ESSAT Institutional Repository

Higher School of Applied Sciences of Tlemcen (ESSAT)

Welcome to ESSAT DSpace

Welcome to the Institutional Repository of the Higher School of Applied Sciences of Tlemcen (ESSAT).

This platform showcases, preserves, and provides open access to our academic and scientific output, including:

  • Doctoral dissertations
  • Master’s theses
  • Course handouts and lecture notes
  • Conference proceedings
  • Scientific publications and research papers

We invite you to explore our collections and visit regularly, as the repository is continuously updated with new content.

Photo by @inspiredimages

Communities in DSpace

Select a community to browse its collections.

Now showing 1 - 5 of 10

Recent Submissions

  • Thumbnail Image
    Item type:Item,
    La commande scalaire d’un moteur asynchrone linéaire
    (Directeur M. TAHOUR Ahmed, 2026-06-22)
    HAFDI Chakib Nadir
    ;
    GHELLAI Abdelkader Souhil
    Le moteur linéaire asynchrone à simple face (SLIM – Single-sided Linear Induction Motor) est un actionneur électromagnétique issu de la mise à plat du moteur asynchrone rotatif conventionnel. Alors que le moteur rotatif produit un couple permettant la rotation d’un arbre, le moteur linéaire génère directement une force de propulsion (force de poussée) permettant le déplacement linéaire d’un mobile sans mécanisme de transmission intermédiaire. Ce mémoire présente une étude approfondie de la commande scalaire appliquée au moteur linéaire asynchrone à simple face (SLIM). Deux stratégies de commande sont développées, simulées et comparées : la commande scalaire à rapport V/f constant (tension sur fréquence), et la commande scalaire à rapport I/f constant (courant sur fréquence). Ces deux méthodes visent à maintenir le flux dans l’entrefer constant sur une large plage de vitesse, garantissant ainsi un effort de propulsion optimal. L’ensemble de la chaîne d’alimentation est décrit en détail, comprenant le redresseur à diodes (RED), le filtre LC, l’onduleur de tension triphasé en mode pleine onde et les techniques de Modulation de Largeur d’Impulsions (MLI) : MLI sinus-triangle. La simulation de l’association LIM-onduleur-commande est réalisée sous Matlab/Simulink, en utilisant le modèle du SLIM dans le référentiel (d,q). Une comparaison détaillée entre les deux stratégies de commande et une analyse comparative avec la commande scalaire de la machine asynchrone rotative classique sont présentées.
  • Thumbnail Image
    Item type:Item,
    Etude et optimisation économique d’un microgrid PV-Batterie
    (Directeur: M. Abdelkarim CHEMIDI/ Co-Directeur: M. Abdelfetah KERBOUA, 2026-06-21)
    BELKHITER YAHIA ILYES
    ;
    MAYOUF AYMEN
    Ce mémoire de master développe une étude complète de l’optimisation économique d’un système hybride PV–Batterie par la Programmation Linéaire (LP). Le système est composé d’un panneau photovoltaïque de puissance crête Ppv_max = 211W, d’une batterie LiFePO4 (Lithium Fer Phosphate) de 24 V / 50 Ah (capacité nominale Ebat = 1200Wh) et d’une charge fixe Pload = 122W. Les paramètres économiques sont cpv = 0, 9$/W pour le PV et cbat = 3, 5$/W pour la batterie LiFePO4 .
  • Thumbnail Image
    Item type:Item,
    Etude et optimisation économique d’un microgrid PV-Batterie
    (Directeur: Mr. Abdelkarim CHEMIDI/ Co-Directeur: Mr. Abdelfetah KERBOUA, 2026-06-21)
    BELKHITER YAHIA ILYES
    ;
    MAYOUF AYMEN
    Ce mémoire de master développe une étude complète de l’optimisation économique d’un système hybride PV–Batterie par la Programmation Linéaire (LP). Le système est composé d’un panneau photovoltaïque de puissance crête Ppv_max = 211W, d’une batterie LiFePO4 (Lithium Fer Phosphate) de 24 V / 50 Ah (capacité nominale Ebat = 1200Wh) et d’une charge fixe Pload = 122W. Les paramètres économiques sont cpv = 0, 9$/W pour le PV et cbat = 3, 5$/W pour la batterie LiFePO4 .
  • Thumbnail Image
    Item type:Item,
