MINISTRIO DA EDUCAO

SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA

INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

Uso de Heurstica na Busca do Ponto de Mxima Potncia dos Painis Fotovoltaicos

Nlio Vaz Resende 1
Andr Felipe Barbosa2, Wesley Pacheco Calixto3, Pedro Jos Abro4
1

Instituto federal de Gois /Campus Goinia/Engenharia de Controle e Automao - PIBIC,

nlio.rezende@estudantes.ifg.edu.br
2
Instituto federal de Gois /Campus Goinia/Engenharia de Controle e Automao - PIBIC,
andrefilipeb@gmail.com
3
Instituto federal de Gois /Campus Goinia/Departamento IV
wpcalixto@ieee.org
4
Instituto federal de Gois /Campus Goinia/Departamento IV
pedro.abrao@ifg.edu.br

Resumo
A importncia da energia fotovoltaica na ampliao do uso de fontes de energia renovveis
e no-poluentes crescente. Porm, dois fatores ainda atrapalham o seu crescimento: custo e
eficincia. Uma maneira de melhorar a eficincia de um sistema fotovoltaico atravs do uso de
novas tecnologias ou de tcnicas para a operao das clulas em um ponto de mximo
fornecimento de potncia. A ideia o rastreamento do ponto de mxima potncia de operao,
tambm conhecido como MPPT (Maximum Power Point Tracking), j foram desenvolvidas de
forma a melhorar a produo de energia. Atravs do modelo matemtico de um mdulo
fotoeltrico e do Mtodo Perturbao e Observao (P&O), uma rede neural artificial (RNA)
treinada para a tarefa de busca do MPPT. Com arquitetura tipo Feedforward Multicamada e
estratgia de aprendizado Retropropagao de Erro (MLP-BP), a RNA torna-se a funo heurstica
que promove a melhora no desempenho dinmico do sistema fotovoltaico automaticamente. Para
as simulaes, utilizado um painel fotovoltaico de potncia 10 W. Os resultados destas
simulaes so apresentados para validar a tcnica heurstica desenvolvida para um mdulo
fotovoltaico.
Palavras-chave: Redes Neurais Artificiais, MPPT, Sistemas Fotovoltaicos, clula fotoeltrica.
I - Introduo
Em funo da provvel escassez de combustveis fsseis e dos impactos causados no meio
ambiente por algumas fontes de energia, seja na obteno ou no aproveitamento, a opo em usar
fontes alternativas ou renovveis de energia tem sido objeto de estudo em diversas pesquisas
[VILLALVA & GAZOLI, 2012]. Dentre as opes sugeridas, a produo de energia eltrica atravs de
clulas fotovoltaicas tem sido cada vez mais defendida por ser um tipo de fonte no-poluidora e
renovvel [LI, 2008]. Um sistema fotovoltaico no produz lixo txico tal como ocorre nas usinas
nucleares, no polui o meio ambiente como nas usinas termoeltricas a gs ou a carvo e no
provoca impactos ambientais e/ou sociais como nas usinas hidreltricas [CASARO, 2010]. Entretanto
a cadeia produtiva do silcio solar, material mais utilizado para a confeco da clula fotovoltaica,
no um processo isento de resduos [ABINEE]. Apesar das vantagens, h duas caractersticas que
impedem um uso ainda maior da energia fotovoltaica, o custo de fabricao dos componentes; e a
baixa eficincia de converso da energia solar para a energia eltrica. H outros fatores, tais como
a temperatura de operao de clula fotovoltaica e a sazonalidade dos nveis de insolao, que
podem contribuir em menor escala na escolha ou no pela energia fotovoltaica. O custo dos
componentes , na verdade, o principal fator que define a opo por outras fontes geradoras. Caso
Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

