Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico

• Autor(a) principal: Guerra, Maria Izabel da Silva
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/handle/123456789/47207
• topic: RNA; Fuzzy; ANFIS; MPPT; Sistema fotovoltaico; Conversor buck- boost

Os sistemas fotovoltaicos (FV) têm apresentado um crescimento na matriz elétrica mundial. Contudo, a natureza não linear dos arranjos FV e sua forte dependência das condições ambientais são fatores que diminuem o fornecimento da máxima potência que eles são capazes de oferecer e, consequentemente, reduz seu desempenho e atratividade comercial. Para minimizar esses problemas, técnicas de Rastreamento do Ponto de Máxima Potência (MPPT) têm sido estudadas ao longo dos anos. Dentre as diversas técnicas de controle que podem ser utilizadas para rastreio do ponto de máxima potência, àquelas que utilizam algoritmos inteligentes para controlar o chaveamento dos conversores CC-CC têm mostrado um alto potencial de uso. Assim sendo, o presente trabalho se propõe a desenvolver técnicas de MPPT baseadas nos algoritmos inteligentes Rede Neural Artificial (RNA), fuzzy e Sistema de Inferência Neuro-Fuzzy Adaptativo (ANFIS), para serem aplicados à sistemas FV que tem o buck-boost como conversor CC-CC. Três propostas de arquiteturas foram desenvolvidas para cada algoritmos. Elas foram comparadas entre si e com o algoritmo clássico Perturba e Observa (P&O). As propostas diferenciam-se pelas variáveis de entrada utilizadas, a saber: irradiância e temperatura do ambiente, para a proposta 1, com variáveis de entrada puramente ambiental; irradiância e potência de saída instantânea do arranjo FV, para a proposta 2, com variáveis de entrada que misturou parâmetros ambiental e elétrico; e potência de saída instantânea e do instante anterior do arranjo FV, para a proposta 3, que teve variáveis de entrada com parâmetros puramente elétrico. Essas propostas não são encontradas na literatura e por isso pode ser considerada um avanço para a ciência. Para auxiliar no estudo do desempenho dos algoritmos inteligentes, dois cenários de sistemas FV, compostos por arranjo FV, conversor buck-boost, MPPT e carga, foram modelados, o cenário 1 e o cenário 2. Os cenários se diferenciaram pela potência total do sistema. Ao término das análises, percebeu-se que os algoritmos inteligentes tiveram uma alta velocidade de rastreamento e foram mais estáveis que os algoritmos P&O. Os sistemas FV controlados pelos algoritmos inteligentes da proposta 1 apresentaram a maior eficiência em atingir o ponto de máxima potência, sendo os algoritmos ANFIS e RNA os maiores destaques. Na geração de energia, quando substituiu o P&O, a RNA conseguiu recuperar até 12,05% de energia. No estudo da proposta 2, os sistemas FV também tiveram bom desempenho, mas inferior aos algoritmos da proposta 1. A maior energia gerada também foi alcançada pelo RNA. Ele gerou 12,01% a mais de energia que o P&O. Na proposta 3, os algoritmos inteligentes tiveram sua eficiência comprometida. De todo modo, sob condição randômica, os algoritmos inteligentes ainda mostraram ser superior ao P&O no rastreamento do ponto de máxima potência, recuperando até 8,27% da energia gerada. Assim sendo, os algoritmos inteligentes, em especial a RNA e o ANFIS, mostraram a relevância do seu uso em aplicações fotovoltaicas, sobretudo em regiões com variações randômicas das condições do ambiente. Ademais, os algoritmos inteligentes propostos são mais atrativos à medida que a potência do sistema FV a ser utilizado é elevada.