Uso de Heurística No Rastreamento Do Ponto de Máxima Potência de Painel Fotovoltaico

MINISTRIO DA EDUCAO SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS PR-REITORIA DE PESQUISA E PS-GRADUAO DEPARTAMENTO DE PESQUISA E INOVAO

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014. 1

Uso de Heurstica na Busca do Ponto de Mxima Potncia dos Painis Fotovoltaicos

Nlio Vaz Resende 1

Andr Felipe Barbosa2, Wesley Pacheco Calixto3, Pedro Jos Abro4

1Instituto federal de Gois /Campus Goinia/Engenharia de Controle e Automao - PIBIC,

[email protected] 2Instituto federal de Gois /Campus Goinia/Engenharia de Controle e Automao - PIBIC,

[email protected] 3Instituto federal de Gois /Campus Goinia/Departamento IV

[email protected] 4Instituto federal de Gois /Campus Goinia/Departamento IV

[email protected]

Resumo

A importncia da energia fotovoltaica na ampliao do uso de fontes de energia renovveis

e no-poluentes crescente. Porm, dois fatores ainda atrapalham o seu crescimento: custo e

eficincia. Uma maneira de melhorar a eficincia de um sistema fotovoltaico atravs do uso de

novas tecnologias ou de tcnicas para a operao das clulas em um ponto de mximo

fornecimento de potncia. A ideia o rastreamento do ponto de mxima potncia de operao,

tambm conhecido como MPPT (Maximum Power Point Tracking), j foram desenvolvidas de

forma a melhorar a produo de energia. Atravs do modelo matemtico de um mdulo

fotoeltrico e do Mtodo Perturbao e Observao (P&O), uma rede neural artificial (RNA)

treinada para a tarefa de busca do MPPT. Com arquitetura tipo Feedforward Multicamada e

estratgia de aprendizado Retropropagao de Erro (MLP-BP), a RNA torna-se a funo heurstica

que promove a melhora no desempenho dinmico do sistema fotovoltaico automaticamente. Para

as simulaes, utilizado um painel fotovoltaico de potncia 10 W. Os resultados destas

simulaes so apresentados para validar a tcnica heurstica desenvolvida para um mdulo

fotovoltaico.

Palavras-chave: Redes Neurais Artificiais, MPPT, Sistemas Fotovoltaicos, clula fotoeltrica.

I - Introduo

Em funo da provvel escassez de combustveis fsseis e dos impactos causados no meio

ambiente por algumas fontes de energia, seja na obteno ou no aproveitamento, a opo em usar

fontes alternativas ou renovveis de energia tem sido objeto de estudo em diversas pesquisas

[VILLALVA & GAZOLI, 2012]. Dentre as opes sugeridas, a produo de energia eltrica atravs de

clulas fotovoltaicas tem sido cada vez mais defendida por ser um tipo de fonte no-poluidora e

renovvel [LI, 2008]. Um sistema fotovoltaico no produz lixo txico tal como ocorre nas usinas

nucleares, no polui o meio ambiente como nas usinas termoeltricas a gs ou a carvo e no

provoca impactos ambientais e/ou sociais como nas usinas hidreltricas [CASARO, 2010]. Entretanto

a cadeia produtiva do silcio solar, material mais utilizado para a confeco da clula fotovoltaica,

no um processo isento de resduos [ABINEE]. Apesar das vantagens, h duas caractersticas que

impedem um uso ainda maior da energia fotovoltaica, o custo de fabricao dos componentes; e a

baixa eficincia de converso da energia solar para a energia eltrica. H outros fatores, tais como

a temperatura de operao de clula fotovoltaica e a sazonalidade dos nveis de insolao, que

podem contribuir em menor escala na escolha ou no pela energia fotovoltaica. O custo dos

componentes , na verdade, o principal fator que define a opo por outras fontes geradoras. Caso



a expectativa de diminuio dos custos seja cumprida, ainda restar a baixa eficincia de

converso. A eficincia das clulas fotovoltaicas pode ser melhorada mediante o desenvolvimento

e a aplicao de novos materiais semicondutores, que permitiro um melhor aproveitamento da

energia solar incidida sobre as clulas. Porm, o emprego de novos semicondutores e o

aprimoramento de novas tecnologias poderiam causar um aumento e no uma diminuio no custo

final de fabricao das clulas. Uma das alternativas em melhorar a eficincia global buscar que

a operao do sistema fotovoltaico sempre permanea no ponto de mxima potncia de sada.

