (ou dos au vent) pour fonctionner, cela est réalisé soit par un safran
(effet girouette), soit à l’aide de capteurs qui identifient le sens du vent et d’un moteur qui
orientera l’éolienne. Une des caractéristiques importantes des éoliennes est leur puissance
électrique nominale. La production réelle d'énergie électrique est en fonction de la distribution
statistique de la vitesse du vent sur le site. La hauteur totale de ces éoliennes varie entre 25 et
180m pour une puissance qui va de 100 KW à 5 MW. Pour des raisons de sécurité, il est
nécessaire l’immobiliser lorsque le vent est très fort.
Figure 3.2 Eolienne à axe horizontal
47
3.4.1.2 Eoliennes à axe vertical
Sont des éoliennes dont l'axe est perpendiculaire à la direction du vent. L'axe est souvent
positionné à la verticale, mais des éoliennes de ce type peuvent aussi être positionnées à
l'horizontale. Ce type d'éoliennes se décline suivant plusieurs principes, et sont plus onéreuses
que les éoliennes à axe horizontal et de conception plus complexes mais s'adaptent plus
facilement à des zones de vent irrégulier. Une éolienne à axe vertical est surtout utile dans les
endroits où il n'y a pas beaucoup de place (en ville, ou sur le toit d'un immeuble par exemple).
Figure 3.3 Eolienne à axe vertical
Selon la vitesse de rotation, les éoliennes sont classifiées en deux classes. Eolienne à
vitesse fixe donnée pour une plage restreinte de vitesses de vent, ses applications sont donc
limitées. Eolienne à vitesse variable menée d’un générateur à fréquence fixe et vitesse
variable, permet de fonctionner pour une large gamme de vents donc de récupérer un
maximum de puissance tout en réduisant les nuisances sonores lors d'un fonctionnement à
faible vitesse de vent. En vitesse variable, on régule le système de façon à ce que pour chaque
vitesse de vent, l'éolienne fonctionne à puissance maximale. C'est ce qu'on appelle
le Maximum Power Point Tracking.
Selon la puissance nominale, c’est l’énergie que peut produire cette éolienne par unité de
temps dans des conditions optimales de fonctionnement. L’éolienne est classée en trois
catégories selon sa puissance nominale montrée dans le tableau suivant [88] :
48
Tableau 3.1 Classification des turbines éoliennes
Echelle Diamètre de l’Ellice Puissance Délivrée
Petite Moins de 12 m Moins de 40 Kw
Moyenne 12 m à 45 m De 40 kW à 999kW
Grande Plus de 46 m 1 MW et plus
L'évolution de la hauteur du mât et du diamètre du rotor ont conduit à une augmentation

de la puissance des machines et de leur production. Ainsi les éoliennes installées sont passées
d’une puissance moyenne de 1 MW dans la première partie des années 2000 à plus de 5 MW
en 2017.
3.4.2 Constitution des éoliennes
Le vocabulaire le plus souvent utilisé pour décrire une éolienne retient principalement
quatre sous-ensembles [88]:
 La tour, composée du mât, du système de commande électrique et du

transformateur. Généralement de forme conique, le mât supporte la nacelle, il
mesure entre 50 et 130 m de haut et a un diamètre à son pied compris entre 4 et 7
m. Une ouverture en bas du mât permet d’accéder aux différents équipements de
l’éolienne ;
 La nacelle, située au sommet du mât abrite le générateur qui transforme l’énergie
mécanique du vent en énergie électrique. La nacelle s’oriente de manière

autonome en fonction de la direction du vent. L’accès à la nacelle se fait par une
échelle ou un monte-charge situé à l’intérieur du mât ;
 La turbine, partie rotative de l’éolienne placée en hauteur afin de capter des vents
forts et réguliers. Elle est composée de pales (en général trois) en matériau
composite qui sont mises en mouvement par l’énergie cinétique du vent. Reliées
par un moyeu, ces dernières peuvent en moyenne mesurer chacune 25 à 60 m de
long et tourner à une vitesse de 5 à 25 tours par minute ;
 La base souvent circulaire et en béton armé dans le cas des éoliennes terrestre, qui
permet de maintenir la structure globale ;
49
Figure 3.4 Constitution des éoliennes [88]
3.5 Transformation de l’énergie éolienne
L'énergie éolienne est une forme indirecte de l'énergie solaire. L’absorption du

rayonnement solaire dans l’atmosphère engendre des différences de température et de
pression qui mettent les masses d’air en mouvement, et créent le vent. Les pales permettent
de transformer l’énergie cinétique du vent en énergie mécanique (mouvement mécanique des
pales). Le vent fait tourner les pales entre 10 et 25 tours par minute. Le générateur transforme
l’énergie mécanique en énergie électrique. La plupart des générateurs ont besoin de tourner à
grande vitesse (de 1 000 à 2 000 tours par minute) pour produire de l’électricité. Il faut donc
d’abord que l’énergie mécanique des pales passe par un multiplicateur qui a pour rôle
d’accélérer le mouvement lent des pales. L’électricité produite par le générateur ne pouvant
pas être utilisée directement, elle est traitée grâce à un convertisseur [90]. Elle est
alors injectée dans le réseau électrique et peut être distribuée aux consommateurs comme le
représente la Figure 3.5.
Figure 3.5 Conversion de l'énergie éolienne en énergie électrique [90]
50
3.5.1 Technologie de l’éolienne
Le vent, à la source de cette transformation d’énergie, actionne les pales qui font tourner le
générateur, ce dernier produit de l’électricité. L’électricité est ensuite conduite au réseau
collecteur, situé dans la tour de l’éolienne vers un poste d’interconnexion pour être convertie
et acheminée au réseau local ou directement au réseau national. Différents types de machines
électriques peuvent être utilisés pour la génération de puissance éolienne. Des facteurs
techniques et économiques fixent le type de machine pour chaque application. Pour les petites
puissances (< 20 kW), la simplicité et le coût réduit des générateurs synchrones à aimants
permanents expliquent leur prédominance. Dans les applications de plus forte puissance, plus
de 2 MW, le générateur asynchrone est plus courant et économique [91].
3.5.1.1 Génératrice asynchrone
La génératrice asynchrone est largement utilisée dans les turbines éoliennes de moyenne
et grande puissance en raison de sa robustesse, sa simplicité mécanique et son coût réduit. Son
inconvénient majeur est la consommation d’un courant réactif de magnétisation au stator [91].
 Générateur asynchrone à cage d’écureuil
Jusqu’à présent le générateur asynchrone à cage d’écureuil correspond au choix

prépondérant de par sa simplicité, son bon rendement et une maintenance réduite.
La demande de puissance réactive est compensée par la connexion d’un groupe de
condensateurs en parallèle avec le générateur, ou par la mise en œuvre d’un
convertisseur statique de puissance comme le montre la Figure 3.6.
Figure 3.6 système de conversion éolien avec générateur asynchrone à cage d’écureuil
 Générateur asynchrone double alimenté (MADA)
La Machine Asynchrone Doublement Alimentée (MADA) a suscité un intérêt

particulier surtout en tant que génératrice dans le domaine de l’énergie éolienne.
C’est l’une des configurations en forte croissance dans le marché des turbines
51
éoliennes. Celui-ci est un générateur asynchrone dont le stator est directement

couplé au réseau à travers une interface composée de deux convertisseurs
statiques, et dont le rotor est connecté à un convertisseur de type source de tension,
qui fait office de variateur de fréquence. La double alimentation fait référence à la
tension du stator prélevée au réseau et à la tension du rotor fournie par le
convertisseur. Ce système permet un fonctionnement à vitesse variable sur une
plage spécifique de fonctionnement. Le convertisseur compense la différence des
fréquences mécanique et électrique par l’injection d’un courant à fréquence
variable au rotor.
Figure 3.7 Système de conversion éolienne avec Générateur Asynchrone double alimenté
Les points forts de la MADA sont :
 Sa capacité de commander la puissance réactive et, de cette façon, de découpler

la commande des puissances active et réactive.
 Il peut se magnétiser à partir du rotor sans prélever au réseau la puissance
réactive nécessaire.
 Il est capable d’échanger de la puissance réactive avec le réseau pour faire la
commande de tension.
 La taille du convertisseur n’est pas simplement en rapport avec la puissance
totale du générateur, mais aussi avec la gamme de vitesse choisie. En fait, le coût
du convertisseur augmente avec la gamme de vitesse autour de la vitesse de
synchronisme. Son inconvénient réside dans la présence obligatoire de bagues et
balais.
3.5.1.2 Générateur synchrone
L’avantage du générateur synchrone sur le générateur asynchrone est l’absence de courant

réactif de magnétisation. Le champ magnétique du générateur synchrone peut être obtenu par
52
des aimants ou par un bobinage d’excitation conventionnel. Si le générateur possède un

nombre suffisant de pôles, il peut s’utiliser pour les applications d’entraînement direct qui ne
nécessitent pas de boite de vitesses (multiplicateur). Le générateur synchrone est toutefois
mieux adapté à la connexion indirecte au réseau de puissance à travers un convertisseur
statique, lequel permet un fonctionnement à vitesse variable. Pour des unités de petites tailles,
le générateur à aimants permanents est plus simple est moins coûteux. Au-delà de 20 kW
(environ), le générateur synchrone est plus coûteux et complexe qu’un générateur asynchrone
de taille équivalente [91].
Figure 3.8 Système de conversion éolienne avec générateur synchrone
 Générateur synchrone à rotor bobiné
La connexion directe au réseau de puissance implique que le générateur

synchrone tourne à vitesse constante, laquelle est fixée par la fréquence du
réseau et le nombre de pôles de la machine. L’excitation est fournie par le
système de bagues et balais ou par un système Brushless avec un redresseur
tournant. La mise en œuvre d’un convertisseur dans un système multipolaire
sans engrenages permet un entraînement direct à vitesse variable. Toutefois,
cette solution implique l’utilisation d’un générateur surdimensionné et d’un
convertisseur de puissance dimensionné pour la puissance totale du système.
 Générateur synchrone à aimants permanents
La caractéristique d’auto excitation de ce générateur lui permet de fonctionner

avec un facteur de puissance élevé et un bon rendement, ce qui le rend propice
à l’application à des systèmes de génération éolienne. En fait, dans la
catégorie des petites turbines, son coût réduit et sa simplicité en font le
générateur le plus employé. Cependant, dans les applications de plus grande
53
puissance, les aimants et le convertisseur (lequel doit faire transiter toute la

puissance générée), en font le moins compétitif.
Il existe d’autres générateurs éoliens qui sont encore au stade du développement et du test,
chacun a ses avantages et ses inconvénients comme [91] :
- Générateur éolien « haute tension » son raccordement au réseau est une solution en
cours d’évaluation. Cela permettrait, de diminuer les pertes par effet joule en éliminant
le transformateur. C’est aussi au niveau de l’onduleur que cela peut être intéressant
avec des IGBT haute tension. Dans cette optique, les machines synchrones et à
induction sont des options intéressantes pour des turbines éoliennes de plus de 3 MW.
Cependant, leur coût élevé, des problèmes de sécurité et de durée de vie limitent leur
commercialisation.
- Générateur à réluctance commutée est caractérisés par sa robustesse, une structure
simple, un rendement élevé, des coûts réduits et la possibilité de fonctionner sans boite
d’engrenages. Toutefois, son adaptation aux turbines éoliennes n’a pas été étudiée en
détail.
- Générateur à flux transversal son utilisation est aussi à l’étude. Il s’agit d’une option
intéressante, encore peu évoquée pour une application aux systèmes de génération
éolienne. Cependant, le nombre de composants nécessaires et une technologie encore à
ses débuts en limitent son application.
3.5.2 Modèle du système de conversion éolien
Le système éolien sert à convertir l’énergie mécanique de vent en énergie électrique, les
facteurs définissent le rapport entre ces deux énergies sont, la densité de l'air, la surface
balayée par le rotor et la vitesse du vent [92].
La puissance mécanique Pt qu’une turbine éolienne peut extraire d’une masse d’air traversant
la surface balayée par son rotor démontré par Betz est:
1
Pt    A C p  v3 3.1
2
ρ : est la densité de l’air (Kg/m3)
A : est la surface balayée par le rotor de l’éolienne (m2)
v : est la vitesse du vent (m/s)
Cp : est le coefficient de puissance de la turbine
54
Le Cp dépend du rapport de vitesses λ. Il est caractérisé par les propriétés de la turbine

éolienne.
R
TSR    3.2
v
La caractéristique non linéaire du coefficient de puissance Cp peut s’approximer soit par une
fonction polynomiale, soit par une fonction rationnelle décriée par l’équation suivante.
G   0   
C P   
a 2  0   
2
3.3
Cette forme proposée dans l’équation 3.3 a l’avantage de montrer de façon explicite des
informations telles que λ maximal pour un Cp positif, λ0 et la valeur approximative du λ
optimal pour Cp maximal  *
 0  a . Une simple régression de moindres carrés peut s’utiliser
pour ajuster les coefficients G et a.
La puissance maximale pouvant être recueillie est égale la limite de Betz
16
Pm a x   P  0 .5 9 3 Pt 3.4
27
Pour adapter la vitesse de rotation relativement lente de la turbine éolienne à celle du

générateur, une boite d’engrenage (boite de vitesses) peut s’utiliser. Pour des raisons de
simplicité, l’équation 3.5 est utilisée comme modèle de ce système de transmission mécanique
dans laquelle M représente le rapport de transformation (ou transmission) de la boite, Ω est la
vitesse de rotation de l’arbre lent de la turbine éolienne et ΩG celle de la machine électrique.
 G  M  3.5
La vitesse de rotation de l’arbre du générateur et la vitesse du champ électromagnétique ѡ

(fréquence ou pulsation électrique) sont liées par une relation faisant intervenir le nombre de
paires de pôles de la machine p    p  G  . Comme expliqué par l'équation 3.1, l'énergie
disponible dans le vent varie avec le cube de la vitesse du vent. Ainsi, une augmentation de
10% de la vitesse du vent entraînera une augmentation de 30% de l'énergie disponible. La
courbe de puissance d'une éolienne suit cette relation entre la vitesse du vent à
l'enclenchement (la vitesse à laquelle l'éolienne commence à fonctionner) et la capacité
nominale, approximativement montrée sur la Figure 3.9. L'éolienne atteint généralement la
capacité nominale à une vitesse du vent entre 12 à 16 m/s.
55
Figure 3.9 Système de conversion éolienne avec générateur synchrone
3.5.3 Eoliennes à grande puissance
Ces dernières années, la conception des éoliennes s’est orientée vers la conception des
prototypes d’éolienne qui dépasse le 1 MW. Cette tendance s’est concrétisée avec la
conception et l’installation de plusieurs prototypes d’éoliennes à savoir l’E112 d’Enercon
(4,5 MW), la M5000 de RE power et Multibrid (5 MW) et l’E126 d’Enercon (6 MW) en
2007. Le Tableau 3.2 montre quelques éoliennes disponibles ou en cours de
développement de grande puissance, destinées principalement aux applications offshores
(le prototype de 10 MW fabriqué par Clipper Wind Power va être utilisé dans les fermes
offshores au Royaume Uni. Comme l'illustre le Tableau, les prototypes de 6 MW sont déjà
disponibles dans le marché, alors que des modèles de 10 MW vont être commercialisés
dans un futur proche [91].
Tableau 3.2 Eoliennes de grande puissance pour les applications offshore
Puissance nominale Générateur Fabriquant