a expectativa de diminuio dos custos seja cumprida, ainda restar a baixa eficincia de
converso. A eficincia das clulas fotovoltaicas pode ser melhorada mediante o desenvolvimento
e a aplicao de novos materiais semicondutores, que permitiro um melhor aproveitamento da
energia solar incidida sobre as clulas. Porm, o emprego de novos semicondutores e o
aprimoramento de novas tecnologias poderiam causar um aumento e no uma diminuio no custo
final de fabricao das clulas. Uma das alternativas em melhorar a eficincia global buscar que
a operao do sistema fotovoltaico sempre permanea no ponto de mxima potncia de sada.
Porm, a mxima potncia no constante e dependente da temperatura, do nvel de insolao e
do arranjo escolhido do sistema fotovoltaico. Portanto a busca em determinar o ponto de mxima
potncia de sada deve ser to constante quanto manter a operao da clula neste mesmo ponto.
A tcnica de rastreamento ou de seguimento do ponto de mxima potncia em sistemas
fotovoltaicos referida pelo termo MPPT. Dentre as diversas tcnicas de busca do MPPT esto:
os mtodos de perturbao e observao (P&O); os mtodos de condutncia incremental (IC); e o
mtodo baseado em redes neurais para o rastreamento do ponto de mxima potncia em sistemas
fotovoltaicos. Neste trabalho apresentado um mtodo baseado em RNA para encontrar o MPPT,
o qual visa responder de forma computacionalmente eficiente dinmica rpida da variao de
insolao em um mdulo fotovoltaico.
II- MODELO MATEMTICO DO PAINEL FOTOVOLTAICO
Para que as condies adversas de operao de um painel fotovoltaico (ou mdulo conjunto de clulas fotovoltaicas) fossem exploradas no estudo, preciso consider-las no modelo
matemtico. Uma vez consideradas neste modelo, possvel simular variaes nos nveis de
incidncia solar (sombreamento), na temperatura (instalao abrigada, arejada e propriedades
sazonais estaes do ano). O modelo matemtico utilizado para representar um painel fotovoltaico
corresponde ao diodo nico, proposto em [VILLALVA, GAZOLI & RUPPERT] e [FEMIA, 2013]. Atravs
desse modelo possvel simular o comportamento do painel a partir dos dados fornecidos pela
Star Solar Panel, fabricante do painel em estudo. As informaes disponveis do painel de potncia
10 W so: Voc=22.7 V (Tenso de circuito aberto), Isc=0.6 A (Corrente de curto circuito), Vmp= 18
V (Tenso de mxima potncia), Imp= 0.56 A (Corrente de mxima potncia ), Ns = 36 ( Nmero de
clulas fotovoltaicas do painel), Kv = - 0.1230 (Coeficiente de tenso e temperatura), Ki =
0.0032 (Coeficiente de corrente e temperatura ) esses valores so correspondentes a
condies padres de incidncia solar (Gn=1000 W/m2) e temperatura (Tn=25 C). Na figura 1
possvel visualizar o circuito eltrico equivalente para um mdulo fotovoltaico (arranjo srieparalelo de clulas fotoeltricas) [FEMIA, 2013].

Figura 1- Modelo eltrico de uma clula fotoeltrica

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

Neste circuito, Iph representa a corrente gerada pela radiao solar, Id a corrente que passa
pelo diodo, Vd indica a tenso que o diodo est submetido, Irp representa a corrente que est
passando pela resistncia paralela Rp e Ipainel indica a corrente que est na sada do painel a qual
passa atravs da resistncia srie Rs.
Usando a Lei de Kirchhoff das correntes para o circuito da figura 1 tem-se:
Iph= Id + Irp + Ipainel

(1)

Logo, a corrente eltrica Ipainel de interesse dada por:

Ipainel = Iph - Irp Id

(2)

A corrente gerada pela radiao solar pode ser modelada atravs da seguinte equao:

Iph= ( Ipvn + Ki*dT)*G/

(3)

Na equao 3 o dT significa a diferena entre a temperatura atual do sistema fotovoltaico

e a temperatura em condies padres (T= 25 C) e o G significa o nvel de intensidade solar atual
que o sistema est submetido. O Ipvn dado na equao 3.
Ipvn =[ {(Rp + Rs)/Rp}*Isc]

(4)

A corrente do diodo dado na equao 5, onde Vd a tenso sobre o diodo e n a constante

de idealidade do diodo adotada com valor 1 para as simulaes.
Vd

Id = Is*(en*Vt - 1)

(5)

O valor de Vt encontrado pela equao abaixo:

Vt =

k*T
q

(6)

Com K sendo a Constante de Boltzman e igual a 1,38*1023 , T a temperatura em Kelvin (273

