SUIVI SOLAIRE AVANCÉ À DOUBLE AXE UTILISANT UNE NOUVELLE STRATÉGIE DE CONTRÔLE PID À RÉSEAU NEURONAL ARTIFICIEL
DOI :
https://doi.org/10.59277/RRST-EE.2026.1.7Mots-clés :
Réseau neuronal artificiel, Système de suivi solaire, Contrôle prédictif de modèle, Contrôle adaptatif, Contrôleur proportionnel-intégral-dérivé (PID)Résumé
Cet article traite du défi que représente l'amélioration de l'adaptabilité et de la précision des systèmes de suivi solaire à deux axes dans des conditions dynamiques. Une nouvelle approche de contrôle hybride est proposée, combinant un réseau de neurones artificiels (RNA) et un contrôleur proportionnel-intégral-dérivatif (PID). L'ANN, entraîné à l'aide de l'algorithme de Levenberg-Marquardt, ajuste de manière adaptative les gains PID (Kp, Ki, Kd) en temps réel. Bien que le contrôle prédictif de modèle (MPC) soit actuellement reconnu comme la stratégie la plus avancée et la plus efficace pour le suivi solaire, notre étude comparative montre que le contrôleur ANN-PID permet une réponse dynamique plus rapide, une meilleure adaptabilité aux perturbations et une complexité de calcul réduite. Les résultats de la simulation MATLAB-Simulink valident la précision de suivi et les performances de capture d'énergie supérieures du système ANN-PID, comme l'atteste le MAE. Ces résultats mettent en évidence le contrôle ANN-PID comme une alternative prometteuse en temps réel au MPC, offrant un suivi solaire robuste et efficace avec des exigences de calcul moindres.
Références
(1) A. El Hammoumi, S. Chtita, S. Motahhir, A. El Ghzizal, Solar PV energy: from material to use, and the most commonly used techniques to maximize the power output of PV systems: a focus on solar trackers and floating solar panels, Energy Reports, 8, pp. 11992–12010 (2022).
(2) A. Awasthi et al., Review on sun tracking technology in solar PV system, Energy Reports, 6, pp. 392–405 (2020).
(3) H. Shang, W. Shen, Design and implementation of a dual-axis solar tracking system, Energies, 16, 17, 6330 (2023).
(4) S. Seba, M. Birane, K. Benmouiza, A comparative analysis of boost converter topologies for photovoltaic systems using MPPT (P&O) and Beta methods under partial shading, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 68, 4, pp. 375–380 (2023).
(5) Z. Lammouchi et al., Enhanced model-free predictive control for voltage source inverters using an adaptive observer, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 3, pp. 317–322 (2024).
(6) L. Khettache et al., A novel design of a photovoltaic system based on a linear induction motor and reciprocating pump, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 70, 1, pp. 3–8 (2025).
(7) Z. Yang, Z. Xiao, A review of the sustainable development of solar photovoltaic tracking system technology, Energies, 16, 23, 7768 (2023).
(8) S.L. Jurj, R. Rotar, Increasing the solar reliability factor of a dual-axis solar tracker using an improved online built-in self-test architecture, IEEE Access, 12, pp. 37715–37730 (2024).
(9) A. Tahtah, Z. Zahzouh, H. Kaddour, Robust solar tracking with neural network predictive modeling and sliding mode control, Journal of Renewable Energies, pp. 119–125 (2024).
(10) M. Angulo-Calderón, I. Salgado-Tránsito, I. Trejo-Zúñiga, C. Paredes-Orta, S. Kesthkar, A. Díaz-Ponce, Development and accuracy assessment of a high-precision dual-axis pre-commercial solar tracker for concentrating photovoltaic modules, Applied Sciences, 12, 5, 2625 (2022).
(11) N.G. Hariri, M.A. AlMutawa, I.S. Osman, I.K. AlMadani, A.M. Almahdi, S. Ali, Experimental investigation of azimuth- and sensor-based control strategies for a PV solar tracking application, Applied Sciences, 12, 9, 4758 (2022).
(12) M.B. Ahmad, A.S. Muhammad, H.A. Hussain, A.H. Muhammad, A.M. Sani, Review on impact of installing the solar tracking system, its challenges and types, Artificial & Computational Intelligence, pp. 1–7 (2020).