Porm, a mxima potncia no constante e dependente da temperatura, do nvel de insolao e

do arranjo escolhido do sistema fotovoltaico. Portanto a busca em determinar o ponto de mxima

potncia de sada deve ser to constante quanto manter a operao da clula neste mesmo ponto.

A tcnica de rastreamento ou de seguimento do ponto de mxima potncia em sistemas

fotovoltaicos referida pelo termo MPPT. Dentre as diversas tcnicas de busca do MPPT esto:

os mtodos de perturbao e observao (P&O); os mtodos de condutncia incremental (IC); e o

mtodo baseado em redes neurais para o rastreamento do ponto de mxima potncia em sistemas

fotovoltaicos. Neste trabalho apresentado um mtodo baseado em RNA para encontrar o MPPT,

o qual visa responder de forma computacionalmente eficiente dinmica rpida da variao de

insolao em um mdulo fotovoltaico.

II- MODELO MATEMTICO DO PAINEL FOTOVOLTAICO

Para que as condies adversas de operao de um painel fotovoltaico (ou mdulo -

conjunto de clulas fotovoltaicas) fossem exploradas no estudo, preciso consider-las no modelo

matemtico. Uma vez consideradas neste modelo, possvel simular variaes nos nveis de

incidncia solar (sombreamento), na temperatura (instalao abrigada, arejada e propriedades

sazonais estaes do ano). O modelo matemtico utilizado para representar um painel fotovoltaico

corresponde ao diodo nico, proposto em [VILLALVA, GAZOLI & RUPPERT] e [FEMIA, 2013]. Atravs

desse modelo possvel simular o comportamento do painel a partir dos dados fornecidos pela

Star Solar Panel, fabricante do painel em estudo. As informaes disponveis do painel de potncia

10 W so: Voc=22.7 V (Tenso de circuito aberto), Isc=0.6 A (Corrente de curto circuito), Vmp= 18

V (Tenso de mxima potncia), Imp= 0.56 A (Corrente de mxima potncia ), Ns = 36 ( Nmero de

clulas fotovoltaicas do painel), Kv = - 0.1230 (Coeficiente de tenso e temperatura), Ki = 0.0032 (Coeficiente de corrente e temperatura ) esses valores so correspondentes a condies padres de incidncia solar (Gn=1000 W/m2) e temperatura (Tn=25 C). Na figura 1

possvel visualizar o circuito eltrico equivalente para um mdulo fotovoltaico (arranjo srie-

paralelo de clulas fotoeltricas) [FEMIA, 2013].

Figura 1- Modelo eltrico de uma clula fotoeltrica



Neste circuito, Iph representa a corrente gerada pela radiao solar, Id a corrente que passa

pelo diodo, Vd indica a tenso que o diodo est submetido, Irp representa a corrente que est

passando pela resistncia paralela Rp e Ipainel indica a corrente que est na sada do painel a qual

passa atravs da resistncia srie Rs.

Usando a Lei de Kirchhoff das correntes para o circuito da figura 1 tem-se:

Iph= Id + Irp + Ipainel (1)

Logo, a corrente eltrica Ipainel de interesse dada por:

Ipainel = Iph - Irp Id (2)

A corrente gerada pela radiao solar pode ser modelada atravs da seguinte equao:

Iph= ( Ipvn + Ki*dT)*G/ (3)

Na equao 3 o dT significa a diferena entre a temperatura atual do sistema fotovoltaico e a temperatura em condies padres (T= 25 C) e o G significa o nvel de intensidade solar atual

que o sistema est submetido. O Ipvn dado na equao 3.