+ T(C)) e q a Carga do eltron (1,6*1019 C).
A corrente de saturao reversa pode ser encontrada atravs da formula abaixo:
=

+ ( )
[

(+()
]

(7)

Para a soluo das equaes, necessrio determinar os parmetros incgnitos (Rs e Rp)
que no so fornecidos pelo fabricante. Atravs de Rs e Rp possvel fazer o pico da curva PxV,
do modelo coincidir com o pico experimental no ponto (Vmp, Imp) fornecido pelo fabricante. A
equao 1 sucessivamente resolvida at que a condio Potncia mxima do modelo igual a
potncia mxima experimental seja satisfeita. Durante a execuo do algoritmo a resistncia srie
aumentada lentamente e o valor da resistncia paralela encontrada a cada passo de simulao.

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

A lgica consisti em existir um nico ponto, correspondente a um nico valor de Rs, que satisfaa
a condio Pmax,modelo= Vmp*Imp.
Os valores encontrados pelo algoritmo para o painel em estudo foram Rp= 2161 e Rs=
3,538 . Ao se encontrar os valores das resistncias a equao 2 resolvida atravs do mtodo
numrico interativo de Newton.
Atravs de simulaes foi possvel observar o comportamento dos sinais de Potncia,
Tenso e Corrente nos terminais de sada do painel fotovoltaico. As combinaes entre tais sinais
permitem a descrio da dinmica do sistema mediante as curvas V-I e P-V. Para o painel de 10
W tais curvas so exibidas nas Figuras 2 e 3.

Figura 2 Curva de corrente por tenso para vrios nveis de incidncia solar

Figura 3 - Curva de potncia por tenso para vrios nveis de incidncia solar

III- Algoritmo de MPPT baseado no mtodo de perturba e observa (P&O)

O sistema de MPPT conectado entre o painel e a carga e tem como objetivo extrair a
mxima potncia instantnea dois painis solares, ajustando o ponto de operao do sistema s
diferentes condies de operao.
O mtodo de busca por P&O baseia-se no seguinte procedimento: perturba-se a tenso
operante nos terminais do painel num determinado sentido e observa-se se h um aumento ou uma
diminuio na potncia gerada. Se houver um aumento na potncia, deve-se manter a perturbao
Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

no mesmo sentido, caso contrrio, inverte-se o sentido da perturbao [FEMIA]. O termo

perturbao citado acima se refere a um pequeno valor de tenso definido como V. Este somado
ou subtrado da tenso operante no painel com objetivo de percorrer a curva mostrada na figura 2.
Assim, um valor de corrente encontrado que entrega a mxima potncia carga. A figura 4
apresenta o esquema de funcionamento do algoritmo.

Figura 4 - Fluxograma do mtodo de perturba e observa (P&O) (adaptado de BRITO, 2010)

Na figura 5 visualiza-se o comportamento do algoritmo buscando a mxima potncia para

variados nveis de incidncia solar. possvel perceber que para alcanar um PMP necessrio
um determinado nmero de ciclos de processamento, ou seja, o ponto no encontrado
instantaneamente. De forma simplificada o funcionamento do algoritmo consiste em buscar
constantemente um valor de tenso e corrente que gere a maior potncia possvel para carga
conectada no painel.

Figura 5 - Comportamento do algoritmo durante o MPPT para vrios nveis de incidncia solar

Nesse trabalho o algoritmo de MPPT atua diretamente na modelagem computacional

demonstrada na sesso 2 at encontrar um ponto de mxima transferncia de potncia para um

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

determinado nvel de incidncia solar. Em uma implementao prtica o atuador responsvel em

