Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UFRN_651f8a0604e649b7aeca2de75d13b7e8 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/47207 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Guerra, Maria Izabel da Silvahttps://orcid.org/0000-0002-6219-1784http://lattes.cnpq.br/4471637972827995http://lattes.cnpq.br/5473196176458886Maitelli, André Laurindohttps://orcid.org/0000-0001-6083-7425http://lattes.cnpq.br/0477027244297797Salazar, Andres Ortizhttps://orcid.org/0000-0001-5650-3668http://lattes.cnpq.br/7865065553087432Carvalho Neto, João Teixeira de06753360409Vale, Marcelo Roberto Bastos GuerraAraújo, Fábio Meneghetti Ugulino de2022-05-17T23:50:39Z2022-05-17T23:50:39Z2022-04-07GUERRA, Maria Izabel da Silva. Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico. 2022. 186f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/47207Os 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.Photovoltaic (PV) systems have shown growth in the world's electrical matrix. However, the non-linear nature of PV arrays and their strong dependence on ambient conditions decrease the maximum power they can produce and, consequently, reduce their performance and commercial attractiveness. Maximum Power Point Tracking (MPPT) techniques have been studied over the years to minimize these problems. Among the various control techniques used to track the maximum power point, those that use intelligent algorithms to control the switching of DC-DC converters have shown a high potential for use. Therefore, the present work proposes to develop MPPT techniques based on Artificial Neural Network (ANN), fuzzy and Adaptive Neuro-Fuzzy Inference System (ANFIS) intelligent algorithms, to be applied to PV systems that have the buck-boost as a DC-DC converter. Three proposed architectures were developed for each algorithm. They were compared with each other and with the classic Perturb and Observe (P&O) algorithm. The proposals are distinguished by the input variables used, namely: irradiance and ambient temperature, for proposal 1, with purely ambient parameters as input variables; irradiance and instantaneous output power of the PV array, for proposal 2, with input variables that mixed ambient and electrical parameters; and instantaneous and previous instantaneous output power of the PV array, for proposal 3, with purely electrical parameters as input variables. These proposals are not found in the literature. Therefore can be considered a breakthrough for science. To assist in the study of the performance of the intelligent algorithms, two scenarios of PV systems were modeled. They are composed of PV array, buckboost converter, MPPT, and load and identified as scenario 1 and scenario 2. The scenarios were differentiated by the total power of the system. At the end of the analyses, the intelligent algorithms had a high tracking speed and were more stable than the P&O algorithms. The PV systems controlled by the intelligent algorithms of Proposal 1 showed the highest efficiency in reaching the maximum power point. The ANFIS and ANN algorithms were more prominent. In power generation, ANN recovered up to 12.05% of the energy lost when using P&O. In the proposal 2 study, the PV systems also performed well, but it was lower than the proposal 1 algorithms. The highest power generated was also achieved by the ANN. It generated 12.01% more power than the P&O. In proposal 3, the intelligent algorithms had their efficiency compromised. Anyway, under random conditions, the intelligent algorithms still proved to be superior to P&O in tracking the maximum power point, recovering 8.27% of the generated power. Therefore, intelligent algorithms, especially ANN and ANFIS, have shown the relevance of their use in photovoltaic applications, especially in regions with random environmental conditions. Furthermore, the proposed intelligent algorithms are more attractive as the power of the PV system to be used is high.Universidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOUFRNBrasilRNAFuzzyANFISMPPTSistema fotovoltaicoConversor buck- boostEstudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaicoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALEstudocontroladoresinteligentes_Guerra_2022.pdfapplication/pdf6017147https://repositorio.ufrn.br/bitstream/123456789/47207/1/Estudocontroladoresinteligentes_Guerra_2022.pdfb15c67a0fba620268781e3878a900e4dMD51123456789/472072022-05-17 20:51:27.273oai:https://repositorio.ufrn.br:123456789/47207Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-05-17T23:51:27Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico |
title |
Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico |
spellingShingle |
Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico Guerra, Maria Izabel da Silva RNA Fuzzy ANFIS MPPT Sistema fotovoltaico Conversor buck- boost |
title_short |
Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico |
title_full |
Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico |
title_fullStr |
Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico |
title_full_unstemmed |
Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico |
title_sort |
Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico |
author |
Guerra, Maria Izabel da Silva |
author_facet |
Guerra, Maria Izabel da Silva |
author_role |
author |
dc.contributor.authorID.pt_BR.fl_str_mv |
https://orcid.org/0000-0002-6219-1784 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4471637972827995 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/5473196176458886 |
dc.contributor.referees1.none.fl_str_mv |
Maitelli, André Laurindo |
dc.contributor.referees1ID.pt_BR.fl_str_mv |
https://orcid.org/0000-0001-6083-7425 |
dc.contributor.referees1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/0477027244297797 |
dc.contributor.referees2.none.fl_str_mv |
Salazar, Andres Ortiz |
dc.contributor.referees2ID.pt_BR.fl_str_mv |
https://orcid.org/0000-0001-5650-3668 |
dc.contributor.referees2Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7865065553087432 |
dc.contributor.referees3.none.fl_str_mv |
Carvalho Neto, João Teixeira de |
dc.contributor.referees3ID.pt_BR.fl_str_mv |
06753360409 |
dc.contributor.referees4.none.fl_str_mv |
Vale, Marcelo Roberto Bastos Guerra |
dc.contributor.author.fl_str_mv |
Guerra, Maria Izabel da Silva |
dc.contributor.advisor1.fl_str_mv |
Araújo, Fábio Meneghetti Ugulino de |
contributor_str_mv |
Araújo, Fábio Meneghetti Ugulino de |
dc.subject.por.fl_str_mv |
RNA Fuzzy ANFIS MPPT Sistema fotovoltaico Conversor buck- boost |
topic |
RNA Fuzzy ANFIS MPPT Sistema fotovoltaico Conversor buck- boost |
description |
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. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-05-17T23:50:39Z |
dc.date.available.fl_str_mv |
2022-05-17T23:50:39Z |
dc.date.issued.fl_str_mv |
2022-04-07 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
GUERRA, Maria Izabel da Silva. Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico. 2022. 186f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/47207 |
identifier_str_mv |
GUERRA, Maria Izabel da Silva. Estudo de controladores inteligentes para rastreio do ponto de máxima potência de um sistema fotovoltaico. 2022. 186f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
url |
https://repositorio.ufrn.br/handle/123456789/47207 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/47207/1/Estudocontroladoresinteligentes_Guerra_2022.pdf |
bitstream.checksum.fl_str_mv |
b15c67a0fba620268781e3878a900e4d |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117911088726016 |