Ipvn =[ {(Rp + Rs)/Rp}*Isc] (4)

A corrente do diodo dado na equao 5, onde Vd a tenso sobre o diodo e n a constante

de idealidade do diodo adotada com valor 1 para as simulaes.

Id = Is*(eVd

n*Vt - 1) (5)

O valor de Vt encontrado pela equao abaixo:

Vt = k*T

q (6)

Com K sendo a Constante de Boltzman e igual a 1,38*1023 , T a temperatura em Kelvin (273 + T(C)) e q a Carga do eltron (1,6*1019 C).

A corrente de saturao reversa pode ser encontrada atravs da formula abaixo:

= + ( )

[(+()

] (7)

Para a soluo das equaes, necessrio determinar os parmetros incgnitos (Rs e Rp)

que no so fornecidos pelo fabricante. Atravs de Rs e Rp possvel fazer o pico da curva PxV,

do modelo coincidir com o pico experimental no ponto (Vmp, Imp) fornecido pelo fabricante. A

equao 1 sucessivamente resolvida at que a condio Potncia mxima do modelo igual a

potncia mxima experimental seja satisfeita. Durante a execuo do algoritmo a resistncia srie

aumentada lentamente e o valor da resistncia paralela encontrada a cada passo de simulao.



A lgica consisti em existir um nico ponto, correspondente a um nico valor de Rs, que satisfaa

a condio Pmax,modelo= Vmp*Imp.

Os valores encontrados pelo algoritmo para o painel em estudo foram Rp= 2161 e Rs= 3,538 . Ao se encontrar os valores das resistncias a equao 2 resolvida atravs do mtodo numrico interativo de Newton.

Atravs de simulaes foi possvel observar o comportamento dos sinais de Potncia,

Tenso e Corrente nos terminais de sada do painel fotovoltaico. As combinaes entre tais sinais

permitem a descrio da dinmica do sistema mediante as curvas V-I e P-V. Para o painel de 10

W tais curvas so exibidas nas Figuras 2 e 3.

Figura 2 Curva de corrente por tenso para vrios nveis de incidncia solar

Figura 3 - Curva de potncia por tenso para vrios nveis de incidncia solar

III- Algoritmo de MPPT baseado no mtodo de perturba e observa (P&O)

O sistema de MPPT conectado entre o painel e a carga e tem como objetivo extrair a

mxima potncia instantnea dois painis solares, ajustando o ponto de operao do sistema s

diferentes condies de operao.

O mtodo de busca por P&O baseia-se no seguinte procedimento: perturba-se a tenso

operante nos terminais do painel num determinado sentido e observa-se se h um aumento ou uma

diminuio na potncia gerada. Se houver um aumento na potncia, deve-se manter a perturbao



no mesmo sentido, caso contrrio, inverte-se o sentido da perturbao [FEMIA]. O termo

perturbao citado acima se refere a um pequeno valor de tenso definido como V. Este somado ou subtrado da tenso operante no painel com objetivo de percorrer a curva mostrada na figura 2.

Assim, um valor de corrente encontrado que entrega a mxima potncia carga. A figura 4

apresenta o esquema de funcionamento do algoritmo.

Figura 4 - Fluxograma do mtodo de perturba e observa (P&O) (adaptado de BRITO, 2010)

Na figura 5 visualiza-se o comportamento do algoritmo buscando a mxima potncia para

variados nveis de incidncia solar. possvel perceber que para alcanar um PMP necessrio

um determinado nmero de ciclos de processamento, ou seja, o ponto no encontrado

instantaneamente. De forma simplificada o funcionamento do algoritmo consiste em buscar

constantemente um valor de tenso e corrente que gere a maior potncia possvel para carga

conectada no painel.

