Diseño e implementación de un controlador neuronal artificial dinámico para optimizar el algoritmo de perturbación y observación en el seguimiento del punto de máxima potencia de un módulo fotovoltaico
La investigación tiene como propósito consta del desarrollo de un controlador neuronal artificial adaptativo que logró optimizar el algoritmo de seguimiento del punto de máxima potencia (MPPT) perturbar y observar (P&O) de un módulo fotovoltaico (FV). Dicho proyecto fue presentado como una profu...
- Autores:
-
Viloria Porto, Julie Pauline
- Tipo de recurso:
- Fecha de publicación:
- 2018
- Institución:
- Universidad del Magdalena
- Repositorio:
- Repositorio Unimagdalena
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unimagdalena.edu.co:123456789/3704
- Acceso en línea:
- http://repositorio.unimagdalena.edu.co/handle/123456789/3704
- Palabra clave:
- fotovoltaje
Modulo FV
Algoritmo de control
Convertidor DC-DC
Convertidor MPPT
Red ADELINE
Microcontrolador
Controlador P & O
- Rights
- restrictedAccess
- License
- atribucionnocomercialsinderivar
Summary: | La investigación tiene como propósito consta del desarrollo de un controlador neuronal artificial adaptativo que logró optimizar el algoritmo de seguimiento del punto de máxima potencia (MPPT) perturbar y observar (P&O) de un módulo fotovoltaico (FV). Dicho proyecto fue presentado como una profundización en el tema de control inteligente basado en redes neuronales, por el grupo de investigación MAGMA Ingeniería del programa de Ingeniería Electrónica de la Universidad del Magdalena, con el objetivo de diseñar e implementar un controlador capaz de optimizar el método de control convencional P&O y corregir las oscilaciones que se presentan alrededor del punto de máxima potencia (MPP). Por consiguiente, el controlador aquí desarrollado contiene el diseño de una red neuronal ADALINE con arquitectura FIR, entrenada con el algoritmo de entrenamiento RTRL, el cual resultó ser el método de control inteligente que mejor filtró las oscilaciones cercanas al MPP y que arrojó un margen de error mucho menor. Este método de control recibe como señales de entrada la corriente y el voltaje de un módulo FV que fue expuesto a diversas condiciones medioambientales. Finalmente, se evaluó la eficiencia del controlador optimizado, comparándolo con el controlador P&O tradicional, con un controlador difuso y con un controlador neuronal dinámico tipo NARX. Estos últimos controladores fueron desarrollados por los semilleristas del mismo grupo de investigación. Gracias a lo anterior, se pudo concluir que una red neuronal con entrenamiento adaptativo posee mejores resultados, una respuesta más rápida y con menos bifurcaciones ante cambios súbitos en las señales de entrada, resultando ser el método de control adecuado para sistemas en los cuales se requiere de una respuesta en tiempo real. |
---|