10 MW MADA Windtec
10 MW MADA Clipper
7.5 MW MS Enercon
6 MW MS Enercon
5 MW MASP Areva
5 MW MASP Windtec
5 MW MASP Xeme-cDarwind
3.5.4 Régulation de puissance éolienne
La production d'énergie d'une éolienne dépend du vent qui n'est pas régulier. Une éolienne
doit donc posséder des régulateurs de vitesse pour éviter la destruction de l'aéromoteur
lorsque le vent est trop violent. Il est nécessaire d'équiper l'éolienne d'un système permettant
de diminuer les contraintes mécaniques sur la machine en cas de survitesse du rotor. Ces
systèmes peuvent être plus ou moins fins, et plus ou moins automatiques. La plupart des
56
accidents survenus sur un aérogénérateur sont la cause d'un sous-freinage de ces machines.
On cherche donc à installer sur une éolienne des systèmes de freinage afin de protéger
le générateur électrique contre la surproduction et la surchauffe et d'éviter une casse
mécanique importante de l'éolienne elle-même [90].
3.6 Impact de l’intégration des éoliennes au réseau électriques
La croissance de l’intégration des énergies éoliennes dans les réseaux électriques a

entraîné de nombreux problèmes pour la gestion du réseau électrique en raison de la nature
variable de la ressource éolienne [93].
3.6.1 Impact sur l’environnement
La demande mondiale d’énergie primaire a plus que doublé entre 1971 et 2010 et devrait
augmenter encore de 40 % d’ici 2020. Ceci explique pourquoi les émissions de gaz à effet de
serre ne cesse a augmentés. Pour autant, les pays cherchent toujours, dans le cadre de la lutte
contre le réchauffement climatique des nouvelles technologies dans le but de, de réduire les
émissions de gaz à effet de serre. Les objectifs de l’Europe pour 2020 de réduire de 20% les
émissions par rapport à 1990 et d’atteindre une part de 20% d’énergies renouvelables dans la
consommation globale d’énergie. En effet l’énergie éolienne ne génère ni déchet, ni gaz à
effet de serre [93].
3.6.2 Impact sur le fonctionnement et la production
Les gestionnaires des réseaux électriques doivent faire appel aux services de régulation et
de protection pour faire face à la variabilité et l’incertitude de la production éolienne.
L’impact de cette production est lié à la planification et l’infrastructure du réseau, ainsi qu’à
l’intégration des nouvelles sources de production. La puissance active produite par la ferme
ne doit pas dépasser un niveau maximum prédéfini. Car la ferme est contrôlée pour fournir
son maximum de puissance. La raison principale sollicitant ce mode de contrôle par le
gestionnaire de réseau est d’éviter de payer le surplus de puissance au producteur éolien
lorsqu’il n’y a pas assez de consommation. Sinon, le gestionnaire doit exporter l’excès de
puissance aux réseaux électriques voisins gratuitement [93].
57
3.6.3 Impact sur le profil de tension
Le maintien de la tension dans chaque point dans le réseau électrique est un problème local
lié à la puissance réactive. Un manque de cette puissance introduit des chutes de tension dans
le réseau électrique. Donc il est nécessaire de limiter les échanges de puissance réactive entre
le point de raccordement et le réseau. Les fermes éoliennes à base de MADA peuvent
aisément contrôler la puissance réactive produite au réseau électrique [93, 94].
3.6.4 Impact sur la fréquence
La fréquence est un paramètre global qui est identique sur tout le réseau. Sa valeur doit
rester comprise dans des limites de variation très petite afin de garantir un fonctionnement
stable et optimal du matériel électrique connecté sur le réseau électrique. Le réglage de la
fréquence se traduit par l’équilibre entre la production et la consommation de la puissance
active. Les fermes éoliennes connectées au réseau électrique sont contrôlées soit pour fournir
leur maximum de puissance au réseau, ou pour fournir une puissance active prédéterminée par
le gestionnaire de réseau et satisfaire ainsi la puissance réactive demandée. Un déséquilibre
entre la puissance consommée et celle produite provoque de graves problèmes tels que la
chute de fréquence. Les faibles variations de la fréquence, seront compensées par l’énergie
cinétique des machines connectées au réseau [91, 94].
3.6.5 Impact sur le coût de production
Le secteur éolien est en pleine mutation. Bien qu’il existe encore de nombreux projets de
faible taille appartenant à des investisseurs privés, on observe une évolution vers des projets à
plus grande échelle appartenant à des prestataires de services. Ce changement apporte de
nouveaux capitaux à l’industrie, et réduit la dépendance à l’égard des banques pour les
premières mises de fonds. Les éoliennes de grande taille permettent de réduire les coûts et
d’accroître la productivité énergétique. La taille des projets s’accroît, et l’activité offshore à
grande échelle est en plein décollage ; étant donné que les banques favorisent les gros projets,
ce changement est bénéfique. Si le contexte économique global venait à se dégrader, le
financement des projets pourrait en pâtir, mais la vigueur du soutien apporté à l’énergie
renouvelable par les milieux politiques et écologiques fait que le financement de l’énergie
éolienne reste considérée comme une option très attractive. À mesure que la taille de
l’éolienne augmente, les coûts par unité de surface du rotor diminuent, le nombre d’éoliennes
nécessaires pour une quantité d’énergie donnée diminue, et les coûts de transport, de
construction et de câblage diminuent [91].
58
Dans un certain nombre de pays, la part de l’énergie éolienne dans la production totale
d’électricité augmente. Ce phénomène se constate particulièrement au Danemark, en
Angleterre et en Allemagne, où la contribution apportée par l’énergie éolienne à l'offre totale
d’électricité représente respectivement 21, 12 et 7%. Dans ces exemples l’énergie éolienne
devient un acteur important du marché de l'électricité, et elle peut avoir une influence
significative sur les prix de l'électricité. En raison du très faible coût marginal de l'énergie
éolienne (dû au coût nul du combustible), son incidence sur la courbe de l’offre est faible,
d'où des prix de l'énergie plus bas, l'ampleur de la baisse des prix dépendant de l'élasticité des
prix de la demande en électricité [91]. Le Tableau 3.3 présente des données des exemples de
parcs éoliens terrestre et offshore [62].
Tableau 3.3 Exemples de parcs éoliens terrestre et offshore

Type de l’éolienne Parc Terrestre Parc Offshore
Nom du projet Hagshaw Hill Greater Gabbart
Localisation Sud de Glasgow (Ecosse) Harwich (Angleterre)
Eoliennes 26 de 600 KW chacune 140 de 3.6 MW chacune
Puissance totale 15.6 MW 504 MW
Dimension des éoliennes Hauteur du moyeu : 35 m Hauteur : 78 m
Diamètre du rotor : 41 m Diamètre du rotor : 107 m
Production énergétique annuelle 57 GW 1750 GW
3.7 Coût de production de l’électricité d’origine éolienne
Le coût du kilowattheure (kWh) d’origine éolien est souvent exprimé par le paramètre
LCOE (Levelized Cost of Electricity). Le LCOE est le coût actualisé du kWh pour toute la
durée de vie des installations. Il est égal au quotient de la valeur actualisée du parc éolien
(Present Value of Costs, PVC) par l’énergie produite durant toute la durée de vie du parc
éolien. Les principaux paramètres qui influent sur le PVC sont les coûts d’investissements, les
coûts de fonctionnement et de maintenance, la durée de vie des éoliennes, le taux
d’amortissement des investissements et le taux d’inflation. Les coûts d’investissements
comprennent principalement les coûts d’acquisition des éoliennes et de leur transport sur site,
les frais d’étude du projet, les frais de Génie Civil, les frais d’installation des éoliennes et des
transformateurs, les frais de réalisation du réseau électrique interne à la ferme ainsi que les
frais de raccordement au réseau. L’énergie électrique produite par un parc éolien durant sa
durée de vie est proportionnelle à la puissance nominale des éoliennes installées et à leur
coefficient d’utilisation CF (Capacity Factor). Ce coefficient CF varie principalement avec la
vitesse du vent moyenne disponible à la hauteur du mât de l’éolienne. Le Tableau 3.4
représente le classement des parcs éoliens en fonction du CF la vitesse du vent [93].
59
Tableau 3.4 Energie électrique totale produite par un parc éolien

V (m/s) CF(%) Classement des sites
6-7 28,4 Acceptable
7-8 33,5 Très bonne
8-9 38,6 Excellente
Plus de 9 43,6 Exceptionnelle
Il est à noter que ce tableau est applicable lorsque les vents sont fréquents, réguliers et
varient peu autour de ces vitesses moyennes. Le potentiel éolien disponible influe donc
également sur le coût de l’électricité produite par un parc éolien. Cependant, les coûts
d’acquisition des éoliennes varient avec leur puissance nominale et représentent plus de 70%
de l’investissement initial. Les frais de Génie Civil et autres frais sont évalués à 20% du coût
des éoliennes. Les coûts de fonctionnement et maintenance sont estimés à 25% du coût initial
d’investissement.
Sur la base des données du National Grid Company, 2013 [62], l’éolien terrestre coûte
entre 124 €/MWh si la vitesse de vent est de 6 m/s, et 55 €/MWh si la vitesse du vent est de
9,5 m/s. L’éolien en mer coûte entre 166 €/MWh si la vitesse de vent est de 7 m/s, et
seulement 92 €/MWh si la vitesse du vent est de 10 m/s. Les chiffres de l’Agence
internationale de l’Énergie (AIE) présentent des écarts plus importants entre 50-160 $/MWh à
terre et 150-340 $/MWh en mer. Selon toute probabilité, les certificats émis par le
gouvernement britannique reposeront sur un prix de 100 €/MWh pour l’éolien terrestre et 155
€/MWh pour l’éolien en mer. À titre de comparaison, selon l’AIE, les prix de l’électricité
produite dans les centrales à gaz se situent autour de 40 à 130 $/MWh, ceux de l’électricité
produite dans les centrales à charbon autour de 40 à 90 $/MW, et ceux de l’électricité
d’origine nucléaire pour une nouvelle centrale nucléaire britannique se négocierait autour de
95-97 $/MW.
En règle générale, lorsque l'énergie éolienne représente une part significative de l'offre
énergétique, le prix de l'électricité a des chances d'être plus bas pendant les périodes où le
vent souffle fort, et plus élevé pendant les périodes où le vent souffle plus rarement. Une
étude menée au Danemark montre que le prix à la consommation de l'énergie de 2004 à 2007
aurait été plus élevé d’environ 4 à 12% si l'énergie éolienne n'avait pas contribué à la
production d'électricité. Ainsi, bien que le coût de l'énergie éolienne soit encore élevé que les
avantages, une réduction significative des dépenses nettes est garantie grâce à un prix «spot»
moins élevé. Les coûts de production d’électricité d’origine éolienne sont aujourd’hui
pratiquement les mêmes que ceux de l’électricité produite par une centrale à turbine à gaz.
60
Le coût de la production d’électricité d'origine classique est déterminé par quatre facteurs
de coûts :
- Le combustible
- Les émissions de CO2
- Les coûts d'exploitation et de maintenance
- Le capital, y compris les études et les travaux relatifs au site
La mise en œuvre de l’énergie éolienne permet d'économiser les coûts de combustible et de

CO2, ainsi qu'une part considérable des coûts d'exploitation et de maintenance des centrales
électriques classiques. Le montant des coûts d’investissement évités dépend de la mesure dans
laquelle l'énergie éolienne permet de réorienter les investissements consacrés aux nouvelles
centrales électriques classiques, ceci dépendant de la façon dont les installations électriques
éoliennes sont intégrées au réseau électrique [64].
3.8 Conclusion
Dans ce chapitre, nous avons présenté des généralités sur la production de l’électricité à
partir des sources des énergies renouvelables, en particulier l’énergie éolienne. Ensuite nous
avons présenté le principe de fonctionnement des générateurs éoliens et le modèle
mathématique associé, ainsi que l’impact de l’intégration de ce type de d’énergie sur
l’environnement et le cout de production.
61
Chapitre 4 Ecoulement de puissance optimal tenant compte l’amélioration de stabilité
Chapitre 4 : Ecoulement de puissance optimal tenant

compte de l’amélioration de la stabilité de tension en
présence des énergies renouvelables
4.1 Introduction
La libéralisation du marché de l’électricité et la détérioration des combustibles fossiles ont

conduit les chercheurs à intégrer une nouvelle génération d’énergie appelée renouvelable.
L’énergie renouvelable en particulier l'éolienne, est la technologie la plus mature qui joue un
rôle important dans les réseaux électriques modernes, en raison de leur coût réduit et de leurs
avantages pour l'environnement [94]. Dans ce chapitre, le problème d’écoulement de
puissance optimale (OPF) avec la pénétration de la puissance éolienne doit être résolu. Ce
problème consiste à déterminer, sur les bases des demandes et les productions, un plan de
fonctionnement satisfaisant les contraintes liées au transport de la puissance tout en
minimisant le cout de production, les pertes en puissance, ainsi que l’amélioration de la marge
de la stabilité.
4.2 Marché de l’électricité
L’électricité possède plusieurs caractéristiques qui la diffèrent d’autres produits. Le

stockage de cette énergie est fortement restreintes, car les technologies de stockage existantes
(accumulateurs, condensateurs) ont des capacités limitées et ne permettent que le stockage
d’une quantité réduite. En conséquence, il devient impossible de créer des stocks importants
qui permettent de répondre immédiatement aux signaux donnés par le prix et d’assurer
l’approvisionnement en énergie en cas de panne (peut-être il faut parler sur le stockage
d’hydrogène une technologie nouvelle.). Ainsi que, la demande d’électricité est soumise aux
fortes variations journalières, hebdomadaires et saisonnières. De plus, étant donné que
l’électricité ne possède pas de substituts, sa demande est inélastique et difficilement
influençable à court terme par les changements du prix. Ces caractéristiques techniques de
l'électricité provoquent la nécessité de balancer constamment l'offre avec la demande. A
chaque instant, le moindre écart entre les deux entraînerait un déséquilibre dans le réseau
électrique. L’offre de l’énergie électrique est divisée entre la génération de l’énergie, le
transport et la distribution. Traditionnellement, le secteur de l'électricité ne comprenait que
ces trois parties. Récemment, la réforme du secteur énergétique rendre libre l'accès à
62
différents agents économiques et a encouragé l’émergence de fournisseurs de l’énergie aux

consommateurs finaux. De plus, pour assurer le fonctionnement fiable de cette réforme et la
sécurité du système, on trouve d'autres acteurs essentiels qui sont les gestionnaires du réseau
de transport et les autorités de régulation [96].
L'arrivée de nouveaux acteurs économiques sur le marché de l’électricité est censée être un
moyen de stimuler la concurrence pour développer l'innovation, améliorer la qualité de
service et faire baisser les prix. Ce changement était motivé par l’inefficacité de la structure
monopolistique et dans une certaine mesure par la perception changeant le rôle de la propriété
publique, de la concurrence et du marché. Le progrès technologique de son côté a rendu
possible la gestion des systèmes énergétiques de plus en plus complexes et la mise en place
des mécanismes nécessaires pour supporter la libéralisation effective du marché électrique.
Suite à cette libéralisation, le gestionnaire avait créé plusieurs modèles pour mieux gérer et
contrôler cette nouvelle réforme. Parmi ces modèles, les plus répandus sont le modèle Pool, et
le modèle Bilatéral [97].
4.2.1 Modèle POOL
Il s’agit d’un système où les intervenants soumettent leur offre ou leur demande en
électricité (prix et quantité d’énergie) à un marché d’échanges. Ce système est surtout utilisé
par les vendeurs et acheteurs de grandes quantités d’énergie (producteurs, entreprises de
transport et entreprises de marketing ou d’agrégation de la demande). Le négoce d’énergie
Pool gère en J-1 une bourse avec une procédure de confrontation entre des producteurs (offre)
et des consommateurs (demande) pour 24 produits définis heure par heure, ou 48 produits
définis demi-heure par demi-heure. Une fois la procédure achevée, le pool est l’unique
responsable d’équilibre du système devant le GRT, porteur d’une somme de programmes
contractuels de production équilibrant globalement à chaque heure la demande prévisionnelle.
Le modèle Pool a pour vocation d'apporter des solutions aux problèmes d'équilibre entre
production et consommation d'électricité. Le maintien du réseau électrique à une situation
d'équilibre et stable sera donc facilité à un moindre coût [97]. Le Royaume-Uni a choisi cette
nouvelle architecture qui a remplacé l’ancienne architecture, très centralisée, et connue sous le
nom « UK Pool ».
63
Ce processus peut être illustré par la Figure 4.1.
Figure 4.1 Modèle négoce d’énergie Pool
4.2.2 Modèle Bilatéral
Dans une structure de transactions bilatérales, Les opérations de vente ou d’achat

d’électricité sur un territoire donné peuvent se faire directement de « gré à gré » (bilatérales
ou par un courtier) entre les acteurs économiques ou en bourse par le biais de produits
structurés et standardisés. Les contrats bilatéraux s’inscrivent dans la continuité des échanges
entre compagnies d’électricité connexes, accompagnés de droits physiques de transit sur les
réseaux, et soumis à l’autorisation des dispatchers au vu des capacités de transport et
d’interconnexion disponibles. les bourses de l’électricité participent à assurer la formation de
prix de gros, transparents et publics, en faisant coïncider l’offre et la demande sur une
plateforme de négociation électronique sur laquelle ils entrent des ordres anonymes. Elles
garantissent la bonne fin des opérations en cas de défaillance d’une des parties. Dans l’Union
européenne, 43 % des volumes d’électricité consommés en 2012 ont fait l’objet au préalable
de transactions sur le marché de gros [97]. Cette structure favorise notamment :
- Une formation de prix qui reflète l’état de l’offre et de la demande, pouvant englober
plusieurs marchés.
- Une réduction des risques d’approvisionnement.
- La possibilité de faire émerger un mix énergétique : celui-ci nécessite une évolution
vers un signal à prix plus efficient afin de pouvoir arbitrer les sources d’énergie à
mobiliser et dans lesquelles faut investir.
64
La Figure 4.2 représente le modèle bilatéral.
Figure 4.2 Modèle négoce d’énergie Bilatéral
4.2.3 Marché de l’électricité libre en Algérie
La libéralisation du marché de l’électricité est un sujet hautement politique et qui ressort de

la compétence des autorités. La sécurité de l’approvisionnement est prise en compte au
moment de déterminer l’équilibre offre-demande et de décider, autoriser ou encourager la
production de l’électricité à partir de certaines sources énergétiques primaires. Elle est
déterminée selon les diverses conditions économiques et sociales, et le niveau de pollution de
chaque pays. L’Algérie fait partie de ces pays, a déjà en vigueur une loi cadre qui permet la
libéralisation du secteur énergétique : la Loi n° 02-01 du 5 février 2002 relative à l’électricité
et à la distribution de gaz par canalisations, qui est globalement en harmonie avec les règles
de la législation en vigueur dans lÚnion Européenne [98].
La Société Algérienne de l’Electricité et du Gaz (Sonelgaz) a été verticalement

désintégrée, une autorité de régulation a été créée, la législation permet une ouverture du
marché jusqu’à 30%, alors que la concurrence n’a pas encore été développée en pratique.
Donc le marché d’électricité algérien reste complètement régulé, et la Sonelgaz est

l’opérateur dominant sur toutes les activités : production, fourniture, transport, et distribution.
Bien que d’un point de vue juridique, un niveau important d’ouverture du marché électrique
soit légalement établi, mais en pratique, il n’y a aucune concurrence [98].
65
4.2.4 Energie renouvelable dans un marché libre
En plus des anciennes installations d’hydroélectricité, de nombreux pays et régions ont ces
dernières années commencées à encourager la production de l’électricité à partir des énergies
renouvelables. Les principales raisons de cette politique sont associées à la sécurité de
l’approvisionnement et à la politique environnementale [99]. Ces raisons sont résumées
comme suit
- De nombreux pays sont très dépendants de l’importation d’hydrocarbures.
- La peur d’une nouvelle dépendance vis-à-vis de l’importation du gaz qui pourrait devenir
similaire à celle du pétrole.
- La volatilité des prix des hydrocarbures dans les dernières années notamment due à la
croissance des pays en développement les plus importants.
- L’absence de sources d’énergies primaires conventionnelles dans certains pays.
- Les préoccupations environnementales.
- Les obligations de baisser les émissions à effet de serre pour les pays développés qui ont
signé le Protocol de Kyoto.
- Les préoccupations liées aux accidents et à la gestion des déchets (sous pression des partis
écologistes) liés à la production d’électricité d’origine nucléaire.
- Les besoins de diversification de la matrice énergétique, leur contribution à la protection de