Figura 5 - Comportamento do algoritmo durante o MPPT para vrios nveis de incidncia solar

Nesse trabalho o algoritmo de MPPT atua diretamente na modelagem computacional

demonstrada na sesso 2 at encontrar um ponto de mxima transferncia de potncia para um



determinado nvel de incidncia solar. Em uma implementao prtica o atuador responsvel em

ajustar a tenso na sada do painel um conversor de potncia CC-CC.

Um conversor CC-CC um circuito que usa um transistor como interruptor, um indutor e

um diodo para transferncia de energia da entrada para sada. No regulador chaveado a tenso e a

corrente no indutor esto defasadas de noventa graus, resultando em uma eficincia muito maior,

devido a pouca dissipao de calor. O armazenamento de energia a principal vantagem da

utilizao de um indutor em reguladores chaveados. A sada de um conversor CC-CC

diretamente proporcional ao ciclo de trabalho (duty cycle) k do circuito de chaveamento.

Modificando-se o valor do ciclo de trabalho consegue-se controlar a tenso mdia, a corrente

mdia e potncia mdia fornecida carga (ANTUNES, 2012).

Os principais conversores de potncia utilizados atualmente para o rastreamento da

mxima potncia de painis fotovoltaicos so os de topologia Buck e Boost.

IV- Algoritmo de MPPT baseado no mtodo por Redes Neurais Artificiais

A utilizao de Redes Neurais Artificiais (RNA) [HAYKIN,1999] como mecanismo para

encontrar o Ponto de Mxima Potncia (PMP) que pode ser transferida carga pelo painel

fotovoltaico torna-se uma opo interessante aos mtodos convencionais como P&O e Mtodo da

Condutncia Incremental [FEMIA,2013]. As vantagens da utilizao de uma RNA so: lidam com

processos no lineares muito bem, aps treinadas apresentam resposta imediata, o conhecimento

a priori do sistema no requerido (embutido nos dados), apresentam maior imunidade a rudos e

outliers presentes nos dados, dentre outros. Apresentam desvantagens tais como: se portarem como

uma caixa-preta, ou seja, o conhecimento sobre um sistema est distribudo e sintetizado nos pesos das conexes que formam a RNA, h necessidade de mudana de escala, algumas estratgias

de treinamento so muito lentas e apresentam convergncia a mnimo locais. Assim, a utilizao

de uma RNA para a tarefa de PMP mostra-se bastante aderente, pois o comportamento de um

sistema fotovoltaico no linear (dependente principalmente de irradiao solar) e, uma vez

treinada para um sistema especfico, sua resposta instantnea, ou seja, apresenta maior eficincia

computacional, plenamente utilizvel em tempo real.

Uma RNA se espelha no modelo biolgico funcional. Em 1943, Warren McCulloch

eWalter Pitts propuseram o primeiro modelo de neurnio artificial. A figura 6 apresenta este

modelo bem como a relao sinal de entrada/sinal de sada para um neurnio j.

x1

x2

xn

bxwn

i

iji 1

)( jv yj

wj1

wj2

wjn

x0 = 1

wj0 = b

vj

bxwn

i

iji 1

bxwvn

i

ijij 1

Figura 6 -Modelo proposto para o Neurnio Artificial

Na figura 6 tem-se X= {x1, x2,..., xn} o vetor das variveis de entrada (sinal de entrada), wji os respectivos pesos das conexes, vj o potencial de ativao e yj o sinal de sada do neurnio j e b o bias. Observe que a sada uma funo (.) do potencial de ativao. Esta funo chamada de Funo de Ativao ou Funo de Transferncia do neurnio. O objetivo desta funo , para



um dado padro de entrada X, responder com valores 1 (ou prximos) para uma combinao

correlacionada entrada-sada e 0 para combinao no correlacionada. Para a maioria dos

problemas desejvel que esta funo seja no-linear, acomodando as variaes presentes nos

padres de entrada. Uma funo de ativao comumente utilizada a Funo Sigmoidal (ou

Logstica), dada por:

(. ) =1

1+ (8)

onde uma constante real associada ao nvel de inclinao da funo e v o potencial de ativao. Esta funo integralmente diferencivel e monotnica, o que permite sua utilizao em

processos de aprendizagem baseados em gradientes.

