ALLAG Meriem2024-11-242024-11-242024ALLAG, Meriem. Modélisation et identification des systèmes électriques. Polycopié destiné aux étudiants de Master I-S-2en génie électrique.2024.faculty of technology. university of el oued. [visited in ../../ .]. available from [copy the link here].https://dspace.univ-eloued.dz/handle/123456789/35647ArticleCe cours fournit une introduction approfondie à la modélisation, à l'identification et à l'observation des systèmes en ingénierie. Les étudiants apprennent à modéliser et analyser des systèmes complexes en explorant les concepts fondamentaux de la modélisation des systèmes, notamment les types de modèles et les techniques de simulation. L'accent est mis sur la modélisation mathématique à travers l'utilisation de diagrammes en blocs, qui représentent les relations internes et externes d'un système. Le cours couvre également la modélisation des systèmes électriques, avec un focus sur les composants passifs et actifs ainsi que les circuits de base, en introduisant des outils avancés comme les Bond Graphs et les Graphes d'Information Causale (GIC) pour analyser les dynamiques du système. L'identification des systèmes est un aspect central du cours, où les étudiants développent des modèles à partir de données réelles. Ils abordent des structures de modèles comme AR, ARMA et ARMAX, et apprennent à analyser les réponses temporelles et fréquentielles des systèmes du premier et deuxième ordre. Le cours présente des méthodes graphiques (ex. : Strejc, Broïda) et numériques (algorithmes récursifs et non récursifs) pour affiner les modèles. Enfin, le cours se termine par l'enseignement des méthodes d'estimation et d'observation pour le suivi en temps réel des systèmes, incluant des techniques comme l'observateur de Luenberger et le filtre de Kalman. Ces modules permettent aux étudiants de maîtriser les techniques de modélisation, d'identification et d'observation des systèmes pour résoudre des défis pratiques en ingénierie.frBG : Bond graphGIC :Graphe informationnel causalesSBPA : Séquences Binaires Pseudo-AléatoiresARMA :Auto-Régressifs avec Moyenne MobileLearning Object