    Modélisation , commande et gestion d’énergie d’un micro-réseau hybride PV-batterie-nanogénérateur
    (Directeur: Mr. CHEMIDI Abdelkarim/ Co-Directeur: Mr. KERBOUA Abdelfetah, 2026-06-21)
    BELKHITER YAHIA ILYES
    ;
    MAYOUF AYMEN
    Ce mémoire porte sur la modélisation, la commande et la gestion d’énergie d’un micro-réseau hybride composé d’un panneau photovoltaïque, d’une batterie et d’un nanogénérateur triboélectrique. L’objectif principal est d’assurer une alimentation continue et stable d’une charge de 122 W et d’un capteur de faible puissance (0,16 W), indépendamment des conditions d’ensoleillement. Le système repose sur quatre convertisseurs DC-DC : un convertisseur Buck-Boost bidirectionnel pour la gestion de la charge et de la décharge de la batterie, deux convertisseurs Buck dédiés à l’alimentation du capteur, et un convertisseur Boost placé en aval du panneau photovoltaïque. Un correcteur Proportionnel-Intégral (PI) assure la régulation précise du courant de batterie. Le nanogénérateur triboélectrique, modélisé par son circuit équivalent (ECM), alimente le capteur via une chaîne de conditionnement composée d’un redresseur, d’un filtre et d’un convertisseur Buck. L’ensemble du système a été simulé sous MATLAB/Simulink selon deux scénarios d’irradiation complémentaires (croissante et décroissante). Les résultats obtenus valident l’efficacité de la stratégie de gestion d’énergie adoptée et confirment la continuité d’alimentation du système dans toutes les conditions de fonctionnement.
  • Thumbnail Image
    Item type:Item,
    PWM rectifier AI control for wind energy conversion system based on a dual star synchronous generator.
    (Directeur: Mr.KARBOUA A./ Co-Directeur: M.BOUKli HACEN FOUAD, 2026-06-21)
    Tehami Younes
    ;
    Ksantini Lydia
    This work investigates the integration of reinforcement learning into the control architecture of a Dual-Star Synchronous Generator coupled to a PWM rectifier and connected to the electrical grid. Two complementary approaches are studied and implemented. The first approach consists of directly replacing the conventional proportional-integral controller in the inner quadrature-axis current loop of the PWM rectifier with a Deep Deterministic Policy Gradient agent, which learns to generate the control voltage directly from system observations through interaction with a Simulink environment. The second approach preserves the PI controller structure while employing a Twin Delayed Deep Deterministic Policy Gradient agent as a supervisory layer that automatically tunes the proportional and integral gains according to the current operating conditions. This adaptive tuning strategy is applied to both the PWM rectifier current controller and the grid-side inverter current controllers. For the grid integration stage, the conventional control strategy based on Clarke and Park transformations, Phase Locked Loop synchronization, and dq-frame PI current control is first implemented and validated. The TD3 agent is then introduced to replace manual gain selection, and a time-weighted reward function is specifically designed to encourage fast and accurate regulation of the rectifier output voltage toward a 300 V reference. The results demonstrate that both reinforcement learning approaches achieve performance comparable to well-tuned conventional controllers, confirming the feasibility of integrating AI-based adaptive control into classical power electronics architectures. This work paves the way for significant future research. Future work should focus on experimental validation through real test bench implementation, exploration of advanced control strategies using machine learning approaches, and investigating the use of these multilevel inverter topologies for grid-connected renewable energy applications, addressing the key challenges associated with grid synchronization, power quality, and compliance with grid codes.