As arquiteturas utilizadas para as RNA so Feedforward Camada Simples, Feedforward

Multicamadas (MLP), Redes Recorrentes e Mapas Auto-organizveis [HAYKIN,1999]. A figura 7

exemplifica uma MLP com 10 variveis de entrada (m=10), 4 neurnios na camada intermediria

(camada escondida) e dois neurnios na camada de sada. Neste exemplo dito que a RNA possui

2 camadas de neurnios. Dependendo da complexidade do problema, pode ser necessrio a

utilizao de mais camadas intermedirias. Uma camada intermediria tem a finalidade de

melhorar o conhecimento sobre problema, possibilitando observar das correlaes estatsticas

implcitas entre as variveis de entrada e uma dada sada.

Figura 7 - Rede Neural Artificial tipo Feedforward Multicamadas, com 10 variveis de entrada, 4 neurnios na

camada escondida e 2 neurnios na camada de sada

Uma RNA apresenta aprendizado indutivo sobre um sistema. Assim, sua capacidade de

aprender feita a partir da apresentao de dados que contenham implicitamente o comportamento

do sistema a ser analisado. Um sistema caracterizado pelas variveis de entrada e processo de

treinamento de uma RNA dependente do nmero destas variveis. A relao nmero de variveis

pelo tamanho do conjunto de dados deve ser analisado para evitar a Maldio da Dimensionalidade

[HAYKIN,1999]. O aumento de variveis para melhorar o conhecimento do problema requer o

aumento exponencial de dados a cada nova varivel inserida, pois a complexidade do problema

tambm aumenta, pelo aumento do nmero de parmetros livres a serem ajustados.

Um conjunto de dados geralmente divido em dois subconjuntos: conjunto de treinamento

e conjunto de teste. O primeiro visa encontrar pesos das conexes timos da RNA, que o processo

de treinamento. O segundo visa validar se o conhecimento adquirido pela RNA responde bem a

dados no utilizados para treinamento. Esta caracterstica defina uma das grandes vantagens da



utilizao de uma RNA que oferecer resultados prximos dos esperados e com boa capacidade

de generalizao (Capacidade de Generalizao do Modelo) [SILVA].

Como j observado, aprendizagem em RNA o processo de encontrar, atravs de tcnicas

matemticas, os pesos das conexes timos. Isso significa que o conhecimento sobre um sistema

ou problema, est estruturado nestes pesos. Na literatura atinente a rea [HAYKIN,1999], [SILVA] e

[LI, 2008], h muitos processos de aprendizagem para RNA. Um destes processos, denominado

Aprendizado por Retropropagao do Erro (BP), proposto por David E. Rumelhart, Geoffrey E.

Hinton E Ronald J. Williams, em 1986, amplamente utilizado. O algoritmo baseado na

minimizao do erro (valor desejado valor obtido) em relao aos pesos das conexes, aplicando-se a tcnica do Gradiente Descendente. Neste caso, uma vez que a priori conhecido o resultado

do problema, ou seja, o valor desejado para como resultado do processamento, este valor funciona

como um tutor para a RNA. O treinamento dito ento com superviso. O algoritmo bem como o

Gradiente Descendente pode ser visto em [HAYKIN,1999]. Neste trabalho, utilizada uma RNA tipo

Feedforward Multicamadas com estratgia de aprendizado Retropropagao do Erro (MLP-BP).

A base de dados obtida para o aprendizado neural sintetizada a partir do Mtodo P&O aplicado

ao mdulo fotovoltaico.