l'environnement et au développement durable et l’atteinte des objectifs du Protocol du
Kyoto.
Dans notre travail nous avons utilisés le modèle mathématique du cout réel de la
production d’électricité renouvelable et thermique. Ce modèle a été optimisé en utilisant le
réseau test IEEE 30, IEEE 118 jeux de barres et le réseau Algérien à 114 jeux de barres.
4.3 Développement des énergies renouvelables en Algérie
Avec les nouveaux engagements visant à réduire les émissions de gaz à effet de serre et
l'épuisement des ressources fossiles, la production électrique à partir des énergies
renouvelables est devenue une solution inévitable, prédominante et efficace. Cette production
est l’objet d’une grande attention des chercheurs, des industriels de la société moderne. En
Algérie [99], de nombreuses études portant sur l'intégration des sources d'énergie
66
renouvelables dans le réseau électrique ont été élaborées afin d’accompagner la politique
énergétique du gouvernement.
Le parc national des énergies renouvelables comprend actuellement 24 centrales avec une
puissance globale de 354,3 mégawatts (MW). Ce parc des énergies renouvelables se compose
de 23 centrales de photovoltaïque (PV) d'une puissance globale de 344,1 MW et d'une
centrale pour l’énergie éolienne de 10,2 MW. Mais vu les objectifs tracés, l’Algérie est
encore loin dans ce domaine.
Le programme des énergies renouvelables inclut la réalisation des centrales solaires,

photovoltaïques et solaires thermiques, de fermes éoliennes et de centrales hybrides.
- Jusqu’à 2020, il est attendu l’installation d’une puissance totale d’environ 2 600 MW
pour le marché national et une possibilité d’exportation de l’ordre de 2 000 MW.
- Jusqu’à 2030, il est prévu l’installation d’une puissance d'origine renouvelable de près de
22000 MW dont 12 000 MW seront dédiés à couvrir la demande nationale de l'électricité
et 10 000 MW à l’exportation.
4.3.1 Implantation des éoliennes au nord de l’Algérie
L'Algérie est le premier pays en Afrique en superficie, de 2.381.74.100 km2.il se compose

de quatre grandes unités structurales, le Tell, une succession de massifs montagneux, côtiers
de largeur variable (80 km à 190 km). Les Hauts Plateaux, zone steppique localisée entre
l'Atlas Tellien au nord et l'Atlas Saharien au sud à des altitudes plus ou moins importantes de
900 à 1 200 m. l'Atlas Saharien, forme une succession de chaînes au caractère aride, s'étend
d'est en ouest. Et le Sahara, un immense désert qui s'étend au sud de l'Atlas saharien. Il
représente 84 % de la superficie du pays et qui se succèdent du nord au sud.
La première tentative de raccorder des éoliennes en Algérie était en 1957 par l'ingénieur
français ANDREAU, avec un aérogénérateur bipale de type pneumatique à pas variable de 30
m de haut avec un diamètre de 25 m et une puissance de 100 kW. De nombreux autres
aérogénérateurs ont été installés sur différents sites, notamment pour l’alimentation
énergétique des localités isolées. Mais ces installations restent toujours insignifiantes.
Cependant, la première ferme éolienne installée en Algérie est en 2012 à Adrar avec une
puissance de 10 MW [100].
L’Office National de la Météorologie (ONM) présente une étude qui mesure la vitesse et
la direction du vent prélevé de 74 stations météorologiques ainsi que dans 21 stations
67
supplémentaires des pays limitrophes pendant dix ans pour la période de 2004 à 2014, [101].
Les résultats sont illustrés dans la carte de la Figure 4.3.
Figure 4.3 Nouvel Atlas éolien de l’Algérie à 10 m du sol
Notre choix de zone pour l’implantation des éoliennes en Algérie a été fait sur la base de
l’étude de Derai et al [102]. D’après cette étude les deux zones « Sétif et Djelfa » de la région
des hauts plateaux sont considérés comme des zones qui ont un potentiel éolien.
Le Tableau 4.1 suivant présente les coordonnées géographiques des deux sites de la région
des hauts plateaux.
Tableau 4.1 Coordonnées géographiques des zones étudiées

Zone Latitude Longitude Altitude
Sétif 36° 11’N 05° 15’E 1038

Djelfa 34° 40’N 03° 15’E 1144
Les valeurs de la vitesse moyenne annuelle du vent, de la densité de puissance moyenne,

ainsi que les paramètres de forme k, et d’échelle c de Weibull de l’étude de l’ONM sont
résumés dans le Tableau 4.2 suivant :
Tableau 4.2 Caractéristique du vent dans les zones étudiées

Zone Vitesse de vent Densité de puissance K C
(m/s) (W/m2)
Sétif 3.712 91.7 1.425 4.083
Djelfa 4.589 112.5 2.008 5.178
68
Notre étude porte sur l’implantation de deux fermes éoliennes au niveau du réseau Algérien
114 jeux de barres avec une puissance de 10 et 20 MW. Ces deux fermes sont installées dans
le jeu de barres à 99 (Sétif) et le jeu de barres à 107 (Djelfa).
4.4 Impact du coût de production de l’énergie sur l’économie
L’optimisation du coût de production d’énergie est un projet écologique et économique

majeur. Sur les marchés de l’électricité, le prix du MWh varie en fonction des unités de
production qui ont permis de le produire. La nécessité économique commande à l’utilisateur
de rechercher la source d’énergie qui lui apportera le maximum de satisfaction (disponibilité,
rendement, fiabilité, qualité et régularité de la fourniture) au moindre coût, ou les centrales
sont appelées par ordre de coûts marginaux croissants. Il existe une gamme de centrales de
production adaptée qui se distinguent par leur ratio coût fixe sur coût variable. Les centrales
en base (centrales nucléaires et centrales à charbon) possèdent un ratio coût fixe sur coût
variable élevé. Il est donc moins coûteux de les faire fonctionner pendant le plus de temps
possible dans l’année. Les centrales en pointe (turbines à combustion au gaz (OCGT) ou au
fioul) possèdent un ratio coût fixe sur coût variable faible et sont faites pour fonctionner
pendant un nombre limité d’heures dans l’année pour répondre à la demande de pointe. Les
centrales en semi-base (centrales CCGT) ont un statut intermédiaire, pour répondre à un
niveau de demande donnée.
L’arrivée sur les marchés des énergies renouvelables variables, actuellement prioritaires à
la distribution entraîne une réduction des prix sur le marché de l’électricité.
Les énergies renouvelables intermittentes sont injectées de façon prioritaire sur le réseau
électrique dès lors que leur coût marginal est considéré comme nul. La Figure 4.4 ci-dessous
montre les coûts moyens du déférente forme de production de l’électricité en MWh/$ [103].
Figure 4.4 Coût moyen des productions d’électricité en $/MWh en Amérique du nord
69
En remarque que le la production de l’énergie éolienne est la moins coûteuse par rapport à
d’autre forme de production renouvelable. L’introduction des énergies renouvelables dans le
réseau électrique a un effet important sur le coût de production qui est décomposé comme suit
[103] :
- Les coûts additionnels de réseaux : investissements supplémentaires dans les lignes de

transport et de distribution pour raccorder les nouvelles capacités renouvelables variables, et
si les résaux sont contraints.
- Les coûts additionnels liés à la gestion de congestions sur les lignes. Ces coûts sont
communément appelés les « grid costs ».
- Les coûts liés aux besoins d’équilibrage supplémentaires dans le court terme avec
l’augmentation des écarts par rapport aux prévisions de production (aléas météorologiques du
vent par exemple) : communément appelés les « balancing costs ».
- Les coûts liés à l’augmentation de la variabilité de l’offre dans le court terme (réduction
du kp des centrales non renouvelables, augmentation des manœuvres réalisées, gestion des
surplus d’électricité « utilisation and flexibility costs ».
- Les coûts liés aux besoins de capacités supplémentaires installées pour satisfaire la
fiabilité objective du réseau électrique dans le long terme : ils sont liés au faible crédit de
capacité des énergies renouvelables variables. Ces coûts existent si les capacités
renouvelables variables sont ajoutées pour satisfaire une demande supplémentaire. Sinon, ce
sont les coûts liés aux moyens de productions adaptés pour fournir plus de flexibilité : ils sont
appelés les « adequacy costs ».
4.5 Formulation du problème de l’écoulement de puissance optimal
Depuis plusieurs décennies, les compagnies d’électricité s’intéressent à la possibilité

d’adapter la consommation aux contraintes économiques du marché et aux contraintes
techniques du réseau électrique. Cette démarche peut être initiée par la mise en œuvre d’une
politique tarifaire spécifique et/ou une gestion centralisée des charges et des unités de
production afin d’adapter les capacités d’offre d’énergie à la demande. L’écoulement de
puissance optimal est un problème d’optimisation qui consiste à répartir la production de la
puissance demandée entre les différentes centrales du système, de sorte à exploiter ces
dernières de la manière la plus économique possible. Cette répartition doit évidemment
respecter les limites de production des centrales ainsi que la tension de tous les jeux de barres
du réseau. La fonction à optimiser est donc le coût de production quel que soit sa nature
70
thermique ou renouvelable. Le coût de production d’une centrale est généralement modélisé

par une fonction (puissance active générée par la centrale) dont les coefficients sont des
constantes propres à chaque centrale [94].
Cette partie présente l’application d’une approche méta-heuristique pour minimiser le coût
de la production des centrales thermiques et éoliennes et d'améliorer la marge de la stabilité.
4.5.1 Fonction du coût de la production des centrales thermiques
Le générateur le plus efficace dans le réseau électrique ne garantit pas le coût minimum s’il
est situé dans un secteur où le coût de carburant est coûteux. En outre, si la centrale est située
loin du centre de charge, les pertes de transport peuvent être considérablement élevées et par
conséquent la centrale sera peu économique.
La fonction du coût total de production d’énergie des centrales thermiques est modélisée
mathématiquement par une fonction polynomiale du second degré dont les coefficients sont
des constantes propres à chaque centrale sous la forme suivante [104] :
NG
Minimiser f1   C P 
i Gi
4.1
i 1
Avec :
C  PG i   a i  b i PG i  c i P
2
Gi
4.2
Où PGi est la puissance active produite de la ième turbine, ai, bi et ci sont les facteurs invariants.
4.5.2 Fonction de coût de la production des centrales éoliennes
Les productions électriques à base d’énergies renouvelables du type éolien sont qualifiées
d’intermittentes car la puissance qu’elles produisent est fluctuante et difficilement prévisible.
L’évaluation du potentiel de cette énergie est un des éléments les plus importants pour assurer
à tout instant le difficile équilibre entre la production et la consommation électrique. Donc il
est nécessaire de trouver un modèle mathématique pour prendre en compte l’incertitude, la
fluctuation continue et le comportement aléatoire du vent ainsi que les changements
météorologiques.
Les études de modélisation de la distribution des vitesses du vent ont été orientées vers
différents modèles. Le modèle le plus utilisé est celle de Weibull. Cette fonction permet de
caractériser la distribution fréquentielle des vitesses de vent sur une période donnée : une
année, un mois ou une journée par exemple [105]. Cependant, dans la majorité des cas, cette
71
distribution est utilisée pour une période d'un an. Elle est caractérisée par deux paramètres de
forme, noté k, et d’échelle, noté c. La fonction de densité de la Weibull est la suivante :
k 1 k
k  v  v
f
k ,c
v    e    0  v   4.3
c  c  c
v représente la vitesse de l’éolienne, c le facteur d'échelle de la loi de Weibull. Il est relié à

la vitesse moyenne du vent par le facteur de forme. k est le facteur de forme de la loi de
Weibull, décrivant la distribution de la vitesse des vents.
La puissance de sortie de l’éolienne avec une vitesse de vent donnée est exprimée :
 0; 0  v  v
in

  v  v in 
 Pr  ; v in  v  v r
P  
 v r  v in 
4.4

Pr ; vr  v  v0


 0; v  v0
Ou vin,vr et vo sont respectivement les vitesses de vent de démarrage, nominal et de coupure

et Pr est la puissance de sortie nominale de l'éolienne. La fonction de densité de probabilité
Fp(p) pour la partie linéaire de la vitesse du vent est donnée par :
 k 1
  v p  p v v 
k
 k  v r  v in    v in p r  p  v r  v in  
 p  exp     
in r r in
fp     4.5
 cpr  cpr    cpr  

Pour une partie discrète, les probabilités d’obtenir la puissance de sortie et la puissance de
sortie nominale de l'éolienne sont les suivantes :
  v  
k
  v in  
Fp  p  0   1  exp       exp 
o
 4.6
  c  
  c   
  v     v  
k k
Fp p  pr   exp    r    exp 

o
 4.7
  c     c  
   
Les facteurs de forme k et d'échelle c de la loi de Weibull ont des influences différentes
sur la distribution statistique des vitesses de vent. Les deux Figures 4.5 et 4.6 suivantes
représentent la courbe de distribution des vitesses de vent en fonction des différentes valeurs
de k et c.
72
Figure 4.5 Distributions de Weibull pour une même valeur de k
Par contre, si l'on augmente la valeur du paramètre k en fixant celle de c, la courbe de

distribution des vitesses de vent devient plus étroite, son maximum augmente et est décalé
vers la droite : on a un plus grand nombre de vitesses de vent autour de la moyenne.
Figure 4.6 Distributions de Weibull pour une même valeur de c
Le coût associé à la puissance éolienne disponible est exprimé comme suit [106] :
m
f2   Y w j ($/h) 4.8
j 1
Soumis à certaines contraintes d'égalité et d'inégalité :

n m
 Pi  W j
 PD  PL 4.9
i 1 i 1
Pi m in  Pi  Pi m a x  i  1, 2 , ......, n  4.10
0 W j
 W Rj i  1, 2 , ......, m  4.11
73
Où Ywj représente les coûts de production d'énergie éolienne.
Ywj est représenté en utilisant l'équation suivante :

m
Ywj   W P C o st oe. j
 W P C o s t u e . j  W P C o s t d ir . j 
j 1
m m m
4.12
  C rw j
 E  Yoe. j    C pw j
 E  Yue. j     g i
 wi 
j 1 j 1 j 1
Où WPCostoej est le coût moyen pondéré de la surestimation pour la jième éolienne, Crwj est
le coefficient de coût pour la surestimation de la jème éolienne, E(Yoej) est la valeur attendue de
la surestimation de l'énergie éolienne pour la jème éolienne. Elle est représentée comme suit :
 

 
w 1  e x p   v IN c   e x p   v O U T c  
k k
 j


E  Yoe. j  
     w R v IN v R  v IN   w j  e x p   v IN c   e x p   v j c 
K K K K
 4.13

   w c v  v   1  1 K ,  v
 c     1  1 K ,  v j c   
K
 
K


R R IN
 IN
 
 
De même, WPCostuej est le coût moyen pondéré de la sous-estimation pour la jème éolienne,
Cpwj est le coefficient des coûts pour la sous-estimation ; E(Yuej) est la valeur attendue de la
sous-estimation de la puissance éolienne pour la jème éolienne. Il est représenté comme :

 R
w  w j   ex p   v R c   ex p  vOUT c  

K K K K
 

E  Yue. j  
     w R v IN v R  v IN   w j  e x p   v R c   e x p   v j c 
K K K K
 4.14


   w c v  v   1  1 K , v c
     1  1 K , v c K 

K
  
 R  
 
R R IN j
Ou wR est une puissance éolienne nominale, vR est la vitesse nominale du vent, vIN est la
vitesse du vent, vOUT est la vitesse de la coupure du vent, WPCostdirj est le coût direct pour la
production d'énergie éolienne, qui est directement proportionnelle à l'énergie éolienne de
sortie. Par conséquent, pour la jème éolienne, mathématiquement, il peut être écrit :
W P C o s t d ir . j  g j  w j 4.15
Où gj est le coefficient de coût pour le coût direct de la production d'énergie éolienne.
4.5.3 Fonction de la marge de stabilité de tension
Il est très nécessaire de maintenir en permanence la tension dans tous les jeux de barres du
réseau électrique avec une génération optimale des coûts de production thermique et éolienne.
L’amélioration de la stabilité de la tension est prise en compte par l’optimisation de l’indice
de stabilité de tension de ligne (Lmn) [34].
74
La valeur de l’indice de stabilité Lmn vari de [0, 1], sa valeur doit être inférieure à 1 pour
que le système soit stable. L’amélioration de la stabilité de la tension du réseau électrique peut
être atteinte en minimisant l’indice de la stabilité de tension de ligne dans toutes les branches
du réseau.
La fonction objective à optimiser pour l’amélioration de la stabilité de tension est la

suivante :
NB
f3   Lmn 4.16
k 1
La fonction objective globale est la fonction combinée, qui comprend tous les différents
objectifs f1, f2, f3, qui sont le coût de production des générateurs thermiques, le coût de
production des générateurs éoliennes et l’indice de stabilité de tension de ligne, La fonction
objective globale à minimiser est la suivante :
n m nb
f  f1  f 2  f 3    a i  b i Pi  c i Pi   Y  m  4.17
2
Lmn
  wj
i 1 j 1 k 1
Les contraintes d'égalité et d'inégalité à satisfaire lors de la recherche de la solution

optimale peuvent s'écrire :

