CONTRIBUTION A L’ESTIMATION DES PARAMETRES INTRINSEQUES DES MACHINES ELECTRIQUES

Abstract

L’estimation des grandeurs internes des systèmes non linéaires devient nécessaire dans les cas où les seules grandeurs accessibles sont les entrées et les sorties du système, la machine à courant continu (MCC) et la machine asynchrone (MAS) sont des exemples typiques. Dans notre travail deux estimateurs des paramètres internes sont développés le Filtre de Kalman Etendu (FKE) et l’estimateur intelligent basé sur le Réseau de Neurones Artificiels (RNA) de type CFNN (Cascaded Feed Neural Network), trois algorithmes d’apprentissage sont utilisés pour créer trois estimateurs, le premier est basé sur la rétropropagation de la régularisation bayésienne (Bayesian Regularization BackPropagation) ou (CFNNBBP), le second est basé sur la rétropropagation Quasi-Newton BFGS ou CFNNBFGSBP et le dernier est basé sur la rétropropagation résilient (Resilient Backpropagation) ou (CFNNRBP). Des comparaisons sont faites pour chaque sortie de ses estimateurs. Dans notre travail, la vitesse, la température et la résistance d’induit d’une MCC sont estimés simultanément par les trois estimateurs à base de RNA. Le FKE est utilisé pour un service fonctionnement de type S1et pour une charge variable dans le but de l’estimation de la température, et pour une surveillance thermique d’une MAS. La vitesse, les températures et les résistances statorique et rotorique d’une MAS sont estimées simultanément par un estimateur de type CFNNBBP. Ces techniques ont franchi les frontières de la nonestimation simultanée de la vitesse, des températures et des résistances des machines électriques. Les résultats de simulation ont montré l’efficacité et la robustesse de ces méthodes, et en particulier de l’approche RNA