Академический Документы
Профессиональный Документы
Культура Документы
AbstractThe present work aims to develop an artificial neural network MLP (Multilayer Perceptron) to search the maximum pow-
er point in photovoltaic panels as an alternative to the search algorithm MPPT Perturb-and-observe (P & O). This approach is made in
order to make the search of the maximum power point faster and reduces the oscillations created by the MPPT algorithm in steady
state. Another interesting feature of the method is determining the operating point in which each panel is, as given temperature condi-
tions and irradiation of each panel, it is possible to determine the operating point of each individual.
Resumo O presente trabalho visa o desenvolvimento de uma rede neural artificial do tipo MLP (MultilayerPerceptron) para busca do
ponto de máxima potência em painéis fotovoltaicos, como alternativa ao algoritmo de busca MPPT por perturbação e observação
(P&O). Esta abordagem é feita com o intuito de tornar a busca do ponto de máxima potência mais rápida além de reduzir as oscilações
criadas pelo algoritmo MPPT em regime permanente. Outra característica interessante ao método, é a determinação do ponto de opera-
ção em que cada painel se encontra, uma vez que dadas as condições de temperatura e irradiação de cada painel, será possível determi-
nar os pontos de operação de cada um individualmente.
Palavras-chave Rede neural, Painel Fotovoltaico, MPPT, Energia renovável, Energia solar.
3.1 Treinamento
Figura 7 - Painel solar utilizando a rede neural para estimação do
ponto de máximo.
Para o treinamento foi utilizada a metodologia
A rede neuralimplementada utilizará a configu- supervisionada, onde os dados de saída foram obti-
ração multicamadas MPL, pela simplicidade e efici- dos do modelo matemático de [3], utilizando a técni-
ência [5], Figura 8. ca do backpropagation [5]. Com este modelo, os
valores de corrente e tensão para uma máxima potên-
cia foram gerados e armazenados para irradiações de
100 a 1000 w/m² variando de 50 em 50 w/m² e tem-
peraturas de 20°c a 70°c variando de 2,5°c. Assim
utilizamos um banco de dados com 399 entradas de
irradiações, 399 entradas de temperatura e 399 saídas
de corrente e tensão de máxima potência. Todos os
dados de entrada e saída foram normalizados entre
zero e um, para um melhor desempenho da rede
neural. A função de ativação utilizada foi a função
logística. As matrizes de pesos foram iniciadas com
Figura 8 - Rede neural MLP
valores aleatórios, e o treinamento só foi concluído
quando o erro percentual médio de saída ficou dentro
Existem duas configurações de rede MPL utili- dos padrões aceitáveis para esta aplicação(perto de
zadas nesta aplicação, Figura 9 e Figura 10. 1%).
O resultado do treinamento pode ser visto nas Figu-
ras 11, 12, 13.
Agradecimentos