NB
 Pg i  Pd i  U i  U j  G ij c o s  ij  B ij s in  ij 
 j 1
 NB
4.18
Q  Q  U U j  G ij s in  ij  B ij c o s  ij 
i 
 gi di
 j 1
Les contraintes d'opération d'inégalité du système incluent :
 Pg i  Pg i
m in m ax
Pg i 4.19
 Q gi  Q gi
m in m ax
Q gi 4.20
V V
m in m ax
V i i i 4.21
Où, NB est le nombre de jeu des barres, Pgi et Qgi sont les puissances active et réactive des
générations à ith jeu de barres, Pi et Qi sont les puissances active et réactive injectées à ith jeu
de barres, δij est la déférence entre les angles de tension aux jeux des barres i et j.
L’implantation de l’algorithme MFO pour l’optimisation de cette fonction est résumée

dans les étapes suivantes et dans l’organigramme illustré par la Figure 4.7.
75
Etape 1 : Lire les paramètres du réseau électrique (jeux de barres, lignes et générateurs) ;
Etape 2 : Fixer les paramètres de l’algorithme MFO :
 Le nombre des moths ;
 Le maximum nombre des itérations ;
 Le nombre des variables ;
 Les limites Min et Max des variables (puissances actives générées, tensions
des jeux de barres générateurs et batteries de condensateurs).
Etape 3 : Initialisation de la position des moths et le nombre de flammes ;
Etape 4 : Mise à jour de nombre de flammes ;
Etape 5 : Entrer la position des mothes dans le programme d’écoulement de puissance et

calculer la valeur « fitness » de chaque moth ;
Etape 6 : La population des moths avec les meilleurs valeurs « fitness » doit être sélectionné ;
Etape 7 : Mise à jour de la position des moths ;
Etape 8 : Obtenir la meilleure valeur « fitness » ;
Etape 9 : Si le critère d’arrêt est atteint, aller à l’étape 11, sinon, reprendre les étapes 4 à 9 ;
Etape 10: Sélectionner la meilleure valeur du moth et de « fitness ».
76
Figure 4.7 Organigramme d’optimisation du cout de production et l’indice de la stabilité
77
4.6 Conclusion
Dans ce chapitre, une méthodologie pour résoudre le problème d’écoulement de puissance

optimale (OPF) avec l’intégration de l’énergie éolienne s’appuyant sur la méthode
d’optimisation MFO a été proposée. Le modèle mathématique du coût de l’énergie éolienne a
été détaillé en considération de l’incertitude de cette énergie sur le système de production de
l’électricité. Le coût d’exploitation de l’énergie éolienne est devisé en trois parties, le coût
direct, le coût sous-estimé et le coût surestimé. Ce problème a permis de déterminer un plan
de fonctionnement satisfaisant les contraintes liées au transport de la puissance tout en
minimisant le coût de production de l’énergie thermique et éolienne ainsi que l’amélioration
de la marge de stabilité.
78
Chapitre 5 Simulations et résultats
Chapitre 5 : Simulations et résultats
5.1 Introduction
Dans ce chapitre, l’identification et le classement des jeux de barres les plus critiques dans
le réseau électrique sont évoqués en premier en utilisant la méthode d’optimisation MFO.
Dans cette partie nous allons calculés l’indice de stabilité de ligne (Lmn) qui peut être utilisé
pour déterminer la marge de stabilité ainsi que les jeux de barres les plus critiques dans le
réseau. Ces derniers sont déterminés à l’aide de l’algorithme d’optimisation MFO qui sert à
définir les meilleurs emplacements pour introduire des sources de puissance réactive.
Dans la deuxième partie, nous allons évaluer la stabilité de tension en utilisant la méthode
hybride proposée ANFIS-MFO. Cette méthode utilise les amplitudes de tension et leurs
phases obtenues à partir des jeux de barres critiques du réseau comme variables d’entrée et
l’indice de stabilité comme vecteur de sortie.
Dans la troisième partie, nous allons étudiés l’impact de l’insertion des énergies
renouvelables dans un réseau électrique sur le coût de production et la stabilité de tension.
Dans un premier lieu on va calculer l'écoulement de puissance optimale qui donne la
meilleure répartition des puissances actives générées entre les différentes zones de
productions interconnectées. Cette étude doit évidemment respecter, les limites de production
des centrales, les capacités de transport des lignes électriques et transformateurs, et le meilleur
coût de production de chaque centrale. Ensuite, le coût direct, le coût de sous-estimation et le
coût de surestimation de production de l’énergie éolienne, ainsi que l’indice de la stabilité de
tension de ligne sont intégrés dans les équations d’écoulement de puissance optimal. La
fonction objective qui constitue des coûts de la production des centrales conventionnelles,
centrales éoliennes et de l’indice de ligne de la stabilité de tension doit être résolue à l’aide de
l’algorithme MFO.
Les méthodologies proposées seront appliquées sur les réseaux test IEEE-30 jeux de
barres, IEEE-118 jeux de barres et le réseau Algérien 114 jeux de barres.
78
5.2 Détermination et classement des jeux de barres critiques

5.2.1 Réseaux test
Les réseaux test IEEE-30, IEEE-118 jeux de barres [107] et le réseau Algérien 114 jeux de
barres [108] sont utilisés pour examiner et valider les méthodes proposées. Le réseau IEEE-30
jeux de barres, représenté sur la Figure 5.1, comprend 6 générateurs, 41 lignes de transport, 4
transformateurs et 2 condensateurs. Le réseau IEEE-118 jeux de barres, représenté sur la
Figure 5.2, comprend 54 générateurs, 186 lignes de transport, 9 transformateurs et 14
condensateurs. Le réseau Algérien, représenté sur la Figure 5.3, comprend 114 jeux de barres,
15 générateurs, 175 lignes de transmission et 16 transformateurs.
Figure 5.1 Schéma du réseau IEEE-30 jeux de barres
79
Figure 5.2 Schéma du réseau IEEE-118 jeux de barres
Figure 5.3 Schéma du réseau Algérien 114 jeux de barres
80
5.2.2 Impact de la variation de la charge sur la marge de la stabilité de tension
Dans cette partie nous avons fait une analyse de la stabilité de tension avec trois scénarios
différents. Le premier scénario est effectué en augmentant progressivement la puissance
réactive sur tous les jeux de barres charges jusqu’au l’effondrement de la tension, et en
calculant en même temps l’indice de stabilité de ligne (Lmn) ainsi que le profil de tension de
chaque jeu de barres. Dans le deuxième scénario l’analyse a été faite en augmentant que la
puissance active jusqu’à l’instabilité du réseau, et en calculant l’indice Lmn ainsi que le profil
de tension de chaque jeu de barres. Pour le troisième scénario, les deux puissances active et
réactive étaient augmentées en même temps.
5.2.2.1 Application au réseau IEEE-30 jeux de barres
Scénario 1 : Comme nous avons mentionné, la valeur du Lmn est comprise entre 0 et 1, si cette
valeur est proche du 0 cela signifie que le réseau électrique n’est pas chargé et le point
d’effondrement de la tension est trop loin. Par contre si le Lmn est proche du 1 le réseau
électrique fonctionne près de sa limite de stabilité de tension. Le Tableau 5.1 représente les
valeurs du Lmn de toutes les lignes correspondantes à la valeur max de la puissance réactive.
On remarque que la ligne la plus faible dans ce cas est la ligne entre les deux jeux de barres 4
et 12 avec un Lmn de 0.9105.
Tableau 5.1 Valeurs du Lmn pour le scénario 1 (réseau IEEE-30 JB)
Ligne Lmn Ligne Lmn

1-2 0.0589 15-18 0.1689
1-3 0.5020 18-19 0.0566
2-4 0.6152 19-20 0.0759
3-4 0.1505 10-20 0.2484
2-5 0.0316 10-17 0.1179
2-6 0.6835 10-21 0.2671
4-6 0.1401 10-22 0.2541
5-7 0.5253 21-22 0.0157
6-7 0.4212 15-23 0.2435
6-8 0.2143 22-24 0.2470
6-9 0.6029 23-24 0.1664
6-10 0.8266 24-25 0.3344
9-11 0.0000 25-26 0.4246
9-10 0.3738 25-27 0.3950
4-12 0.9105 28-27 0.6758
12-13 0.0000 27-29 0.2372
12-14 0.2145 27-30 0.3197
12-15 0.3046 29-30 0.1104
12-16 0.2351 8-28 0.0548
14-15 0.1203 6-28 0.1551
16-17 0.1111
81
La Figure 5.4 montre l’évolution de la valeur max de l’indice Lmn (Lmn-max) ainsi que la
tension min (Vmin) en fonction de la puissance réactive demandée. On remarque que la courbe
du Lmn-max est croissante de la valeur de 0.22 jusqu’à une valeur proche de 1, alors que la
tension Vmin diminuer jusqu’à la valeur 0.5 p.u.
Figure 5.4 Variation du Lmn-max et de Vmin pour le scénario 1 (réseau IEEE-30 JB)
Scénario 2 : Dans ce scénario, nous avons augmenté progressivement la puissance active
de tous les jeux de barres charge jusqu'au limite de stabilité. Le Tableau 5.2 représente les
valeurs du Lmn de toutes les lignes du réseau. La ligne la plus faible dans ce cas est la ligne
5-7 avec un Lmn de 0.8349, après cette valeur le système perd sa stabilité. La Figure 5.5
représente l’évolution du Lmn-max et de Vmin en fonction de la puissance active demandée.
Lorsque le Lmn-max atteint sa valeur max (0.8349) Vmin atteint sa valeur min (0.56 p.u).

Ligne Lmn Ligne Lmn
1-2 0.5437 15-18 0.0212
1-3 0.2074 18-19 0.0015
2-4 0.5269 19-20 0.0296
3-4 0.0223 10-20 0.0958
2-5 0.7559 10-17 0.0362
2-6 0.4767 10-21 0.0800
4-6 0.0146 10-22 0.0762
5-7 0.8349 21-22 0.0004
6-7 0.5376 15-23 0.0636
6-8 0.0850 22-24 0.0914
6-9 0.3223 23-24 0.0377
6-10 0.3600 24-25 0.0197
9-11 0.0000 25-26 0.1259
9-10 0.1097 25-27 0.0735
4-12 0.4526 28-27 0.4061
12-13 0.0000 27-29 0.1404
12-14 0.0561 27-30 0.1082
12-15 0.0916 29-30 0.0502
12-16 0.0541 8-28 0.0510
14-15 0.0238 6-28 0.1166
16-17 0.0153
82
Scénario 3 : Dans ce scenario, nous avons augmenté simultanément les deux puissances
active et réactive jusqu'au point de l’effondrement de la tension. Le Tableau 5.3 représente les
valeurs de l’indice de stabilité correspondantes aux valeurs max des puissances actives et
réactive. D’après ces résultats on remarque la ligne 29-30 est la plus faible avec un indice de
stabilité de 0.8508. La Figure 5.6 ci-dessous illustre l’indice de stabilité et le profil de la
tension des jeux de barres en fonction des deux puissances active et réactive demandées.
Lorsque le Lmn-max atteint sa valeur max (0.8508) Vmin atteint sa valeur min (0.53 p.u).
Ligne Lmn Ligne Lmn

1-2 0.3166 15-18 0.0817
1-3 0.3557 18-19 0.0209
2-4 0.5713 19-20 0.0493
3-4 0.0835 10-20 0.1619
2-5 0.3956 10-17 0.0688
2-6 0.5851 10-21 0.1578
4-6 0.0589 10-22 0.1501
5-7 0.7850 21-22 0.0059
6-7 0.5009 15-23 0.1395
6-8 0.1477 22-24 0.1591
6-9 0.4631 23-24 0.0907
6-10 0.6024 24-25 0.1164
9-11 0.0000 25-26 0.2619
9-10 0.2262 25-27 0.2106
4-12 0.6949 28-27 0.5437
12-13 0.0000 27-29 0.1954
12-14 0.1236 27-30 0.2232
12-15 0.1852 29-30 0.8508
12-16 0.1310 8-28 0.0062
14-15 0.0631 6-28 0.1381
16-17 0.0541
83
5.2.2.2 Application au réseau Algérien
Les trois scénarios précédents sont aussi testés sur le réseau Algérien 114 jeux de barres. Les
résultats obtenus de ces trois scénarios sont représentés sur les Figures 5.7, 5.8 et 5.9,
respectivement.
Figure 5.7 Variation du Lmn-max et de Vmin pour le scénario 1 (réseau Algérien)
84
En remarque, de ces Figures, que dans l’état de fonctionnement normal l’indice de stabilité
Lmn est supérieur de 0.6, cela signifie que la marge de stabilité du réseau Algérien est vraiment
faible. Dans le cas du scénario 1, l’indice Lmn atteint sa valeur max après une augmentation de
85% de la puissance réactive. Alors que dans les deux autres scénarios l’indice Lmn atteint sa
valeur max après une augmentation de la puissance 15% (scénario 2) et 13% (scénario 3).
5.2.3 Identification des jeux de barres critiques par la méthode MFO
Dans cette partie, l'identification et le classement des premiers jeux de barres critiques dans
les réseaux IEEE-30, IEEE-118 jeux de barres et le réseau Algérien est effectué en utilisant la
méthode d'optimisation MFO où les jeux de barres sont classés en commençant par le plus
85
critique. Pour déterminer les jeux barres les plus critiques, nous avons identifié les meilleurs
emplacements pour implanter des sources de puissance réactive. Les jeux de barres trouvés
sont considérés comme les jeux de barres les plus critiques, dans le réseau, du point de vue de
la stabilité de tension. Les résultats obtenus pour le réseau test IEEE-30 jeux de barres sont
présentés dans le Tableau 5.4.
Tableau 5.4 Classement des jeux de barre critiques dans le réseau test IEEE-30 JB
Ref [109] 30, 26, 29, 25, 27
Ref [110] 30, 26, 29, 14, 23
Ref [111] 30, 26, 29, 19, 20
Ref [83] 30, 26, 29, 21, 24
Méthode proposée 30, 26, 29, 28, 7
Les jeux de barres critiques sont classés en commençant par le plus critique qui est le jeu de
barres 30, ensuit le jeu de barres 26 et ainsi de suite. Une comparaison entre les résultats
obtenus en utilisant la méthode MFO et les résultats trouvés par d'autres méthodes existantes
dans la littérature est représenté dans le Tableau 5.4. Cette comparaison montre que la
méthode proposée peut identifier efficacement les jeux de barres critiques.
Les résultats obtenus pour le réseau test IEEE-118 jeux de barres sont présentés dans le
Tableau 5.5.
Tableau 5.5 Classement des jeux de barres critiques du réseau test IEEE-118 JB
Méthode proposée Classement
MFO 118, 88, 57, 16, 117, 53, 21, 76, 52, 28
La méthode d'optimisation MFO est également appliquée pour déterminer les jeux de barres
critiques dans le réseau Algérien 114 jeux de barres. Ce réseau peut être considéré comme un
réseau électrique de grande taille en termes de nombre de jeux de barres et de branches. Le
classement des dix premiers jeux de barres critiques qui peut être participés à l’instabilité de
la tension du réseau Algérien est présenté dans le Tableau 5.6 ci-dessous.
Tableau 5.6 Classement des jeux de barres critiques du réseau Algérien 114 JB
Méthode proposée Classement
MFO 89, 92, 93, 68, 67, 69, 91, 56, 107, 99
5.3 Évaluation en ligne de la stabilité de tension par la méthode ANFIS-MFO
Dans cette partie, l’algorithme hybride ANFIS-MFO proposé pour évaluer en ligne la
stabilité de la tension est appliquée sur les trois réseaux électriques IEEE-30, IEEE-118 jeux
de barres et le réseau Algérien 114 jeux de barres.
86
Les variables d'entrée du modèle ANFIS-MFO sont les amplitudes et les phases de la
tension des jeux de barres critiques. Tandis que la sortie est la valeur max de l'indice de
stabilité Lmn (Lmn-max). L'ensemble de données est généré à l'aide de l’écoulement de puissance
optimale en faisant varier la charge de tous les jeux de barres du point de fonctionnent de base
jusqu’au point d'effondrement de tension. 80% des données générées sont utilisées comme
échantillons d'apprentissage, tandis que les 20% restants sont utilisés pour tester le modèle
ANFIS-MFO. Par la suite, pour évaluer la performance du modèle proposé, la différence entre
les valeurs de sortie prévues et réelles a été évaluée en fonction du coefficient de corrélation R
(correlation coefficient), de l’erreur quadratique moyenne RMSE (root means square error) et
de l’erreur absolue moyenne en pourcentage MAPE (mean absolute percentage error).
Comme nous l’avons mentionné précédemment, afin de générer des règles floues, en
utilisant la technique subtractive clustering, il est primordial de déterminer les valeurs
adéquates des paramètres ‘accept ratio’, ‘reject ratio’, ‘squash factor’ et ‘cluster radius’. La
performance du modèle ANFIS est très sensible au paramètre ‘cluster radius’ alors que le
reste des paramètres n'ont pas une grande influence. Dans ce travail, ‘accept ratio’, ‘reject
ratio’ et ‘squash factor’ ont été considérés respectivement 1.25, 0.5 et 0.15, alors que le
‘cluster radius’ sera optimisé. Pour déterminer la valeur optimale du ‘cluster radius’,
l’algorithme MFO est utilisé. Selon la référence [84], les valeurs adéquates du ‘cluster radius’
sont généralement comprises entre 0.2 et 0.5.
Les Figures 5.10, 5.11 et 5.12 représentent les courbes de convergence de l’algorithme
MFO dans le cas des réseaux test IEEE-30, IEEE-118 jeux de barres et du réseau Algérien
114 jeux de barres. Le Tableau 5.7 représente les valeurs optimales du paramètre interne
Cluster Radius de l’algorithme subtractive clustering obtenues par la méthode MFO pour les
trois réseaux.
Les Figures 5.13, 5.14, et 5.15 représentent l’erreur absolue d’apprentissage et de test dans
le cas des trois réseaux.
87
Figure 5.10 Courbe de convergence du MFO (réseau IEEE-30 JB)
Figure 5.11 Courbe de convergence du MFO (réseau IEEE-118 JB)
Figure 5.12 Courbe de convergence du MFO (réseau Algérien)
88
Tableau 5.7 Valeurs optimales du cluster radius