(13) C.A. Aung, Y.V. Hote, G. Pillai, S. Jain, PID controller design for solar tracker via modified Ziegler Nichols rules, 2020 2nd International Conference on Smart Power & Internet Energy Systems (SPIES), Bangkok, Thailand, pp. 531–536 (2020).
(14) W.A. Shah, M.W. Khan, R. Mansoor, Arshad, Analysis of power-efficient high torque solar tracker through PID controller, 2020 7th International Conference on Electrical and Electronics Engineering (ICEEE), Antalya, Turkey, pp. 176–180 (2020).
(15) K.S. Rao, V.N.S. Praneeth, Y.V.P. Kumar, D.J. Pradeep, Investigation on various training algorithms for robust ANN-PID controller design, 9, 2 (2020).
(16) H.S. Purnama, T. Sutikno, S. Alavandar, A.C. Subrata, Intelligent control strategies for tuning PID of speed control of DC motor – a review, 2019 IEEE Conference on Energy Conversion (CENCON), Yogyakarta, Indonesia, pp. 24–30 (2019).
(17) S.J. Hammoodi, K.S. Flayyih, A.R. Hamad, Design and implementation speed control system of DC motor based on PID control and MATLAB Simulink, International Journal of Power Electronics and Drive Systems (IJPEDS), 11, 1, pp. 127–134 (2020).
(18) M. Schwenzer, M. Ay, T. Bergs, D. Abel, Review on model predictive control: an engineering perspective, International Journal of Advanced Manufacturing Technology, 117, 5–6, pp. 1327–1349 (2021).
(19) A. Afram, F. Janabi-Sharifi, Theory and applications of HVAC control systems – a review of model predictive control (MPC), Building and Environment, 72, pp. 343–355 (2014).
(20) M.G. Forbes, R.S. Patwardhan, H. Hamadah, R.B. Gopaluni, Model predictive control in industry: challenges and opportunities, IFAC-PapersOnLine, 48, 8, pp. 531–538 (2015).
(21) O.I. Abiodun et al., Comprehensive review of artificial neural network applications to pattern recognition, IEEE Access, 7, pp. 158820–158846 (2019).
(22) H.K. Ghritlahre, R.K. Prasad, Application of ANN technique to predict the performance of solar collector systems – a review, Renewable and Sustainable Energy Reviews, 84, pp. 75–88 (2018).
(23) A. Tahtah, Z. Zahzouh, Dual-axis solar tracking technique combining MPC, PID, and ANN control with dynamic controller selection, Journal of Renewable Energy and Environment, pp. 1–10 (2025).
(24) A.R. Amelia, Y.M. Irwan, I. Safwati, W.Z. Leow, M.H. Mat, M.S.A. Rahim, Technologies of solar tracking systems: a review, IOP Conference Series: Materials Science and Engineering, 767, 1, 012052 (2020).
(25) K. Kumar, L. Varshney, A. Ambikapathy, R.K. Saket, S. Mekhilef, Solar tracker transcript—a review, International Transactions on Electrical Energy Systems, 31, 12 (2021).
(26) R.F. Fuentes-Morales et al., Control algorithms applied to active solar tracking systems: a review, Solar Energy, 212, pp. 203–219 (2020).
(27) S. Seme, B. Štumberger, M. Hadžiselimović, K. Sredenšek, Solar photovoltaic tracking systems for electricity generation: a review, Energies, 13, 16, 4224 (2020).
(28) S.A. Sadrossadat, O. Rahmani, ANN‐based method for parametric modelling and optimising efficiency, output power and material cost of BLDC motor, IET Electric Power Applications, 14, 6, pp. 951–960 (2020).
(29) T. Guillod, P. Papamanolis, J.W. Kolar, Artificial neural network (ANN) based fast and accurate inductor modeling and design, IEEE Open Journal of Power Electronics, 1, pp. 284–299 (2020).
(30) B. Prasad, R. Kumar, M. Singh, Analysis of DC motor for process control application using neural network predictive controller, Engineering Research Express, 6, 2, 025004 (2024).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2026
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
