Algoritmo Multiswarm Spiral Leader Particle Swarm Optimization para a estimação dos parâmetros PV

• Autor(a) principal: Silva, Pedro Nuno Carriço
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.6/10208
• topic: Estimação de Parâmetros; Modelo de Dois Díodos; Produção Fotovoltaica; Um Díodo; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

O interesse em explorar a energia fotovoltaica tem crescido muito nos últimos anos. Tal deve - se ao facto de ser um tipo de energia renovável muito disponível (visto que provém do sol) e com um grande potencial de expansão e desenvolvimento. Nesse sentido, é essencial o desenvolvimento de métodos que permitam prever e analisar o comportamento dos sistemas fotovoltaicos, i.e., métodos que estimem com precisão os parâmetros dos módulos PV, sob quaisquer condições de operação. O objetivo principal desta dissertação é descrever com exatidão a modelação de sistemas fotovoltaicos. Primeiramente é feita uma apresentação sobre os tipos de tecnologias fotovoltaicas existentes atualmente e também sobre o funcionamento dos sistemas fotovoltaicos em geral. Seguidamente são apresentados os vários modelos matemáticos que permitem caracterizar esses sistemas fotovoltaicos bem como os vários métodos utilizados para estimar os respetivos parâmetros. Essa estimação é feita a partir da informação disponibilizada pelos fabricantes ou através de dados medidos experimentalmente. Por conseguinte, é aqui proposto um novo método denominado de Multiswarm Spiral Leader Particle Swarm Optimization (M-SLPSO), com base no PSO, para resolver o problema da estimação dos parâmetros dos sistemas PV. Este método utiliza vários swarms com diferentes mecanismos de procura e cada swarm é guiado por um líder com uma trajetória em espiral diferente. De acordo com o desempenho dos swarms, estes podem trocar de mecanismos de procura entre si e os agentes podem migrar entre swarms, possibilitando assim um bom balanço entre os mecanismos de intensificação e de diversificação. Este método mantém uma boa diversidade nas trajetórias de exploração enquanto constrói novas soluções ao longo do processo de procura, mitigando a estagnação da população e a convergência prematura. Para além disso, consegue explorar o espaço de procura multidimensional em diferentes regiões simultaneamente e consegue adaptar-se aos vários problemas de otimização. Finalmente, é feita uma análise e discussão dos resultados obtidos pelo método na resolução de funções de benchmark e na estimação dos parâmetros fotovoltaicos. Esses resultados são comparados com os resultados obtidos por vários algoritmos metaheurísticos de última geração e mostram que o método proposto apresenta um desempenho muito competitivo, encontrando soluções muito precisas e fiáveis.