Réseau test Cluster radius
IEEE 30 jeux de barres 0.2305
IEEE 118 jeux de barres 0.3912
Algérien 114 jeux de barres 0.2320
(a)
(b)
(c)
Figure 5.13 Erreur absolue d'apprentissage dans le cas (a) IEEE-30 JB, (b) IEEE-118 JB et (c) réseau Algérien
89
(a)
(b)
(c)
Figure 5.14 Erreur absolue de test dans le cas (a) IEEE-30 JB, (b) IEEE-118 JB, et (c) réseau Algérien
90
Les Figures 5.15, 5.16 et 5.17 représentent la comparaison entre l'indice Lmn calculé en
utilisant les équations de l’écoulement de puissance et l’indice estimé par le modèle ANFIS-
MFO dans le cas des trois réseaux test. Il y a une bonne corrélation entre les valeurs calculées
et les valeurs prédites, ce qui montre la performance de l’ANFIS-MFO dans l’évaluation en
ligne de la stabilité de tension quel que soit la taille du réseau électrique.
(a)
(b)
Figure 5.15 Comparaisons entre les valeurs calculées et estimées de l’indice Lmn pour le réseau IEEE-30 JB, (a)
phase d’apprentissage, (b) phase de test
(a)
91
(b)
Figure 5.16 Comparaisons entre les valeurs calculées et estimées de l’indice Lmn pour le réseau IEEE-118 JB, (a)
(a)
(b)
Figure 5.17 Comparaisons entre les valeurs calculées et estimées de l’indice Lmn pour le réseau Algérien, (a)
Les Figures 5.18, 5.19 et 5.20 représentent l’ajustement linéaire entre les valeurs calculées
et prédîtes de l'indice Lmn pour les trois réseaux. Le modèle l’ANFIS-MFO donne un
coefficient de corrélation de 1 dans les phases d'apprentissage et du test dans le cas des deux
réseaux test. Les résultats obtenus ont révélé que le modèle ANFIS-MFO a une bonne
capacité de prédiction.
92
(a)
(b)
Figure 5.18 Ajustements linéaires des valeurs calculées et prédites de Lmn pour le réseau IEEE-30 JB, (a) phase
d’apprentissage, (b) phase de test
(a)
93
(b)
Figure 5.19 Les ajustements linéaires entre les valeurs calculées et prédites de Lmn pour le réseau IEEE-118 JB,
(a) la phase d’apprentissage, (b) la phase de test
(a)
(b)
Figure 5.20 Les ajustements linéaires entre les valeurs calculées et prédites de Lmn pour le réseau Algérien, (a) la
phase d’apprentissage, (b) la phase de test
94
Pour mieux évaluer la performance du modèle ANFIS-MFO proposé, les trois indices de
performance à savoir le coefficient de corrélation (R), l’erreur quadratique moyenne (RMSE),
le pourcentage d’erreur absolu moyen (MAPE) et le temps de calcul pour la phase
d’apprentissage et la phase de test sont calculés. Les résultats obtenus sont représentés sur le
Tableau 5.8.
Tableau 5.8 Evaluation de la performance du modèle ANFIS-MFO

Indice de performance
Réseau test Apprentissage Test
RMSE MAPE RMSE MAPE
IEEE-30 jeux de barres 6.8746×10-5 0.0748 1.0567×10-4 0.1090
Temps en second 6.989 0.0800
IEEE-118 jeux de barres 3.9196×10-4 0.02700 1.42×10-4 0.04030
Algérien 114 jeux de barres 3.4212×10-5 0.0034 6.4946×10-5 0.0071
5.4 Impact de l’insertion d’énergie éolienne sur le cout de production et la stabilité de

tension.
5.4.1 Application au réseau test IEEE-30 jeux de barres
Notre étude ici repose sur trois scénarios différents pour mieux démontre les avantages
techno-économiques de l’intégration des énergies éoliennes dans un réseau électrique.
Scénario 1 : Ce scénario présente une étude de l’écoulement de puissance optimale, sans

intégration de la production éolienne, par l'algorithme MFO. L’objectif étant d’optimiser le
coût de production des centrales thermiques. Le Tableau 5.9 présente les coefficients du cout
des générateurs thermiques.
Tableau 5.9 Coefficients du cout des générateurs thermiques (réseau IEEE-30 JB)
Numéro du jeu de barres a [$/h] b [$/MWhr] c [$/MW2hr]
1 0 2 0.00375
2 0 1.75 0.01750
5 0 1 0.06250
8 0 3.25 0.00830
11 0 3 0.02500
13 0 3 0.02500
La caractéristique de convergence de MFO dans ce scénario est illustrée dans la Figure

5.21.
95
Figure 5.21 Courbe de convergence du MFO pour le scénario 1 (réseau IEEE-30 JB)
Dans ce scénario, l’écoulement de puissance optimale donne un coût total de production

égale à 798.9168 $/h et des pertes en puissance de 8.5984 MW. Le Tableau 5.10 présente les
résultats de simulation obtenus par l'algorithme MFO qui sont comparés à d'autres
algorithmes d'optimisation rapportés dans la littérature.
Tableau 5.10 Comparaison des résultats obtenus par MFO et autres algorithmes (réseau IEEE-30 JB)
Variables de Min Max SCA MSCA GABC SF-DE GAMS MFO
controle [112] [112] [104] [113] [114]
P1 (MW) 50 200 140.21 177.40 177.23 - 177.1 177.11
P2 (MW) 20 80 49.00 48.63 48.70 48.72 48.8 48.72
P5 (MW) 15 50 20.26 21.23 21.35 21.35 21.4 21.23
P8 (MW) 10 35 22.00 20.86 21.13 21.19 21.5 21.08
P11 (MW) 10 30 11.00 11.93 11.89 11.90 12 11.78
P13 (MW) 12 40 11.00 12.00 12.00 12.00 12 12.00
V1 (p.u.) 0.95 1.1 1.10 1.1 1.09 - 1.08 1.10
V2 (p.u.) 0.95 1.1 1.10 1.08 1.07 1.08 1.06 1.08
V5 (p.u.) 0.95 1.1 1.05 1.06 1.04 1.06 1.03 1.06
V8 (p.u.) 0.95 1.1 1.10 1.09 1.04 1.03 1.03 1.06
V11 (p.u.) 0.95 1.1 1.10 1.10 1.06 1.04 1.01 1.10
V13 (p.u.) 0.95 1.1 1.10 1.10 1.04 1.08 1.04 1.10
T11 (p.u.) 0.9 1.1 0.97 1.04 1.02 1.04 NA 1.04
T12 (p.u.) 0.9 1.1 0.95 0.91 0.93 1.05 NA 0.90
T15 (p.u.) 0.9 1.1 0.96 1.03 0.96 0.92 NA 0.97
T36 (p.u.) 0.9 1.1 0.97 0.99 0.98 0.96 NA 0.96
QC10 (MVAR) 0 5 5.00 0.02 3.05 0.97 NA 4.97
QC12 (MVAR) 0 5 4.80 2.56 2.51 3.63 NA 5.00
QC15 (MVAR) 0 5 4.99 4.58 4.39 2.60 NA 5.00
QC17 (MVAR) 0 5 5.00 2.40 5.00 3.86 NA 4.94
QC20 (MVAR) 0 5 4.60 4.63 4.38 4.98 NA 3.09
QC21 (MVAR) 0 5 4.40 0.36 5.00 4.18 NA 5.00
QC23 (MVAR) 0 5 5.00 3.14 3.13 3.15 NA 5.00
QC24 (MVAR) 0 5 5.00 4.84 5.00 4.98 NA 4.99
QC29 (MVAR) 0 5 2.50 3.94 2.29 2.39 NA 2.37
Fuel cost ($/h) - - 800.10 799.31 800.096 800.413 799.111 798.916
Power loss (MW) - - 9.0633 8.7327 8.9340 9.0104 8.63 8.5984
96
Scénario 2 : Dans ce scénario, nous avons optimisés simultanément le coût de production des
générateurs thermiques et éoliens. Le réseau test IEEE-30 jeux de barres est modifié en
remplaçant les centrales thermiques des jeux de barres 5, 11 et 13 par des fermes éoliennes.
Les fermes éoliennes au niveau des jeux de barres 5 et 11 se composent de dix éoliennes
d’une capacité totale de 40 MW. La ferme éolienne du jeu de barres 13 comprend aussi dix
éoliennes d’une capacité totale de 50 MW. Les coefficients de coût associés aux fermes
éoliennes sont rapportés dans [115].
Tableau 5.11 Paramètres et coefficients des turbines éoliennes (réseau IEEE-30 JB)
Paramètre C K dr Crw Cpw PW Vin Vout Vr

[$/MW] [$/MW] [$/MW] [MW] [m/s] [m/s] [m/s]
Eolienne 1 15 1 1.75 3 1.5 40 3 25 12
Eolienne 2 15 1 2 3 1.5 40 3 25 12
Eolienne 3 25 2 2.25 3 2 50 3 30 16
La courbe de convergence de MFO dans ce scénario est illustrée par la Figure 5.18.
Figure 5.22 Courbe de Convergence du MFO pour le scénario 2 (réseau IEEE-30 JB)
Les valeurs optimales des pertes de puissance active et du coût calculées par l'algorithme
MFO sont respectivement 4,8862 MW et de 798,7147 $/h. Le coût total du système et les
pertes de puissance active correspondants sont relativement faibles par rapport au réseau
électrique sans fermes éoliennes.
Scénario 3 : Dans ce scénario, nous avons minimisé simultanément le coût de production des
générateurs thermiques, éoliens et maximisé la marge de stabilité de tension en gardant les
mêmes conditions et données du scénario 2. La caractéristique de convergence de MFO est
97
illustrée dans la Figure 5.23. Le coût total, les pertes de puissance active et la somme des
indices Lmn obtenus après l’optimisation sont respectivement : 799.3763 $/h, 4.9128 MW et
0.6879. On remarque que le coût total de production et les pertes de puissance active sont
augmenter de 0,6616 $/h et de 0,026 MW, respectivement. Cependant, en termes de profil de
tension et d'indice de stabilité Lmn, les résultats obtenus sont améliorés en comparant aux
résultats obtenus sans tenir compte de l'indice de stabilité de ligne (voire les Figures 5.24,
5.25 et 5.26).
Figure 5.24 Comparaison des profils de tension des trois scénarios (réseau IEEE-30 JB)
98
Figure 5.25 Comparaison de l'indice Lmn des trois scénarios (réseau IEEE-30 JB)
Figure 5.26 Comparaison de ∑Lmn des trois scénarios (réseau IEEE-30 JB)
Le Tableau 5.12 représente une comparaison détaillée des résultats obtenus dans les trois
scénarios étudiés. Il est clair que le coût total de production et les pertes de puissance active
dans le cas du scénario 2 sont considérablement réduits par rapport aux scénarios 1 et 3. De
même l'indice de stabilité Lmn dans le scénario 3 est réduit par rapport au scénario 1 et 2.
Tableau 5.12 Comparaison des résultats obtenus dans les trois scénarios (réseau IEEE-30 JB)
Résultats Scénario 1 Scénario 2 Scénario 3
Coût Total de production ($/h) 798.9168 798.7147 799.6060
Pertes en puissance (MW) 8.5984 4.8862 4.9512
∑Lmn index 1.2835 1.3763 0.6879
5.4.2 Application au réseau test IEEE-118 jeux de barres
L’algorithme MFO est testé aussi sur le réseau test IEEE-118 jeux de barres. Le coût total
de production, les pertes et la marge de stabilité de tension sont également optimisés. Les
99
mêmes scénarios précédents sont appliqués sur ce réseau avec les mêmes conditions. Les
coefficients du coût des générateurs thermiques sont [116].
Scénario 1 : La Figure 5.27 représente la caractéristique de convergence de MFO dans le

cas du scénario 1 où la fonction objective contient seulement le cout des centrales
conventionnels. Le cout total et les pertes actives dans ce cas-là sont, 130647.8105 ($/h) et
90.9361 MW, respectivement. Tableau 5.13 présente le cout de production obtenu par
l'algorithme MFO, et d’autres résultats obtenus par d’autres algorithmes dans la littérature.
Figure 5.27 Courbe de Convergence du MFO pour le scénario 1 (réseau IEEE-118 JB)
Tableau 5.13 Résultats obtenus par l’algorithme MFO (réseau IEEE-118 JB)
Résultats HAS [117] FHSA [117] ICBO [118] MFO
Cout ($/h) 132319.60 132138.30 135121.5704 130647.8105
Scénario 2 : Dans ce scénario, on va utiliser l’algorithme MFO pour résoudre le problème

d’écoulement de puissance optimale en présence des générateurs éoliens. Les deux
générateurs thermiques (54 et 103) sont remplacés par deux fermes éoliennes avec une
puissance de 40 MW et 50 MW respectivement. Les paramètres et capacités des deux fermes
éoliennes sont reportés dans le Tableau 5.14. La Figure 5.28 représente la courbe de
convergence de l’algorithme MFO.
Tableau 5.14 Paramètres et coefficients des deux parcs éoliens (réseau IEEE-118 JB)

[$/MW] [$/MW] [$/MW] [MW] [m/s] [m/s] [m/s]
Eolienne 54 15 1 2 3 1.5 40 3 25 12
Eolienne 103 25 2 2.25 3 2 50 3 30 16
100
Figure 5.28 Courbe de Convergence du MFO pour le scénario 2 (IEEE-118 JB)
Les valeurs optimales du coût total de production et des pertes de puissance active
obtenues sont, respectivement, 128293.1864 $/h et 87.8470 MW. On remarque que les
valeurs du coût et des pertes obtenues, après l’insertion des générateurs éoliens, sont
relativement faibles par rapport au système sans production éolienne.
Tableau 5.15 Résultats obtenus par MFO en présence des fermes éoliennes (réseau IEEE-118 JB)
Résultats MFO
∑Pg (MW) 4335.8
Coût ($/h) 128109.4716
Pertes (MW) 87.8470
Scénario 3 : Avec les mêmes conditions de simulation données dans le scénario 2 et après
avoir pris en compte l'amélioration de la stabilité de tension. Le coût total de production et les
pertes de puissance active obtenus sont 128293.1864 $/h et 89.7412 MW, respectivement. La
Figure 5.29 présente la courbe de convergence de l’algorithme MFO.
101
Par rapport aux résultats obtenus sans considération de l'amélioration de la stabilité de

tension, on peut observer que le coût total et les pertes augmentent de 183.7148$/h et de
1,8942 MW, respectivement. Cependant, en termes de profil de tension et d'indice de stabilité
Lmn illustrés dans les Figures 5.30, 5.31, les résultats obtenus sont légèrement améliorés en
comparant aux résultats obtenus sans tenir compte de l'indice Lmn dans la fonction objective.
Une comparaison détaillée des résultats obtenus dans les trois scénarios est représentée dans
le Tableau 5.17.
1,06
Amplitude de tension(p.u)
1,04
1,02
1
0,98
scénario1
0,96
scénario2
0,94
0,92 scénario3
0,9
0,88
103
109
115
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97
Numéro du jeux de barre
Figure 5.30 Comparaison des profils de tension des trois scénarios (réseau IEEE-118 JB)
9,5
9,4
9,3
∑Lmn
9,2
9,1
8,9
scénario1 scénario2 scénario3
Figure 5.31 Comparaison de l'indice de stabilité de ligne ∑Lmn des trois scénarios (réseau IEEE-118 JB)
Tableau 5.16 Résultats obtenus par MFO pour le scénario 3 (réseau IEEE-118 JB)
Résultats MFO
∑Pg (MW) 4336.7
Coût ($/h) 128293.1864
Pertes (MW) 89.7412
102
Tableau 5.17 Comparaison des résultats obtenus des trois scénarios (réseau IEEE-118 JB)
Coût total de production ($/h) 130647.8105 128109.4716 128293.1864
Pertes de puissance (MW) 90.9361 87.8470 89.7412
∑Lmn index 9.4745 9.2729 9.0965
5.4.3 Application au réseau Algérien 114 Jeux de Barres
L’algorithme MFO est testé aussi sur le réseau Algérien 114 jeux de barres. Le coût total
de production, les pertes d’énergie et la marge de stabilité sont également optimisés. Les
mêmes scénarios précédents sont appliqués sur le réseau Algérien avec les mêmes conditions.
Le Tableau 5.18 présente les coefficients du coût des générateurs thermiques :
Tableau 5.18 Coefficients du coût des générateurs thermiques (réseau Algérien)
Numéro du jeu de barres a [$/h] b [$/MWhr] c [$/MW2hr]

4 0 1.5 0.0085
5 0 1.5 0.0085
11 0 2.5 0.0170
15 0 2.5 0.0170
17 0 1.5 0.0085
19 0 2.5 0.0170
22 0 2.5 0.0170
52 0 2.5 0.0170
80 0 2.5 0.0170
83 0 2.5 0.0170
98 0 2.5 0.0170
100 0 2.0 0.0030
101 0 2.0 0.0030
109 0 2.5 0.0170
111 0 2.5 0.0170
Scénario 1 : La Figure 5.32 représente la caractéristique de convergence de l’MFO dans le

cas du scénario 1 où la fonction objective contient seulement le cout des centrales
conventionnels. Le coût de production et la somme des pertes de puissance active obtenus
dans ce cas sont, respectivement, 19154.6432 $/h et 74.9669 MW. Le Tableau 5.19
représente une comparaison entre les résultats obtenus par l'algorithme MFO et d'autres
algorithmes d'optimisation rapportés dans la littérature.
103
Figure 5.32 Courbe de Convergence du MFO pour le scénario 1 (réseau Algérien)
Tableau 5.19 Comparaison des résultats obtenus par l’algorithme MFO et autres algorithmes (réseau Algérien)
Results [108] [119] MFO
∑Pg (MW) 3802.257 3354.4601 3801.4274
Cout ($/h) 19203.34 19355.8595 19154.6432
Pertes (MW) 89.2570 - 74.9669
Scénario 2 : Dans ce scénario on va appliquer l’algorithme MFO pour résoudre le problème

d’écoulement de puissance optimale en présence des générateurs éoliens dans les jeux de
barres 99 (Sétif) et 107 (Djelfa) [106]. Les paramètres et les capacités des deux parcs éoliens
sont reportés dans le Tableau 5.20. La Figure 5.33 représente la courbe de l’algorithme MFO.
Tableau 5.20 Paramètres et coefficients des turbines éoliennes (réseau Algérien)