V Metodologia e Simulaes

Para modelar a dinmica do sistema fotovoltaico durante a busca da mxima potncia so

gerados 900 pontos aleatrios, constituindo a base de dados para a RNA. Neste caso, so

sorteados aleatoriamente (normalmente distribudos) a incidncia solar (G), com valores entre 0 a

1000 W/m2. A temperatura (T) no mdulo fotovoltaico constante e igual a 25 oC, para este

trabalho. O modelo do mdulo fotovoltaico, como mostrado na figura 1, fornece a respectiva

corrente de sada (Ipainel) para cada valor de G simulado. Assim, para cada G, T, uma tenso de

partida (VR, para mdulo fotovoltaico, igual a 16 V) e Ipainel correspondente, executado o Mtodo

P&O (sesso III), fornecendo como soluo a tenso mxima (Vmax). Isto resulta na potncia

mxima que o mdulo pode fornecer carga. Logo Vmax torna-se um sinal de controle (referencia)

para o conversor CC-CC. Ao final formada a base de dados, tendo como variveis de entrada

Ipainel e G. A temperatura, neste trabalho, como considerada constante, torna-se no relevante ao

problema. A varivel de sada a tenso mxima (Vmax), que constitui a varivel alvo (valor

desejado).

Uma vez estabelecida a base de dados, necessrio escolher o tipo de arquitetura de RNA,

a estratgia de aprendizado e a melhor topologia para o problema. A escolha da arquitetura recai

em uma RNA feedforward Multicamadas, com apenas uma camada escondida. A estratgia de

Aprendizado o Retropropagao do Erro (RNA tipo MLP-BP), com treinamento com superviso.

Para otimizar o treinamento, acrescentado ao algoritmo BP um. A equao 9 mostra o incremento

nos pesos pelo algoritmo BP, para um neurnio j e um dado sinal de entrada i, na iterao n.

wji(n)=(n)

wji(n) (9)

Onde (n)

wji(n) corresponde variao do erro em funo dos pesos das conexes. Desenvolvendo

esta equao tem-se:

wji(n)=()() + wji(n-1) (10)



Sendo que o valor de () (gradiente local) apresenta computao distinta, de acordo com o algoritmo BP, para os neurnios da camada de sada e para a camada intermediria de neurnios,

como mostrado na figura 7. A varivel yi corresponde ao sinal de uma sada do neurnio da camada

intermediria ligado ou eu um sinal de entrada. A taxa de aprendizagem e o Momentum so dados

por e , respectivamente. Vale salientar que a funo de ativao escolhida a tangente hiperblica [HAYKIN], que diferencivel (contnua e monotnica). Assim, a atualizao dos pesos

das conexes para a prxima iterao (novo exemplar) dada por:

wji(n+1)=wji(n) + wji(n) (11)

Para a tarefa de encontrar a RNA para o problema utilizado o Toolbox Neural Networks

e o respectivo aplicativo denominado de NNTOOL do Matlab [MATHWORKS]. Este aplicativo

divide aleatoriamente os dados nestes trs conjuntos, na proporo de 70% para treinamento, 15%

para validao e 15% para teste. Para treinamento, a medida de performance dada pelo Erro

Mdio Quadrtico (MSE Mean Squared Error), tanto para o conjunto de treinamento, validao e teste. O conjunto de treinamento o conjunto efetivamente utilizado para encontrar os pesos das

conexes timos que relaciona entrada/sada. O conjunto de validao utilizado para proceder

uma estratgia denominada de Validao Cruzada, onde este conjunto apresentado RNA

durante o treinamento, mostrada em [BISHOP]. Isto evita o problema do sobreajuste (overfitting),

que faz a RNA responder bem aos dados de treinamento mas ruim a dados novos (teste). Assim, a

Validao Cruzada proporciona uma maior capacidade de generalizao para a RNA treinada (boa

resposta a dados novos).

As simulaes so executadas observando-se 3 parmetros: nmero de neurnios da

camada intermediria, Momentum () e taxa de aprendizagem (). O objetivo final encontrar a melhor topologia para a RNA que estabelece o melhor aprendizado para o problema do MPPT. A

tabela 1 sintetiza os resultados.