ajustar a tenso na sada do painel um conversor de potncia CC-CC.
Um conversor CC-CC um circuito que usa um transistor como interruptor, um indutor e
um diodo para transferncia de energia da entrada para sada. No regulador chaveado a tenso e a
corrente no indutor esto defasadas de noventa graus, resultando em uma eficincia muito maior,
devido a pouca dissipao de calor. O armazenamento de energia a principal vantagem da
utilizao de um indutor em reguladores chaveados. A sada de um conversor CC-CC
diretamente proporcional ao ciclo de trabalho (duty cycle) k do circuito de chaveamento.
Modificando-se o valor do ciclo de trabalho consegue-se controlar a tenso mdia, a corrente
mdia e potncia mdia fornecida carga (ANTUNES, 2012).
Os principais conversores de potncia utilizados atualmente para o rastreamento da
mxima potncia de painis fotovoltaicos so os de topologia Buck e Boost.
IV- Algoritmo de MPPT baseado no mtodo por Redes Neurais Artificiais
A utilizao de Redes Neurais Artificiais (RNA) [HAYKIN,1999] como mecanismo para
encontrar o Ponto de Mxima Potncia (PMP) que pode ser transferida carga pelo painel
fotovoltaico torna-se uma opo interessante aos mtodos convencionais como P&O e Mtodo da
Condutncia Incremental [FEMIA,2013]. As vantagens da utilizao de uma RNA so: lidam com
processos no lineares muito bem, aps treinadas apresentam resposta imediata, o conhecimento
a priori do sistema no requerido (embutido nos dados), apresentam maior imunidade a rudos e
outliers presentes nos dados, dentre outros. Apresentam desvantagens tais como: se portarem como
uma caixa-preta, ou seja, o conhecimento sobre um sistema est distribudo e sintetizado nos
pesos das conexes que formam a RNA, h necessidade de mudana de escala, algumas estratgias
de treinamento so muito lentas e apresentam convergncia a mnimo locais. Assim, a utilizao
de uma RNA para a tarefa de PMP mostra-se bastante aderente, pois o comportamento de um
sistema fotovoltaico no linear (dependente principalmente de irradiao solar) e, uma vez
treinada para um sistema especfico, sua resposta instantnea, ou seja, apresenta maior eficincia
computacional, plenamente utilizvel em tempo real.
Uma RNA se espelha no modelo biolgico funcional. Em 1943, Warren McCulloch
eWalter Pitts propuseram o primeiro modelo de neurnio artificial. A figura 6 apresenta este
modelo bem como a relao sinal de entrada/sinal de sada para um neurnio j.
x0 = 1

wj1
x1

wj0 = b
wj2

x2

w
i 1

ji

xi b

(v j )
vj

yj

wjn
xn

v j w ji xi b
i 1

Figura 6 -Modelo proposto para o Neurnio Artificial

Na figura 6 tem-se X= {x1, x2,..., xn} o vetor das variveis de entrada (sinal de entrada), wji
os respectivos pesos das conexes, vj o potencial de ativao e yj o sinal de sada do neurnio j e
b o bias. Observe que a sada uma funo (.) do potencial de ativao. Esta funo chamada
de Funo de Ativao ou Funo de Transferncia do neurnio. O objetivo desta funo , para

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

um dado padro de entrada X, responder com valores 1 (ou prximos) para uma combinao
correlacionada entrada-sada e 0 para combinao no correlacionada. Para a maioria dos
problemas desejvel que esta funo seja no-linear, acomodando as variaes presentes nos
padres de entrada. Uma funo de ativao comumente utilizada a Funo Sigmoidal (ou
Logstica), dada por:
1

(. ) = 1+

(8)

onde uma constante real associada ao nvel de inclinao da funo e v o potencial de

ativao. Esta funo integralmente diferencivel e monotnica, o que permite sua utilizao em
processos de aprendizagem baseados em gradientes.
As arquiteturas utilizadas para as RNA so Feedforward Camada Simples, Feedforward
Multicamadas (MLP), Redes Recorrentes e Mapas Auto-organizveis [HAYKIN,1999]. A figura 7
exemplifica uma MLP com 10 variveis de entrada (m=10), 4 neurnios na camada intermediria
(camada escondida) e dois neurnios na camada de sada. Neste exemplo dito que a RNA possui
2 camadas de neurnios. Dependendo da complexidade do problema, pode ser necessrio a
utilizao de mais camadas intermedirias. Uma camada intermediria tem a finalidade de
melhorar o conhecimento sobre problema, possibilitando observar das correlaes estatsticas
implcitas entre as variveis de entrada e uma dada sada.