[$/MW] [$/MW] [$/MW] [MW] [m/s] [m/s] [m/s]
Eolienne 1 4.083 1.425 1.75 3 1.5 10 3 21 3.712
Eolienne 2 5.178 2.008 2 3 1.5 20 3 25 4.589
104
Les valeurs optimales du coût production total et des pertes de puissance active obtenues sont,
respectivement, 18476.6305 $/h et 73.3507 MW. On remarque que les valeurs du coût et des
pertes obtenues, après l’insertion des générateurs éoliens, sont relativement faibles par rapport
au système sans production éoliennes.
Scénario 3 : Avec les mêmes conditions de simulation données dans le scénario 2 et après
avoir pris en compte l'amélioration de la stabilité de la tension, le coût total de production et
les pertes de puissance active obtenus sont 18995.7628 $/h et de 73.3308 MW,
respectivement.
105
Par rapport aux résultats obtenus sans considération de l'amélioration de la stabilité de la

tension, on peut observer que le coût total augmente de 506.7035$/h. Alors que les pertes de
puissance démunie de 0.043 MW. Cependant, en termes de profil de tension et d'indice de
stabilité Lmn illustrés dans les Figures 5.35. 5.36 et 5.37, les résultats obtenus sont légèrement
améliorés en comparant aux résultats obtenus sans tenir compte de l'indice Lmn. Une
comparaison détaillée des résultats obtenus dans les trois scénarios est représentée dans le
Tableau 5.21.
1,4
1,2
0,8 scénario1
0,6 scénario2
scénario3
0,4
0,2
0
73
13
19
25
31
37
43
49
55
61
67
79
85
91
97
7
1
103
109
115
121
127
133
139
145
151
157
163
169
175
Figure 5.35 Comparaison de l’indice de stabilité Lmn (réseau Algérien)
12,7
12,6
12,5 scénario1
12,4 scénario2
12,3 scénario3
12,2
12,1
scénario1 scénario2 scénario3
Figure 5.36 Comparaison de l'indice de stabilité ∑Lmn des trois scénarios (réseau Algérien)
106
1,2
0,8
scénario1
0,6
scénario2
0,4 scénario3
0,2
0
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
93
97
1
5
9
101
105
109
113
Figure 5.37 Comparaison des profils de tension des trois scénarios (réseau Algérien)
Tableau 5.21 Comparaison des résultats obtenus des trois scénarios (réseau Algérien)
Cout total de production ($/h) 19154.6432 18476.6305 18983.3358
Pertes de puissance (MW) 74.9669 73.3507 73.3077
∑Lmn 12.6821 12.4276 12.3268
5.5 Conclusion
Dans ce chapitre, nous avons évalués en ligne la stabilité de tension des réseaux test IEEE-
30, IEEE-118 et le réseau Algérien 114 jeux de barres par le système inférence neuro-floue
adaptative (ANFIS). En plus dans notre étude nous avons utilisés aussi une méthode
d’optimisation méta-heuristique (Moth-Flame Optimizer (MFO)) pour l’optimisation des
paramètres internes de l’ANFIS ainsi que l’écoulement de puissance optimal en présence des
énergies renouvelables. Des bons résultats sont obtenus en comparant aux autre études
existantes dans la littérature ce qui reflètent la performance des algorithmes utilisés.
107
Conclusion générale
L’évaluation en ligne de la stabilité de tension est un moyen de sécurité efficace dans les
réseaux électriques. Pour assurer la continuité de service et la stabilité du réseau il est nécessaire
de maintenir les tensions de tous les jeux de barres dans des limites acceptables. Plusieurs
techniques et outils ont été proposés pour évaluer et prédire la stabilité de tension des réseaux
électriques en cas d’une contingence pour prendre les précautions et les solutions nécessaires à
fin d’éviter un blackout.
La libéralisation du marché de l’électricité et la détérioration des combustibles fossiles ont

conduit les chercheurs à intégrer une nouvelle génération d’énergie appelée renouvelable. Ce
type de source de production de l’énergie est la technologie la plus mature qui joue un rôle
important dans les réseaux électriques modernes, en raison de leur coût réduit et de leurs
avantages pour l'environnement. L’énergie éolienne est l’une de ces énergies renouvelables
qu’est en plein développement dans le monde, c'est un secteur qui connaît une croissance très
rapide ces dernières années. Cependant, l’intégration de l’énergie éolienne dans un réseau
électrique à des impacts sur l’environnement, la sécurité du réseau et sur le coût de production.
Dans le cadre de ce travail, nous avons présentés :
 Un nouveau modèle hybride combinant l’ANFIS et l’algorithme d’optimisation méta-

heuristique Moth-flame Optimisation (MFO) pour l’évaluation en ligne de la stabilité
de tension. L'algorithme MFO est adapté pour déterminer la valeur optimale du
paramètre interne de l’ANFIS ‘Cluster radius’ afin d'obtenir un meilleur compromis
complexité-précision dans la conception de l’ANFIS. Le modèle ANFIS-MFO
développé utilisait les amplitudes des tensions et leurs phases obtenues à partir des
jeux de barres critiques du réseau comme variables d'entrée alors que l'indice de
stabilité de tension de ligne comme vecteur de sortie.
 Une méthode d’identification et de classement des jeux de barres critiques dans un
réseau électrique. La méthode proposée est basée sur l’utilisation de l’algorithme
MFO pour déterminer les jeux de barres les plus adéquats à l’insertion des sources de
puissance réactive à savoir les batteries de condensateurs ou les systèmes FACTS. Ces
110
jeux de barres sont considérés comme les jeux de barres les plus critiques dans le
réseau de point de vue stabilité de tension.
 Une méthode d’optimisation méta-heuristique MFO pour l’optimisation de
l’écoulement de puissance optimal en présence de la production éolienne. Le problème
d’OPF consiste à déterminer, sur les bases des demandes et les productions, un plan de
fonctionnement satisfaisant les contraintes liées au transport de la puissance tout en
minimisant le coût de production, les pertes en puissance, ainsi que l’amélioration de
la marge de la stabilité.
Des applications des méthodes proposées sur le réseau test IEEE-30, IEEE-118 jeux de barres et
le réseau Algérien 114 jeux de barres démonter l’efficacité de ces méthodes.
De nombreuses perspectives s’ouvrent sur le problème de la stabilité des réseaux électriques