Tabela 1 - Comportamento da rede neural treinada

Neurnios camada intermediria

MSE (Conj. Treinamento)

MSE (Conj. Teste)

pocas

2 0,90 0,01 0,001380 0,002197 14826

2 0,70 0,20 0,001080 0,002690 18793

5 0,90 0,01 0,001690 0,001055 27642

5 0,70 0,20 0,001340 0,000905 16355

8 0,90 0,01 0,002050 0,002050 47346

8 0,70 0,20 0,000379 0,000373 52648

Na tabela 1 pode ser observado que os valores para o Momentum so mais elevados que a

os da taxa de aprendizagem. A relao alto valor de Momentum por uma baixa taxa de

aprendizagem evita de forma significativa o problema de mnimos locais, prprios de mtodos

baseados em gradiente. Outro parmetro de treinamento o nmero de pocas, que neste trabalho

fixado no limite de 100000. Uma poca de treinamento significa todos os exemplares do conjunto

de treinamento so apresentados RNA e a performance avaliada a partir do MSE, ou seja, o

erro retropropagado feito exemplar por exemplar. Isto faz com que o treinamento torne-se lento,

mas qualitativamente melhor sob o enfoque da capacidade de generalizao.

O aplicativo NNTOOL estabelece alguns critrios de parada, que so o nmero limite de

pocas, o valor de erro do gradiente descendente, o valor meta do MSE para o problema (neste



caso igual a zero) e o erro de validao (computao de aumento desse consecutivamente 6 vezes).

Entretanto, pelo nmero elevado de pocas ajustado, neste trabalho faz-se a opo, quando

nenhuma dos critrios acima sejam avaliados, por parada manual. Como critrio do usurio, esta

parada feita sempre que se observa mudana bastante lenta ou nenhuma do MSE do conjunto de

treinamento.

Como a RNA resultante, obtida na tabela 1, nota-se que a RNA com 8 neurnios na camada

intermediria apresenta-se resultados que correspondem ao esperado para o problema de MPPT

via RNA. A figura 8 apresenta a topologia resumida da RNA, fornecida pelo aplicativo NNTOOL

e a figura 9 mostra a curvas do MSE pelo nmero de pocas, para os trs conjuntos: treinamento,

validao e teste. Entretanto, para efeitos de avaliao da melhor RNA, o determinante o MSE

do conjunto de teste, pois este o indicativo da melhor capacidade de generalizao que a RNA

pode obter para o problema.

Figura 8 - Topologia da RNA

Figura 9 Curvas de treinamento, validao e teste da melhor RNA treinada para o problema do MPPT de um

mdulo fotovoltaico.

Pelo valor do MSE de teste para RNA escolhida, nota-se que o mesmo bastante pequeno

(MSE teste = 0,000373). Este resultado proporciona uma Funo de Aproximao para o algoritmo

P&O baseada nesta RNA treinada. Logo, para qualquer valor de Irradiao Solar no mdulo

fotovoltaico, esta RNA se comportar como o P&O. Entretanto, so maiores as vantagens de se

utilizar a RNA, como j citado neste texto: computacionalmente eficiente (resposta imediata),

maior capacidade de lidar com informaes corrompidas e dados no lineares. Assim, espera-se

que, utilizando-se a RNA para a tarefa de um sinal de controle (neste caso, a Vmax) para o

conversor, pode-se obter maior eficincia para fornecer a potncia mxima carga, uma vez que



a mesma fornece um sinal de sada estvel para o controlador, sem oscilaes em torno do ponto

de mxima potncia.

V- Concluso

possvel fazer o rastreamento do ponto de mxima potencia atravs de um algoritmo

baseado em redes neurais. O sistema baseado em RNA tem as vantagens de convergir quase

instantaneamente para o PMP, na faixa dos nveis de radiao solar. Ou seja, a resposta da RNA

no fica oscilando em torno desse ponto, se comparado com mtodo de perturba e observa (P&O).