Figura 7 - Rede Neural Artificial tipo Feedforward Multicamadas, com 10 variveis de entrada, 4 neurnios na
camada escondida e 2 neurnios na camada de sada

Uma RNA apresenta aprendizado indutivo sobre um sistema. Assim, sua capacidade de
aprender feita a partir da apresentao de dados que contenham implicitamente o comportamento
do sistema a ser analisado. Um sistema caracterizado pelas variveis de entrada e processo de
treinamento de uma RNA dependente do nmero destas variveis. A relao nmero de variveis
pelo tamanho do conjunto de dados deve ser analisado para evitar a Maldio da Dimensionalidade
[HAYKIN,1999]. O aumento de variveis para melhorar o conhecimento do problema requer o
aumento exponencial de dados a cada nova varivel inserida, pois a complexidade do problema
tambm aumenta, pelo aumento do nmero de parmetros livres a serem ajustados.
Um conjunto de dados geralmente divido em dois subconjuntos: conjunto de treinamento
e conjunto de teste. O primeiro visa encontrar pesos das conexes timos da RNA, que o processo
de treinamento. O segundo visa validar se o conhecimento adquirido pela RNA responde bem a
dados no utilizados para treinamento. Esta caracterstica defina uma das grandes vantagens da

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

utilizao de uma RNA que oferecer resultados prximos dos esperados e com boa capacidade
de generalizao (Capacidade de Generalizao do Modelo) [SILVA].
Como j observado, aprendizagem em RNA o processo de encontrar, atravs de tcnicas
matemticas, os pesos das conexes timos. Isso significa que o conhecimento sobre um sistema
ou problema, est estruturado nestes pesos. Na literatura atinente a rea [HAYKIN,1999], [SILVA] e
[LI, 2008], h muitos processos de aprendizagem para RNA. Um destes processos, denominado
Aprendizado por Retropropagao do Erro (BP), proposto por David E. Rumelhart, Geoffrey E.
Hinton E Ronald J. Williams, em 1986, amplamente utilizado. O algoritmo baseado na
minimizao do erro (valor desejado valor obtido) em relao aos pesos das conexes, aplicandose a tcnica do Gradiente Descendente. Neste caso, uma vez que a priori conhecido o resultado
do problema, ou seja, o valor desejado para como resultado do processamento, este valor funciona
como um tutor para a RNA. O treinamento dito ento com superviso. O algoritmo bem como o
Gradiente Descendente pode ser visto em [HAYKIN,1999]. Neste trabalho, utilizada uma RNA tipo
Feedforward Multicamadas com estratgia de aprendizado Retropropagao do Erro (MLP-BP).
A base de dados obtida para o aprendizado neural sintetizada a partir do Mtodo P&O aplicado
ao mdulo fotovoltaico.
V Metodologia e Simulaes
Para modelar a dinmica do sistema fotovoltaico durante a busca da mxima potncia so
gerados 900 pontos aleatrios, constituindo a base de dados para a RNA. Neste caso, so
sorteados aleatoriamente (normalmente distribudos) a incidncia solar (G), com valores entre 0 a
1000 W/m2. A temperatura (T) no mdulo fotovoltaico constante e igual a 25 oC, para este
trabalho. O modelo do mdulo fotovoltaico, como mostrado na figura 1, fornece a respectiva
corrente de sada (Ipainel) para cada valor de G simulado. Assim, para cada G, T, uma tenso de
partida (VR, para mdulo fotovoltaico, igual a 16 V) e Ipainel correspondente, executado o Mtodo
P&O (sesso III), fornecendo como soluo a tenso mxima (Vmax). Isto resulta na potncia
mxima que o mdulo pode fornecer carga. Logo Vmax torna-se um sinal de controle (referencia)
para o conversor CC-CC. Ao final formada a base de dados, tendo como variveis de entrada
Ipainel e G. A temperatura, neste trabalho, como considerada constante, torna-se no relevante ao
problema. A varivel de sada a tenso mxima (Vmax), que constitui a varivel alvo (valor
desejado).
Uma vez estabelecida a base de dados, necessrio escolher o tipo de arquitetura de RNA,
a estratgia de aprendizado e a melhor topologia para o problema. A escolha da arquitetura recai
em uma RNA feedforward Multicamadas, com apenas uma camada escondida. A estratgia de
Aprendizado o Retropropagao do Erro (RNA tipo MLP-BP), com treinamento com superviso.
Para otimizar o treinamento, acrescentado ao algoritmo BP um. A equao 9 mostra o incremento
nos pesos pelo algoritmo BP, para um neurnio j e um dado sinal de entrada i, na iterao n.
(n)

wji (n)= w

ji (n)