avec l’insertion optimale des énergies renouvelables. Parmi ces perspectives :
 L’intégration des méthodes visant à réduire les variables d’entrée pour réduire la
complexité et le temps de calcul.
 Les techniques d'optimisation récemment développées peuvent être incorporées à
d'autres méthodes d'apprentissage automatique pour développer des outils puissants
pouvant être exploités pour l’évaluation en ligne de la stabilité de tension.
 L'utilisation des techniques d'optimisation méta-heuristique pour résoudre le problème
d’OPF en tenant compte de l’intégration des énergies renouvelables avec des véhicules
électriques.
111
Bibliographie
[1] H.A. Abo-Khalil, “Impacts of Wind Farms on Power System Stability” Electrical
Engineering Department, Majmaah University, Saudi Arabia, 2013.
[2] F. Larki, et al., “Voltage Stability Evaluation of The Khouzestan Power System in Iran
Using CPF Method and Modal Analysis” Khouzestan Regional Electrical Company, Iran,
IEEE, 2011.
[3] S. B. Bhaladhare, A. S. Telang, P. P. Bedekar, “P-V, Q-V Curve - a Novel Approach for
Voltage Stability Analysis” International Journal of Computer Applications, Vol. 5, pp 5-
17, 2013.
[4] T. kojima, h. mori, “Development of Nonlinear Predictor with a Set of Predicted Points
for Continuation Power Flow” Electrical Engineering in Japan, Vol. 163, No. 4, 2008.
[5] P. Aravindhababu, G. Balamurugan, “ANN based online voltage estimation” Applied Soft
Computing Vol 12, pp 313-319, Elseveir 2012.
[6] Zadeh L, “A fuzzy-set-theoretic interpretation of linguistic hedges” Cyber Net, Vol. 2, pp.
4-34, 1972.
[7] M. Suganyadevi, C. Babulal, “Fast assessment for voltage stability margin of power
system” J. Electrical Systems, Vol. 10, No. 3, pp. 305-316, 2014.
[8] M. Ramaswamy, K. Nayar, “On-line estimation of bus voltages based on fuzzy logic”
Electrical Power and Energy Systems, Vol. 26, pp. 681-684, 2004.
[9] M. Reddy, D. Mohanta, “Adaptive neuro-fuzzy inference system approach for
transmission line fault classification and location incorporating effects of power swings”
IET Gener Transm Dis, Vol. 2, pp. 235-44, 2008.
[10] Mirdjallili. S, “Moth-flame optimization algorithm a novel nature-inspired heuristic
Paradigm” Knowledge-Based Systems, Vol. 89, pp. 228-249, 2015.
[11] P. Kunder, J. Paserba, V. Ajjarapu, “Definition and classification of power system
stability” IEEE Transactions on Power Systems, Vol. 19, IEEE/CIGRE, 2004.
[12] P. Kundur, “Power System Stability and Control” New York: McGraw-Hill, 1994.
[13] T. Van Cutsem, C.D. Vournas, “Emergency voltage stability controls” an Overview
Proceedings of IEEE/PES General Meeting, June 24-28, 2007.
[14] C. Madhava Reddy, “Power System Voltage Stability Analysis” Indian Institute of
Technology Hyderabad in Partial Fulllment of the Requirements for The Degree of Master
of Technology 2011.
[15] K. Alcheikh-Hamoud, “modélisation des grands systèmes électriques interconnectes
application à l’analyse de sécurité dans un environnement compétitif” Sciences de
l’ingénieur [physics]. Institut National Polytechnique de Grenoble - INPG, 2010.
[16] M. AMROUNE, “Contribution à l‟étude de la stabilité des réseaux électriques
intelligents (smart grids)” doctorat en sciences, universite ferhat abbes setif, Algérie
Faculté de Technologie, 2018.
112
[17] T. Van Cutsem, C.D. Vournas, “Emergency voltage stability controls” an Overview
Proceedings of IEEE/PES General Meeting, June 24-28, 2007.
[18] I. musurin, “Novel Fast Voltage Stability Index (FVSI) for Voltage Stability Analysis
in Power Transmission System” Student Conference on Research and Development
Proceedings, Shah Alam Malaysia, 2002.
[19] K. Takayuki, M. Hiroyuki, “Development of Nonlinear Predictor with a Set of
Predicted Points for Continuation Power Flow” Electrical Engineering in Japan, Vol. 163,
pp. 30-41, 2008.
[20] F. Karbalaei, H. Soleymani, S. Afsharnia “A comparison of voltage collapse proximity
indicators” in IPEC, 2010 Conference Proceedings, IEEE 2010.
[21] M. Moghavvenni, M. Faruque, “Estimation of Voltage Collapse from Local
measurement of Line Power Flow and Bus Voltages” Proc. Of International conference on
Electrical Power Engineering, Budapest, pp. 77, 1999.
[22] B. Jeyasurya, “Artificial neural networks for power system steady-state voltage
instability evaluation” Electric Power Systems Research, vol. 29, pp. 85-90, 1994.
[23] A. El-Keib, X. Ma, “Application of artificial neural networks in voltage stability
assessment” IEEE Transactions on Power Systems, vol. 10, no. 4, pp. 1890-1896, 1995.
[24] M. La Scala, M. Trovato, F. Torelli, “A neural network-based method for voltage
security monitoring” IEEE Transactions on Power Systems, vol. 11, no. 3, pp. 1332-1341,
1996.
[25] D. Popovic, D. Kukolj, F. Kulic, “Monitoring and assessment of voltage stability
margins using artificial neural networks with a reduced input set” IEE Proc-Gener.
Transm. Distrib, vol. 145, no. 4, 1998.
[26] G. Joya, F. García-Lagos, F. Sandoval, “Contingency evaluation and monitorization
using artificial neural networks” Neural Comput Appl, vol. 19, no. 1, pp. 139–50, 2007.
[27] D. Devaraj, J. Preetha Roselyn, R. Uma Rani, “Artificial neural network model for
voltage security based contingency ranking” Applied Soft Computing, vol. 7, pp. 722-727,
2007.
[28] Q. Debbie, U. Zhou, D. Annakkage, “Online Monitoring of Voltage Stability Margin
Using an Artificial Neural Network” IEEE Transactions on Power Systems, Vol. 25,no
(3), pp. 1566-1574, 2010.
[29] S. Chakrabarti, B. Jeyasurya “On-line Voltage Stability Monitoring Using Artificial
Neural Network” Large Engineering Systems Conference on Power Engineering, 2004.
[30] V. Jayasankar, N. Kamaraj, N. Vanaja, “Estimation of voltage stability index for
power system employing artificial neural network technique and TCSC placement”
Neurocomputing, Vol. 73, pp. 3005-3011, 2010.
[31] A. Syed, et al., “Voltage stability monitoring of power systems using reduced network
and artificial neural network” Electrical Power and Energy Systems, Vol. 87, pp. 43-51,
2017.
[32] K. Chakraborty, A. De, A. Chakrabarti, “Voltage stability assessment in power
network using self-organizing feature map and radial basis function” Computers and
Electrical Engineering, Vol. 38, pp. 819-826, 2012.
113
[33] D. Devaraj, J. Preetha, “On-line voltage stability assessment using radial basis
function network model with reduced input features” Electrical Power and Energy
Systems, Vol. 33, pp. 1550-1555, 2011.
[34] M. Moghavvemi, S. Yang, ”ANN Application Techniques for Power System Stability
Estimation” Electric Machines & Power Systems, Vol. 28, pp. 167-178, 2011.
[35] S. Hashemi, M. Aghamohammadi, “Wavelet based feature extraction of voltage
profile for online voltage stability assessment using RBF neural network” Electrical Power
and Energy Systems, Vol. 49, pp. 86-94, 2013.
[36] K. Selvakumar, C. S. Boopathi, M. Sri Harsha, “Voltage Stability Assessment using
Artificial Neural Networks” Indian Journal of Science and Technology, Vol. 9, No 38,
2016.
[37] G. Saha, K. Chakraborty, P. Das, “Voltage Stability Prediction on Power Networks
using Artificial Neural Networks” Vol. 10, No 1, 2018.
[38] D. Bedoya, C. Castro, L. Silva, “A method for computing minimum voltage stability
margins of power systems” IET Gener. Transm. Distrib, Vol. 2, no. 5, pp. 676-689, 2008.
[39] A. Almaksour, E. Anquetil, “Systèmes d’inférence floue auto-évolutifs : apprentissage
incrémental pour la reconnaissance de gestes manuscrits” Colloque International
Francophone sur, Tunisie, Mar 2010.
[40] K. Tomsovic, M. Y. Chow, “Tutorial on fuzzy logic applications in power systems”
resented at the IEEE-PES Winter Meeting in Singa-pore, Jan. 2000.
[41] R. Babuska, “Fuzzy modeling and identification,” Ph.D. dissertation, Tech. Univ.
Delft, Delft, The Netherlands, Jan. 1997.
[42] M. Hussain, et al., “Enhancement of power system stability using fuzzy logic based
supervisory power system stabilizer” Power and Energy Conference, Johor Bahru,
Malaysia, 2008.
[43] V. K. Tayal, et al., “Power System Stability Enhancement Using Fuzzy Logic Based
Power System Stabilizer” Proceedings of the Third International Conference on Soft
Computing for Problem Solving pp. 55-68, Springer, 2014.
[44] Jang JSR ANFIS: adaptive-network-based fuzzy inference system. IEEE Trans Syst
Man Cybern, Vol. 23, no. 3, pp. 665–685, 1993.
[45] M. Reddy, D. Mohanta, “Adaptive neuro-fuzzy inference system approach for
transmission line fault classification and location incorporating effects of power swings"
IET Gener Transm Dis, Vol. 2, pp. 235-44, 2008.
[46] S. Kumar, S. Rajasekar, P. Ajay, “Power Quality Profile Enhancement of Utility
Connected Microgrid System Using ANFIS-UPQC” Procedia Technology, Vol.15, pp.
112-119, 2016.
[47] A. Pappachen, A. peer, “Load frequency control in deregulated power system
integrated with SMES–TCPS combination using ANFIS controller” International Journal
of Electrical Power & Energy Systems, Vol. 82, pp. 519-534, 2016.
[48] G. Ser, S. Charles, V. Venkatesh, “Design of ANFIS Controller for Power System
Stability Enhancement Using FACTS Device” Power Electronics and Renewable Energy,
Vol. 32, no. 6, pp. 1163-117, 2014.
114
[49] K. Yabe, et al., “Conceptual designs of AI-based Systems for local prediction of
voltage collapse” IEEE Trans. Power Syst, Vol. 11, no. 1, pp. 137-145, 1996.
[50] A. Berizzi, et al., “A Neuro-Fuzzy Inference System for the Evaluation of Voltage
Collapse Risk Indices” Bulk Power System Dynamics and Control, Cortina d’Ampezzo
Italy, pp. 22-27, 2004.
[51] P. Modi, S. Singh and J. Sharma, “Voltage stability evaluation of power system with
FACTS devices using fuzzy neural network” Engineering Applications of Artificial
Intelligence, Vol. 20, pp. 481-491, 2007.
[52] P. Modi, S. Singh and J. Sharma, “Fuzzy neural network based voltage stability
evaluation of power system s with SVC” Applied Soft Computing, Vol. 8, pp.657-665,
2008.
[53] A. Berizzi, et al., “Online fuzzy voltage collapse risk quantification” Electric Power
Systems Research, Vol. 79, pp. 740-749, 2009.
[54] D.Krishna, V.Padmaja, S. Asma, “Design of fuzzy logic controller for voltage stability
condition in ieee-14 bus system” International Journal of Engineering Research and
Applications, 2015.
[55] P. Torres, H. Peralta, A. Castro, “Power System Loading Margin Estimation Using a
Neuro-Fuzzy Approach” IEEE transactions on power systems, Vol. 22, no.4, pp. 1955-
1964, 2007.
[56] M. Sagara, et al., “Voltage stability improvement to power systems with energy
storage systems” 17th International Conference on Harmonics and Quality of Power
(ICHQP), pp. 7-10, 216.
[57] Y. Besanger, “vers l’amélioration de la sécurité des réseaux électriques de puissance”
Energie électrique, Institut National Polytechnique de Grenoble - INPG, 2006.
[58] Y, Merzoug, “Contrôle optimal des puissances réactives et des tensions dans un réseau
d’énergie électrique par dispositifs FACTS” Université Des Sciences et de la Technologie
d’Oran Mohamed Boudiaf, Doctorat en science, 2014.
[59] S. Jain et al., “Siting and Sizing of DG in Medium Primary Radial Distribution System
with Enhanced Voltage Stability” Chinese Journal of Engineering, 2014.
[60] K. MERINI, “Contribution à l’amélioration des méthodes évolutionnaires pour la
répartition optimale des puissances: application dans un réseau d’énergie électrique avec
et sans FACTS”, université Djilali liabes de Sidi-Bel-Abbès faculté de génie électrique
département d'électrotechnique, Doctorat en Sciences 2017.
[61] S. Sayeh, “Application de l’intelligence artificielle pour le fonctionnement optimal des
systèmes électriques” université Ferhat Abbes Sétif 1, faculté des sciences de l’ingénieur,
Doctorat en Sciences, 2010.
[62] F. Brendan, et al., “Wind power integration, connection and system operational
Aspects” 2eme edition 2014.
[63] A. Pagnetti, M. Ezzaki, I. Anqouda “Impact of wind power production in a European
Optimal Power Flow” Electric Power Systems Research, Vol. 152, pp. 284-294, 2017.
[64] S. Mondal, et al., “Multi-objective economic emission load dispatch solution using
gravitational search algorithm and considering wind power penetration” Electrical Power
and Energy Systems, Vol. 44, pp. 2822-92, 2013.
115
[65] S. Chena, et al., “Multi-time combined gas and electric system optimal power flow
incorporating wind power” energy procedia, Vol. 100, pp. 111-116, 2016.
[66] J. Li, et al., “Impacts and benefits of UPFC to wind power integration in unit
commitment” Renewable Energy, September 2017.
[67] S. T. Blakea, T. J. O’Sullivan, “Optimization of distributed energy resources in an
industrial microgrid” 11th CIRP Conference on Intelligent Computation in Manufacturing
Engineering - CIRP ICME '17 ScienceDirect, pp.104-109, 2018.
[68] X. Zhao, X. Zhang, “Artificial Intelligence Applications in Power System” Advances
in Intelligent Systems Research, vol. 133, 2016.
[69] R. M. Parizeau, “Réseaux de neurones“ Université Laval, Automne 2004.
[70] T. Takagi, M. Sugeno, “Fuzzy identification of systems and its applications to
modeling and control” IEEE Transactions on System Man and Cybernetics, Vol. 15, pp.
116-132, 1985.
[71] J. Aguilar-Martin, “La logique floue et ses applications industrielles” intelligence
artificielle et entreprise, Vol. 25 pp. 75-86, 1995.
[72] S. Z. Boujelbene, et al., “Systèmes à Inférences Floues pour la Classification
Phonémique” 4th International Conference: Sciences of Electronic, Technologies of
Information and Telecommunications, TUNISIA, pp. 25-29, 2007.
[73] R. Gouriveau, M. El Koujok, N. Zerhouni, “Spécification d’un système neuro-flou de
prédiction de défaillances à moyen terme” Rencontres Francophones sur la Logique Floue
et ses Applications, LFA, Nîmes, France, Vol 1, pp.65-72, 2007.
[74] S. P. Torres, et Al., “Castro Power System Loading Margin Estimation Using a Neuro-
Fuzzy Approach” IEEE transactions on power systems, Vol. 22, no. 4, NOVEMBER
2007.
[75] G. Civelekoglu, et al., “carbon and nitrogen removal in an industrial wastewater
treatment plant using an adaptive network-based fuzzy inference system Clean-Soil Air
Water” Vol. 35, pp. 617-625, 2007.
[76] M. Yilmaz “Adaptive network based on fuzzy inference system estimates of geoid
heights” interpolation Scientific Res. Essays, Vol. 5, pp. 2148-2154, 2010.
[77] A .P. Vassilopoulos, R. BediAdaptive “neuro-fuzzy inference system in modelling
fatigue life of multidirectional composite laminates” Comput. Mat. Sci.,
Vol. 43, pp. 1086-1093, 2008.
[78] A. Mellit, S.A. Kalogirou, “ANFIS-based modelling for photovoltaic power supply
system: a case study Renew. Energy” Vol. 36, pp. 250-258, 2011.
[79] J. C. Bezdek, “Pattern recognition with fuzzy objective function algorithms” Plenum
Press, New York, 1981.
[80] S. Chiu, “Fuzzy model identification based on cluster estimation” J Intell Fuzzy Syst
Vol. 2, no. 3, pp. 267-278, 1994.
[81] O. Hajji, “ Contribution au développement de méthodes d’optimisation stochastiques.
Application à la conception des dispositifs Electrotechniques ” Thèse de doctorat en génie
électrique, Ecole centrale de Lille, Université des sciences et technologies de Lille, 2003.
[82] F. Glover, Tabu search - part I. ORSA Journal on Computing, vol. 1, no. 3, pp. 190-
206, 1989.
116
[83] M. Amroune , A. Bourzami, T. Bouktir T, “Weakest Buses Identification and Ranking
in Large Power Transmission Network by Optimal Location of Reactive Power Supports”
TELKOMNIKA Indonesian Journal of Electrical Engineering, vol.12, no.10, pp. 7123-
7130, 2014.
[84] K. Gopalakrishnan, H. Ceylan, A. Okine, “Intelligent and soft computing in
infrastructure systems engineering” Springer-Verlag BerlinHeidelberg, 2009.
[85] W. Suparta, K.M. Alhasa, “Modeling of Tropospheric Delays Using ANFIS” Springer
Briefs in Meteorology, DOI 2016.
[86] J. Canard, “impact de la génération d’énergie dispersée dans les réseaux de
distribution” thèse doctorat Laboratoire d'Electrotechnique de Grenoble 2012.
[87] H. Kanchev, “Gestion des flux énergétiques dans un système hybride de sources
d’énergie renouvelable” Optimisation de la planification opérationnelle et ajustement d’un
micro réseau électrique urbain Hal Id école centrale de lille 2015.
[88] K. belmokhtar, “contribution à l'intégration d'un parc éolien à un réseau électrique
autonome, avec stockage d'énergie sous forme d'hydrogène” doctorat en génie électrique,
université du Québec, 2015.
[89] C. Cany “Interactions entre énergie nucléaire et énergies renouvelables variables dans
la transition énergétique en France : adaptations du parc électrique vers plus de flexibilité”
thèse de doctorat, Université Paris Saclay, 2017.
[90] M. Lopez, “contribution à l’optimisation d’un système de conversion éolien pour une
unité de production isolée” Energie électrique, Université Paris Sud - Paris XI, 2008.
[91] T. Ghennam, thèse de DOCTORAT, délivre conjointement par l’école centrale de
Lille et l’école militaire polytechnique d’Alger, “Supervision d’une ferme éolienne pour
son intégration dans la gestion d’un réseau électrique, Apports des convertisseurs multi
niveaux au réglage des éoliennes à base de machine asynchrone à double
alimentation” 2011.
[92] B. GUY, B. Multon, “Production d'électricité éolienne: de la caractérisation du
gisement éolien aux technologies d'aérogénérateurs” encyclopédie de l’énergie janvier
2016.
[93] A. Vergnol “Intégration dans le réseau électrique et le marché de l’électricité de
production décentralisée d’origine renouvelable : gestion des congestions locales” thèse
de doctorat de l’université de recherche paris sciences et lettres psl research university,
2016.
[94] L. M. Ruiz Gomez, “Intégration de la production éolienne aux réseaux électriques :
approches techniques et économiques” Université de Grenoble, 2012.
[95] A. Teninge, “participation aux services système de parcs éoliens mixtes : application
en milieu insulaire” Sciences de l’ingénieur [physics]. Institut National Polytechnique de
Grenoble - INPG, 2009.
[96] A. stasiakowska “le marché intérieur d’électricité. entre la libéralisation et la sécurité
d’approvisionnement en électricité” diplôme d'études approfondies en études européennes,
institut européen de l'université de Genève collection Europa vol. 63, 2009.
[97] L. SLIMANI, “Contribution à l’application de l’optimisation par des méthodes méta-
heuristiques à l’écoulement de puissance optimal dans un environnement de l’électricité
117
dérégulé” Doctorat en sciences, faculté des sciences de l’ingénieur, université de Batna,
2009.
[98] M. Oriolo, “Intégration progressive des marches d'électricité de l'Algérie, du Maroc
et de la Tunisie dans le marché intérieur de l'électricité de l'union européenne” Juin
2010.
[99] S. Makhloufi “Prévision de la ressource éolienne” Centre de Développement des
Energies Renouvelables Alger, Algérie.
[100] J. Martin-Amouroux, Directeur de recherche émérite au CNRS “Les prix et les couts
des sources d’énergie” 2015.
[101] B. Belabes, A. Kaabache, O. Guerri “Evaluation du coût de production d’électricité
d’origine éolienne. Cas de deux sites des hauts plateaux Algériens” centre de
Développement des Energies Renouvelables” CDER Revue des Energies Renouvelables
Vol. 17, pp. 117-128, 2014.
[102] A. Derai, A. Kaabeche, S. Diaf “Etude de faisabilité technico-économique de fermes
éoliennes en Algérie” Revue des Energies Renouvelables Vol. 20, no. 4, pp. 693-712,
2017.
[103] Coûts prévisionnels de production de l’électricité AGENCE INTERNATIONALE DE
L’ÉNERGIE Édition 2010.
[104] K. Balamurugan, K. Muthukumar, “Differential Evolution algorithm f or contingency
analysis-based optimal location of FACTS controllers in deregulated electricity market”
Springer-Verlag GmbH Germany, 2018.
[105] J. RÉTIVEAU, “Analyse de données expérimentales et conception d'un générateur
numérique de vitesses de vent” mémoire de recherche présenté à l'université du Québec à
Rimouski.
[106] R. Ranjit, H. T. Jadhav, “Optimal power flow solution of power system incorporating
stochastic wind power using Gbest guided artificial bee colony algorithm” Electrical
Power and Energy Systems, Vol. 64, pp. 562–578, 2015.
[107] P. Venkatesh, R. Gnanadass, N.P. Padhy, “Comparison and application of
evolutionary programming techniques to combined economic emission dis-patch with line
flow constraints” IEEE Trans. Power Syst, Vol. 18, no 2, pp. 688-697, 2003.
[108] L. Slimani, T. Bouktir “Optimal power flow solution of the Algerian electrical
network using differential evolution algorithm” TELKOMINIKA Vol. 10, No. 2,
pp.199-210, 2012.
[109] C. Liu, C. Chang, M. Su, “Neuro-Fuzzy Networks for Voltage Security Monitoring
Based on Synchronized Phasor Measurements,” IEEE Transactions on Power Systems,
Vol. 13, No. 2, 1998.
[110] Y. Y. Hong, C. H. Gau, “Voltage stability indicator for identification of the weakest
bus/area in power systems,” IEE Proc-Gener. Transm. Distrib., Vol. 141, No. 4, July
I994.
[111] W. Qin, et al., “Power System Reliability Based on Voltage Weakest Bus
Identification” IEEEPower and Energy Society General Meeting, 2011, Detroit, MI, USA.
[112] A. Attia, A. Ragab, M. Hany, “Optimal power flow solution in power systems using a
novel Sine-Cosine algorithm” Electrical Power and Energy Systems, Vol. 98, pp. 331-
343, 2018.
118
[113] P. P Biswas, et al., “Optimal power flow solutions using differential evolution
algorithm integrated with effective constraint handling techniques” Engineering
Applications of Artificial Intelligence, Vol. 68, pp. 81-100, 2018.
[114] S. S. Reddy, P. R. Bijwe, A. R. Abhyankar, “Faster evolutionary algorithm based
optimal power flow using incremental variables” Int J Electr Power Energy Syst, Vol. 54,
pp.198-210, 2014.
[115] S. Mishra, Y. Mishra, S. Vignesh, “Security Constrained Economic Dispatch
Considering Wind Energy Conversion Systems” IEEE Power and Energy Society General
Meeting, 978-1-4577-1002-5/11, 2011.
[116] A. M. Al-Attar, S. Yahia, M. Mohamed, A.M. El-Gaafary, A. M. Hemeida, “Optimal
power flow using moth swarm algorithm” Electric Power Systems Research, Vol. 142, pp.
190-206, 2017.
[117] K. Pandiarajan, C.K. Babulal, “Fuzzy harmony search algorithm based optimal power
flow for power system security enhancement, Int. J. Electr, Power Energy Syst, Vol. 78,
pp. 72-79, 2016,
[118] H.R.E.H. Bouchekara, A.E. Chaib, M.A. Abido, R.A. El-Sehiemy, “Optimal power
flow using an improved colliding bodies optimization algorithm, Appl, Soft Comput, Vol.
42, pp. 119-131, 2016.
[119] O. Herbadji, L. Slimani, T. Bouktir, “Optimal Power Flow with Four Conflicting
Objective Functions using Multiobjective Ant Lion algorithm: A case study of the
Algerian Electrical Network”, Iranian Journal of Electric al and Electronic Engineering,
pp. 94-113, 2019.
119
Annexe
Annexe A : Données du réseau test IEEE-30 jeux de barres
Tableau A1 Données des jeux de barres
N° Jeu de barres P (MW) Q(MW) N° Jeu de barres P (MW) Q(MW)

1 0.00 0.00 16 3.50 1.80
2 21.7 12.7 17 9.00 5.80
3 2.40 1.20 18 3.20 0.90
4 7.60 1.60 19 9.50 3.40
5 94.2 19.0 20 2.20 0.70
6 0.00 0.00 21 17.5 11.2
7 22.8 10.9 22 0.00 0.00
8 30.0 30.0 23 3.20 1.60
9 0.00 0.00 24 8.70 6.70
10 5.80 2.00 25 0.00 0.00
11 0.00 0.00 26 3.50 2.30
12 11.2 7.50 27 0.00 0.00
13 0.00 0.00 28 0.00 0.00
14 6.20 1.60 29 2.40 0.90
15 8.20 2.50 30 10.6 1.90
Tableau A2 Données des lignes
N° Ligne Jb de départ Jb d’arrivé R (pu) X (pu) Susceptance (pu)

1 1 2 0.01920 0.0575 0.02640
2 1 3 0.04520 0.1852 0.02040
3 2 4 0.05700 0.1737 0.01840
4 3 4 0.01320 0.0379 0.00420
5 2 5 0.04720 0.1983 0.02090
6 2 6 0.05810 0.1763 0.01870
7 4 6 0.01190 0.0414 0.00450
8 5 7 0.04600 0.0116 0.01020
9 6 7 0.02670 0.0820 0.00850
10 6 8 0.01200 0.0420 0.00450
11 6 9 0.00000 0.2080 0.00000
12 6 10 0.00000 0.5560 0.00000
13 9 11 0.00000 0.2080 0.00000
14 9 10 0.00000 0.1100 0.00000
15 4 12 0.00000 0.2560 0.00000
16 12 13 0.00000 0.1400 0.00000
17 12 14 0.12310 0.2559 0.00000
18 12 15 0.06620 0.1304 0.00000
19 12 16 0.09450 0.1987 0.00000
20 14 15 0.22100 0.1997 0.00000
21 16 17 0.08246 0.1932 0.00000
22 15 18 0.10700 0.2185 0.00000
23 18 19 0.06390 0.1292 0.00000
24 19 20 0.03400 0.0680 0.00000
25 10 20 0.09360 0.2090 0.00000
26 10 17 0.03240 0.0845 0.00000
27 10 21 0.03480 0.0749 0.00000
28 10 22 0.07270 0.1499 0.00000
29 21 22 0.01160 0.0236 0.00000
30 15 23 0.10000 0.2020 0.00000
110
31 22 24 0.11500 0.1790 0.00000
32 23 24 0.13200 0.2700 0.00000
33 24 25 0.18850 0.3292 0.00000
34 25 26 0.25440 0.3800 0.00000
35 25 27 0.10930 0.2087 0.00000
36 27 28 0.00000 0.3960 0.00000
37 27 29 0.21980 0.4153 0.00000
38 27 30 0.32020 0.6027 0.00000
39 29 30 0.23990 0.4533 0.00000
40 8 28 0.06360 0.2000 0.02140
41 6 28 0.01690 0.0599 0.00650
Annexe B : Données du réseau test IEEE-118 jeux de barres
Tableau B1 Paramètres et coefficients des générateurs
U No Coefficients Cout des generateurs Pmax Pmin Qmax Qmin