Este ltimo tem a desvantagem de demorar alguns ciclos de processamento at chegar no ponto

de mxima potncia como observado. Isto contribui para diminuio da eficincia desse mtodo,

dando plena vantagem ao realizado por RNA. Sendo um sistema baseado em RNA com

treinamento indutivo (base de dados), isto poderia ser um inconveniente. Mas, com os atuais

sistemas de aquisio de dados e computacionais, as modelagens necessrias para dotar o sistema

fotovoltaico com RNA para melhora de performance esto estabelecidas. Neste trabalho, a

estratgia de aprendizado e a arquitetura da RNA escolhidas so bastante utilizadas e se prestaram

a solucionar o problema. Pode ser observado que a RNA escolhida um aproximador funcional

bastante eficiente para o P&O, alm de resguardar todas as vantagens de uma RNA. No foram

testadas outras estratgias de aprendizado nem arquiteturas, notadamente evoludas das tcnicas

aqui utilizadas.

Referncias

BRITO, Moacyr A.G de; JUNIOR, Luigi G; SAMPAIO, Leonardo P; CANESIN, Carlos A.

Avaliao das principais tcnicas para obteno de mppt de painis fotovoltaicos. 9th

IEEE/IAS International Conference on Industry Applications(Induscon), p.1-6, So Paulo,

Brasil, 8 a 10 Nov. 2010.

CASARO, M. M; MARTINS, D. C. Processamento eletrnico da energia solar fotovoltaica

em sistemas concetados rede eltrica. Revista Controle & Automao, v. 21, n.2, p.159-

172,2010.

FEMIA, N. et al. (2005). Optimization of Perturb and Observe Maximum Power Point

Tracking Method. In: IEEE Transactions on Power Eletronics, 2005, v.20, n.4, p. 963-973.

LI, C.H; CAO, G; HU, W; SUI, S. HU,M. A maximum power point tracker for photovoltaic

energy systems based on fuzzy neural networks. Journal of Zhejiang University, v.10,n. 2, p.

263-270, 2009.

M. G. Villalva, J. R. Gazoli. E. Ruppert. Comprehensive approach to modeling and simulation of photovoltaic arrays. IEEE Trans on Power Eletronics, v.24, p.1198-1208,2009

SAMPAIO, Patrcia Teixeira. MODELAGEM TRMICA DE UM FORNO PANELA

UTILIZANDO REDES NEURAIS ARTIFICIAIS. 2006. 90 f. Dissertao (Mestrado) -

Universidade Federal de Minas Gerais, Belo Horizonte, 2006. Cap. 2.

SILVA, Ivan Nunes Da; SPATTI, Danilo Hernane; FLAUZINO, Rogrio



Andrade. REDES NEURAIS ARTIFICIAIS PARA ENGENHARIA E CINCIAS

VILLALVA, M. G; GAZOLE,J. R. Energia Solar fotovoltaica: Conceitos e aplicaes,

sistemas isolados e conectados a rede. Editora rica, 2012.

HAYKIN, Simon. Neural Networks A Comprehensive Foundation. Prentice Hall. Upper Saddle River, New Jersey USA. 1999. 2nd Edition.

FEMIA, Nicola et al. Power Electronics and Control Techniques for Maximum Energy

Harvesting in Photovoltaic Systems. CRC Press. Boca Raton, USA. 2013

ABINEE. Propostas para Insero da Energia Solar Fotovoltaica na Matriz Eltrica

Brasileira. ABINEE Associao Brasileira da Indstria Eltrica e Eletrnica. Junho/2012.

ANTUNES, Fernando Luiz Marcelo. Conversores CC-CC. Disponvel em:

http://www.dee.ufc.br/~fantunes/Elet_Potencia/AulasEletronica%20de%Potencia%20unid

ade%206.pdf acesso em: 12 set. 2014

MATHWORKS, The Mathworks Inc. 1984-2014.

BISHOP, Christopher M. Neural Networks for Pattern Recognition. Clarendon Press. Oxford 1995.

Uso de Heurística No Rastreamento Do Ponto de Máxima Potência de Painel Fotovoltaico

Documents

Transcript of Uso de Heurística No Rastreamento Do Ponto de Máxima Potência de Painel Fotovoltaico