Design of a Hybrid Solar-Wind Microgrid Driving a PEM Electrolyzer for Scalable Hydrogen Production

L’attention mondiale croissante portée à la décarbonation et aux énergies durables a intensifié le développement de systèmes d’énergies renouvelables capables de fournir une électricité propre et fiable. Parmi ces systèmes, l’intégration des ressources solaires et éoliennes pour la production d’hydrogène vert par électrolyse suscite un intérêt croissant, en raison de son potentiel à transformer des sources renouvelables intermittentes en un combustible stable à forte densité énergétique. Toutefois, l’intermittence de ces ressources, combinée à une forte dépendance aux systèmes de stockage d’énergie et aux algorithmes de contrôle conventionnels, limite encore les performances des systèmes énergétiques hybrides. Afin de répondre à ces défis, cette recherche présente la conception et le développement d’un micro-réseau hybride solaire–éolien basé sur la simulation, destiné à alimenter un électrolyseur à membrane échangeuse de protons (PEM) pour la production d’hydrogène vert. Ce travail intègre un jumeau numérique entièrement développé dans un environnement virtuel, sans nécessiter de prototype physique. Ce jumeau permet l’évaluation des performances en temps réel, l’optimisation du fonctionnement ainsi que la mise en oeuvre de stratégies de contrôle prédictif sous des conditions environnementales variables. L’étude est structurée autour de quatre objectifs principaux. Tout d’abord, un modèle détaillé de production solaire a été développé sous MATLAB/Simulink afin d’évaluer les profils de génération d’énergie pour différents niveaux d’irradiation. Ce modèle a ensuite été complété par l’intégration d’un sous-système éolien, permettant de prolonger la durée de fonctionnement du système en compensant l’intermittence de l’énergie solaire. Dans une seconde étape, le modèle hybride a été transféré sous Python, où des couches avancées de contrôle et d’optimisation ont été implémentées. Un algorithme d’optimisation par essaim de particules (Particle Swarm Optimization : PSO) a été introduit afin d’optimiser les paramètres opérationnels du système. Une structure de contrôle prédictif (Model Predictive Control : MPC) a ensuite été intégrée pour coordonner la prise de décision en temps réel et garantir une optimisation continue des flux énergétiques à partir de données météorologiques prévisionnelles. La précision des prévisions météorologiques permet ainsi d’anticiper les fluctuations de l’irradiat