jeux A B c (MW) (MW) (MVAR) (MVAR)
de
barre
1 4 31.67 26.2438 0.069663 30 5 300 -300
2 6 31.67 26.2438 0.069663 30 5 50 -13
3 8 31.67 26.2438 0.069663 30 5 300 -300
4 10 6.78 12.8875 0.010875 300 150 200 -147
5 12 6.78 12.8875 0.010875 300 100 120 -35
6 15 31.67 26.2438 0.069663 30 10 30 -10
7 18 10.15 17.8200 0.012800 100 25 50 -16
8 19 31.67 26.2438 0.069663 30 5 24 -8
9 24 31.67 26.2438 0.069663 30 5 300 -300
10 25 6.78 12.8875 0.010875 300 100 140 -47
11 26 32.96 10.7600 0.003000 350 100 1000 -1000
12 27 31.67 26.2438 0.069663 30 8 300 -300
13 31 31.67 26.2438 0.069663 30 8 300 -300
14 32 10.15 17.8200 0.012800 100 25 42 -14
15 34 31.67 26.2438 0.069663 30 8 24 -8
16 36 10.15 17.8200 0.012800 100 25 24 -8
17 40 31.67 26.2438 0.069663 30 8 300 -300
18 42 31.67 26.2438 0.069663 30 8 300 -300
19 46 10.15 17.8200 0.012800 100 25 100 -100
20 49 28 12.3299 0.002401 250 50 210 -85
21 54 28 12.3299 0.002401 250 50 300 -300
22 55 10.15 17.8200 0.012800 100 25 23 -8
23 56 10.15 17.8200 0.012800 100 25 15 -8
24 59 39 13.2900 0.004400 200 50 180 -60
25 61 39 13.2900 0.004400 200 50 300 -100
26 62 10.15 17.8200 0.012800 100 25 20 -20
27 65 64.16 8.3391 0.010590 420 100 200 -67
28 66 64.16 8.3391 0.010590 420 100 200 -67
29 69 6.78 12.8875 0.010875 300 80 99999 -99999
30 70 74.33 15.4708 0.045923 80 30 32 -10
31 72 31.67 26.2438 0.069663 30 10 100 -100
32 73 31.67 26.2438 0.069663 30 5 100 -100
33 74 17.95 37.6968 0.028302 20 5 9 -6
34 76 10.15 17.8200 0.012800 100 25 23 -8
35 77 10.15 17.8200 0.012800 100 25 70 -20
36 80 6.78 12.8875 0.010875 300 150 280 -165
111
37 82 10.15 17.8200 0.012800 100 25 9900 -9900
38 85 31.67 26.2438 0.069663 30 10 23 -8
39 87 32.96 10.7600 0.003000 300 100 1000 -100
40 89 6.78 12.8875 0.010875 200 50 300 -210
41 90 17.95 37.6968 0.028302 20 8 300 -300
42 91 58.81 22.9423 0.009774 50 20 100 -100
43 92 6.78 12.8875 0.010875 300 100 9 -3
44 99 6.78 12.8875 0.010875 300 100 100 -100
45 100 6.78 12.8875 0.010875 300 100 155 -50
46 103 17.95 37.6968 0.028302 20 8 40 -15
47 104 10.15 17.8200 0.012800 100 25 23 -8
48 105 10.15 17.8200 0.012800 100 25 23 -8
49 107 17.95 37.6968 0.028302 20 8 200 -200
50 110 58.81 22.9423 0.009774 50 25 23 -8
51 111 10.15 17.8200 0.012800 100 25 1000 -100
52 112 10.15 17.8200 0.012800 100 25 1000 -100
53 113 10.15 17.8200 0.012800 100 25 200 -100
54 116 58.81 22.9423 0.009774 50 25 1000 -1000
Tableau B2 Données des puissances demandées
No du jeux de Pd Qd
barre (MW) (MVAR)
1 54.14 8.66
2 21.23 9.55
3 41.4 10.62
4 31.85 12.74
6 55.2 23.35
7 20.17 2.12
11 74.31 24.42
12 49.89 10.62
13 36.09 16.99
14 14.86 1.06
15 95.54 31.85
16 26.54 10.62
17 11.68 3.18
18 63.69 36.09
19 47.77 26.54
20 19.11 3.18
21 14.86 8.49
22 10.62 5.31
23 7.43 3.18
27 65.82 13.8
28 18.05 7.43
29 25.48 4.25
31 45.65 28.66
32 62.63 24.42
33 24.42 9.55
34 62.63 27.6
35 35.03 9.55
36 32.91 18.05
39 27 11
40 20 23
41 37 10
42 37 23
43 18 7
44 16 8
112
45 53 22
46 28 10
47 34 0
48 20 11
49 87 30
50 17 4
51 17 8
52 18 5
53 23 11
54 113 32
55 63 22
56 84 18
57 12 3
58 12 3
59 277 113
60 78 3
62 77 14
66 39 18
67 28 7
70 66 20
74 68 27
75 47 11
76 68 36
77 61 28
78 71 26
79 39 32
80 130 26
82 54 27
83 20 10
84 11 7
85 24 15
86 21 10
88 48 10
90 78 42
92 65 10
93 12 7
94 30 16
95 42 31
96 38 15
97 15 9
98 34 8
100 37 18
101 22 15
102 5 3
103 23 16
104 38 25
105 31 26
106 43 16
107 28 12
108 2 1
109 8 3
110 39 30
112 25 13
114 8.49 3.18
115 23.35 7.43
117 21.23 8.49
118 33 15
113
Annexe C : Données du réseau Algérien 114 jeux de barres
Tableau C1 Puissances demandées et générées
Nom du jeu N° du Charge Génération

de barres jeu de Puissance Puissance Puissance Puissance
barres active réactive active réactive
(MW) (MVAR) (MW) (MVAR)
1OUJDA6 1 0 0 0 0
1GHAZA6 2 36 17 0 0
1ZAHAN6 3 64 31 0 0
1MEHA16 4 125 94 750 400
1MEHA26 5 335 250 300 160
1TLEMC6 6 78 37 0 0
1SBABE6 7 55 26 0 0
1RELIZ6 8 50 24 0 0
1BESAF6 9 40 19 0 0
1SAIDA6 10 42 21 0 0
1TIARE6 11 96 47 160 30
1BECHA6 12 31 15 0 0
1AISEF6 13 13 6 0 0
1PELAC6 14 136 65 0 0
1RABLA6 15 0 0 60 30
1RABLA6 16 0 0 0 0
2ALEST6 17 0 0 640 400
2ALEST3 18 0 0 0 0
2APORT3 19 11 5 100 60
2ARBAA3 20 14 9 0 0
2ARBAA6 21 70 52 0 0
2BAEZO3 22 42 25 60 40
2BEAKN3 23 23 11 0 0
2HARA3 24 60 36 0 0
2GLAC3 25 17 8 0 0
2HAMMA3 26 55 26 0 0
k2HAMM16 27 0 0 0 0
2HAMM26 28 0 0 0 0
2KOUBA3 29 37 18 0 0
2OFATaYE3 30 30 15 0 0
2OFAYE6 31 0 0 0 0
2ROUIB3 32 40 24 0 0
2ROUI13 33 29 14 0 0
2TAFOU3 34 29 14 0 0
2BARAK3 35 33 16 0 0
2ABENI3 36 17 8 0 0
2A.TAY3 37 11 5 0 0
2AURAS3 38 20 10 0 0
2GOLF.3 39 20 10 0 0
2CHLEF3 40 21 10 0 0
2OUSLY 41 53 32 0 0
2OUSLY6 42 0 0 0 0
2KHEMI3 43 31 18 0 0
2KHEMI6 44 0 0 0 0
2ADEFL3 45 12 6 0 0
2ADEF13 46 0 0 0 0
2KHERB3 47 21 10 0 0
2KHERB6 48 0 0 0 0
2TENES3 49 13 6 0 0
2OFODA3 50 4 2 0 0
114
2GHRIB3 51 1 1 0 0
2BOUFA3 52 56 27 80 50
2BLIDA3 53 16 8 0 0
2EAFFR3 54 21 10 0 0
2CHERC3 55 18 9 0 0
2MEDEA3 56 33 20 0 0
2BERRO3 57 35 21 0 0
2BERRO6 58 0 0 0 0
2BEMER3 59 36 17 0 0
2BEMER6 60 0 0 0 0
2KOLEA3 61 27 14 0 0
2KOLEA3 62 22 11 0 0
2TIOUZ3 63 49 29 0 0
2TIOUZ6 64 0 0 0 0
2FREHA3 65 11 5 0 0
2DBKHE3 66 35 21 0 0
2TIMED3 67 10 5 0 0
2SEDJE3 68 11 5 0 0
2SGHOZ3 69 20 10 0 0
2ILLIT3 70 7 3 0 0
2BOUIR3 71 36 22 0 0
2BOUIR6 72 0 0 0 0
2SIMUS3 73 36 22 0 0
2AOUSS6 74 0 0 0 0
2AOUS16 75 0 0 0 0
2AOUSS2 76 12 6 0 0
2K.BOU3 77 7 3 0 0
2MUSTA3 78 13 7 0 0
2AMIRA3 79 14 7 0 0
3EHADJ6 80 157 107 100 56
3EAOUI6 81 0 0 0 0
3KHROU6 82 75 36 0 0
3SKIKD6 83 70 51 230 120
3RADJA6 84 46 34 0 0
3ABEID6 85 45 22 0 0
3TEBE16 86 0 0 0 0
3AMLIL6 87 32 15 0 0
3EHADJ 88 46 22 0 0
3SOAHR4 89 34 17 0 0
3EAOUI4 90 18 9 0 0
3TEBES4 91 44 21 0 0
3DJONK4 92 10 5 0 0
3TEBE14 93 0 0 0 0
4OATHM6 94 48 23 0 0
4AKBOU6 95 35 17 0 0
4AKBO16 96 0 0 0 0
4EKSEU6 97 42 20 0 0
4DARGU6 98 13 6 100 30
4EHASI6 99 105 50 0 0
4JIJEL6 100 33 16 550 50
4MSILA6 101 50 24 360 50
4BBARE6 102 34 16 0 0
4BISKR6 103 66 32 0 0
4BARIK6 104 18 9 0 0
4BARI16 105 0 0 0 0
4BATNA6 106 64 31 0 0
5DJELF6 107 65 37 0 0
5GHARD6 108 22 11 0 0
115
5TILGH6 109 37 18 180 85
6MGHAI6 110 13 6 0 0
6HMSNO6 111 94 56 200 85
6TOUGO6 112 24 12 0 0
6OURGL6 113 23 11 0 0
6EOUED6 114 24 12 0 0
116
‫ملخص‬
‫ ارتفع الطلب على الطاقة الكهربائية مما دفع الشبكات الكهربائية الحديثة إلى العمل بالقرب من حدود مجاالت استقرارها ما زاد‬،‫في السنوات األخيرة‬
‫ في مثل هذه الحاالت من الضروري جدا إجراء تقييم سريع ودقيق الستقرار الجهد لتجنب خطر‬.‫من خطر تعرضها لمخاطر عدم استقرار الجهد‬
‫ يتم تطبيق تقنيات التعلم اآللي (على سبيل المثال‬،‫ نظرًا لقدرتها على التعلم وتحقيق نتائج دقيقة على الخط‬.‫انقطاع التيار الكهربائي على نطاق واسع‬
‫ في هده‬.‫الشبكات العصبية االصطناعية ونظام االستدالل العصبي التكيفي الغامض) على نطاق واسع لمراقبة استقرار جهد الشبكات الكهربائية‬
‫ تم أوال اقتراح نظام استدالل عصبي تكيفي غامض مع اختيار معلماته المثلى عن طريق خوارزمية فراشة الظالم لتقييم مؤشر ثبات الجهد‬،‫االطروحة‬
‫ يركز الجزء‬.‫ تم إعداد مدخالت النموذج المقترح في شكل مقادير وزوايا طور الجهد التي تم جمعها من العقد الضعيفة في الشبكة‬.‫للشبكة الكهربائية‬
‫الثاني من هذه الرسالة على تطبيق خوارزمية فراشة الظالم لتعزيز استقرار جهد الشبكة من خالل حل مشكلة التدفق االمثل للطاقة بوجود مولدات‬
‫ عقدة كأنظمة‬114 ‫ عقدة ونظام الطاقة الجزائري‬30 ‫ تم استخدام النظام القياسي‬،‫ من أجل إثبات فعالية التقنيات المقترحة‬.‫تعتمد على طاقة الرياح‬
.‫ وضحت النتائج التي تم الحصول عليها األداء المتفوق للتقنيات المقترحة مقارنة بالتقنيات األخرى الموجودة سابقا‬.‫إختبار‬
‫ التدفق االمثل للطاقة‬،‫ الطاقات المتجددة‬،‫ خوارزمية فراشة الظالم‬،‫ نظام االستدالل العصبي التكيفي‬،‫ استقرار الجهد‬:‫الكلمات المفتاحية‬
Résumé
Au cours de ces dernières années, la demande en énergie électrique a continué de croître, amenant les réseaux
électriques modernes à fonctionner au-delà de leur limite de stabilité, ce qui augmente le niveau probable de risque
d'instabilité de la tension. Dans une telle situation, une évaluation rapide et précise de la stabilité de tension est
nécessaire pour éviter les pannes d'électricité à grande échelle. En raison de sa capacité à apprendre hors ligne et
à produire des résultats précis en ligne, les techniques d’apprentissage automatique (telles que les réseaux de
neurones artificiels (ANN) et le système d’inférence neuro-fuzzy adaptatif (ANFIS)) sont largement utilisées pour
la surveillance en ligne de la stabilité de la tension. Dans cette thèse, un nouveau modèle ANFIS avec sélection
optimisée des paramètres via l'algorithme MFO (Moth-Flame Optimization) est proposé pour estimer l'indice de
ligne de stabilité de la tension (Lmn) du réseau électrique. Les entrées du modèle hybride ANFIS-MFO sont fournies
sous la forme d’amplitude et d'angles de phase de tension qui sont supposés être collectés à partir de jeux de barres
critiques du réseau. La deuxième partie de cette thèse porte sur l’application de l’algorithme MFO pour améliorer
la stabilité de la tension du réseau électrique en se basant sur la résolution du problème d’écoulement de puissance
optimal (Optimal Power Flow (OPF)) intégrant des générateurs éoliens. Afin de prouver l'efficacité des méthodes
proposées, le réseau IEEE-30 jeux de barres et le réseau Algérien 114 jeux de barres sont utilisés. Les résultats
obtenus confirment la performance des méthodes proposées par rapport aux autres métthodes existantes dans la
littérature.
Mots clés : Stabilte de tension, ANFIS, Algorithme de papillon de nuit, Energies renouvelables, OPF
Abstract
In recent years the demand for electric energy continues to grow, leading modern electrical networks to work near
their stability limit, which increases the likely level of risk of voltage instability. In such situation, fast and accurate
assessment of voltage stability is necessary in order to prevent large-scale blackouts. Due to its ability to learn off-
line and produce accurate results on-line, machine learning techniques (e.g., Artificial Neural Networks (ANN)
and Adaptive Neuro-Fuzzy Inference System (ANFIS)) are widely applied for on-line voltage stability monitoring.
In this thesis, a new ANFIS model with optimized parameters selection via Moth-Flame Optimization (MFO)
algorithm is proposed to estimate the line voltage stability index (Lmn) of power system. The input features of the
hybrid ANFIS-MFO model are provided in the form of voltage magnitudes and voltage phase angles, which are
assumed to be gathered from weak buses in the system. The second part of this thesis focuses on application of
MFO algorithm to enhance voltage stability of power system based on the solving of Optimal Power Flow (OPF)
problem incorporating wind power generators. In order to prove the effectiveness of the proposed methods, the
IEEE-30 bus and the Algerian 114-bus systems are used. The obtained results demonstrate the superior
performance of the proposed methods compared with other existing techniques in the literature.
Key words : Voltage stability, ANFIS, Moth-Flame Algorithm, Renewable energy, OPF
View publication stats

Untitled

Transféré par

Droits d'auteur :

Formats disponibles

Untitled

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Untitled

Transféré par

Droits d'auteur :

Formats disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Contribution à l’étude de la stabilité des grands réseaux électriques dans un

Thesis · December 2019

Arif Bourzami Tarek Bouktir

SEE PROFILE SEE PROFILE

conference View project

The user has requested enhancement of the downloaded file.

UNIVERSITÉ FERHAT ABBAS - SETIF 1

Contribution à l’étude de la stabilité des grands

J’adresse mes sincères remerciements à Monsieur RAHMANI Lazhar, Professeur à

Mes vifs remerciements sont adressés à Monsieur RADJEAI Hammoud, Professeur à

RNA : Réseaux de neurones artificiels

SIF : System d’Inférence Floue

SINFA : System d’Inférence Neuro-Floue Adaptatif

Lmn : Indice de stabilité de la tension de ligne

FACTS : Flexible Alternative Current Transmission System

MFO : Moth-Flamme Optimization

OPF : Optimal Power Flow

RMSE : Erreur Quadratique Moyenne

MAPE : Erreur Absolue Moyenne en Pourcentage

Pg : Puissances active des générations

Qg : Puissances réactive des générations

Pd : Puissances active demandée

Qd : Puissances réactive demandée

V : Amplitude de la tension des jeux de barres

Pt : Puissance mécanique de la turbine éolienne

Cp : Coefficient de puissance de la turbine

ai, bi, ci : Coefficient du cout du ieme générateur

Vin : vitesses de vent de démarrage

Vr : Vitesses de vent nominale

Vo : Vitesses de vent de coupure

Yw : Coûts de production d'énergie éolienne

Ng : Nombre des générateurs

Nb : Nombre des branches

Au cours des dernières années, de nombreuses recherches ont été effectuées et de

couches et la logique floue hyper-rectangulaires a été proposée par Suganyadevi et Babulal

Les systèmes d'inférence neuro-flou adaptative (Adaptive Neuro-fuzzy inference system

Dans le deuxième chapitre, une nouvelle technique hybride combinant l’ANFIS et

Le quatrième chapitre présente la formulation du problème de l’écoulement de puissance

Finalement, pour clôturer ce travail, une conclusion générale, perspectives, et propositions

Chapitre 1 : Evaluation de la stabilité de tension

1.2 Classification de la stabilité du réseau électrique

Figure 1.1. Classification de la stabilité d’un réseau électrique

1.2.1 Stabilité de l’angle du rotor

1.2.2 Stabilité de fréquence

1.2.3 Stabilité de tension

Le phénomène de l'instabilité de tension est attribuable à l'exploitation du réseau à sa

 Stabilité de tension aux grandes perturbations : Cette stabilité se réfère à la

pour ce type de stabilité, les équations mathématiques du système qui décrivent

 Etat normal : tous les paramètres du réseau électrique (fréquences, tensions

unités de génération perdues et par la reconnexion des charges déconnectées

1.4 Stabilité de tension d’un réseau électrique

1.4.1 Causes de l’instabilité de tension

Il existe plusieurs causes conduisant à l'instabilité de tension parmi lesquelles [15] :

1.4.1.1 Dynamique de la charge

 On Load Tap Changing (OLTC) : Le rôle d’un transformateur équipé d’un

 Moteurs à induction : le comportement dynamique de ces moteurs est

1.4.1.2 Réseau de transport

- Impédance de la ligne de transport.

- Présence des sources du contrôle de la tension dans la ligne et le point de