Algoritmo de redes neuronales artificiales para el seguimiento del punto de máxima potencia de un panel fotovoltaico

• Autor: Cabana Hancco, Wilson Ricardo
• Formato: tesis de maestría
• Fecha de Publicación: 2019
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:UNSA/10071
• Enlace del recurso: http://repositorio.unsa.edu.pe/handle/UNSA/10071
• Nivel de acceso: acceso abierto
• Materia: Fotovoltaico; punto de máxima potencia; modelo; simulación y red neuronal; https://purl.org/pe-repo/ocde/ford#2.11.02

Los paneles fotovoltaicos son dispositivos formados por semiconductores, que convierten instantáneamente la energía solar en energía eléctrica. En los últimos años, la energía fotovoltaica ha experimentado un rápido crecimiento, por lo que se buscan diferentes formas de mejorar su rendimiento; uno de los aspectos que se busca mejorar es que el panel siempre funcione en el punto de máxima potencia. Esta tesis tiene como objetivo desarrollar un algoritmo para el seguimiento del punto de máxima potencia de un panel fotovoltaico usando redes neuronales. El trabajo comenzó desde el concepto de un panel fotovoltaico, que puede ser representado por una fuente de corriente continua, un diodo y dos resistencias, una en serie y otra en paralelo; luego se desarrolló un modelo teórico para el cual se generaron relaciones matemáticas y se determinaron algunos parámetros. Posteriormente, el modelo teórico fue simulado en Simulink y validado con las especificaciones técnicas del panel; debido a que Simulink tarda un tiempo considerable en ejecutarse, se desarrolló un programa de ejecución rápida basado en el algoritmo Newton-Raphson. Luego de obtener el modelo teórico y su simulación se procedió a generar 39000 ejemplos con los cuales se alimentó y entrenó una red neuronal; obteniéndose como resultado una ecuación matricial que estima en máxima potencia, la intensidad de corriente y voltaje para diferentes irradiancias incidentes y temperaturas del panel. Finalmente se validan los resultados obtenidos por la red neuronal con respecto del modelo teórico, obteniéndose que la red neuronal subestima en 1.5% la energía acumulada en un día, concluyéndose por la tanto que se ha logrado construir un algoritmo de redes neuronales para el seguimiento del punto de máxima potencia.