Onde

(n)
wji (n)

(9)

corresponde variao do erro em funo dos pesos das conexes. Desenvolvendo

esta equao tem-se:

wji (n)= () () + wji (n-1)

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

(10)

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

Sendo que o valor de () (gradiente local) apresenta computao distinta, de acordo com o
algoritmo BP, para os neurnios da camada de sada e para a camada intermediria de neurnios,
como mostrado na figura 7. A varivel yi corresponde ao sinal de uma sada do neurnio da camada
intermediria ligado ou eu um sinal de entrada. A taxa de aprendizagem e o Momentum so dados
por e , respectivamente. Vale salientar que a funo de ativao escolhida a tangente
hiperblica [HAYKIN], que diferencivel (contnua e monotnica). Assim, a atualizao dos pesos
das conexes para a prxima iterao (novo exemplar) dada por:
wji (n+1)=wji (n) + wji (n)

(11)

Para a tarefa de encontrar a RNA para o problema utilizado o Toolbox Neural Networks
e o respectivo aplicativo denominado de NNTOOL do Matlab [MATHWORKS]. Este aplicativo
divide aleatoriamente os dados nestes trs conjuntos, na proporo de 70% para treinamento, 15%
para validao e 15% para teste. Para treinamento, a medida de performance dada pelo Erro
Mdio Quadrtico (MSE Mean Squared Error), tanto para o conjunto de treinamento, validao
e teste. O conjunto de treinamento o conjunto efetivamente utilizado para encontrar os pesos das
conexes timos que relaciona entrada/sada. O conjunto de validao utilizado para proceder
uma estratgia denominada de Validao Cruzada, onde este conjunto apresentado RNA
durante o treinamento, mostrada em [BISHOP]. Isto evita o problema do sobreajuste (overfitting),
que faz a RNA responder bem aos dados de treinamento mas ruim a dados novos (teste). Assim, a
Validao Cruzada proporciona uma maior capacidade de generalizao para a RNA treinada (boa
resposta a dados novos).
As simulaes so executadas observando-se 3 parmetros: nmero de neurnios da
camada intermediria, Momentum () e taxa de aprendizagem (). O objetivo final encontrar a
melhor topologia para a RNA que estabelece o melhor aprendizado para o problema do MPPT. A
tabela 1 sintetiza os resultados.
Tabela 1 - Comportamento da rede neural treinada
Neurnios camada
intermediria
2
2
5
5
8
8

0,90
0,70
0,90
0,70
0,90
0,70

0,01
0,20
0,01
0,20
0,01
0,20

MSE
(Conj. Treinamento)
0,001380
0,001080
0,001690
0,001340
0,002050
0,000379

MSE
(Conj. Teste)
0,002197
0,002690
0,001055
0,000905
0,002050
0,000373

pocas
14826
18793
27642
16355
47346
52648

Na tabela 1 pode ser observado que os valores para o Momentum so mais elevados que a
os da taxa de aprendizagem. A relao alto valor de Momentum por uma baixa taxa de
aprendizagem evita de forma significativa o problema de mnimos locais, prprios de mtodos
baseados em gradiente. Outro parmetro de treinamento o nmero de pocas, que neste trabalho
fixado no limite de 100000. Uma poca de treinamento significa todos os exemplares do conjunto
de treinamento so apresentados RNA e a performance avaliada a partir do MSE, ou seja, o
erro retropropagado feito exemplar por exemplar. Isto faz com que o treinamento torne-se lento,
mas qualitativamente melhor sob o enfoque da capacidade de generalizao.
O aplicativo NNTOOL estabelece alguns critrios de parada, que so o nmero limite de
pocas, o valor de erro do gradiente descendente, o valor meta do MSE para o problema (neste

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

caso igual a zero) e o erro de validao (computao de aumento desse consecutivamente 6 vezes).
Entretanto, pelo nmero elevado de pocas ajustado, neste trabalho faz-se a opo, quando
nenhuma dos critrios acima sejam avaliados, por parada manual. Como critrio do usurio, esta
parada feita sempre que se observa mudana bastante lenta ou nenhuma do MSE do conjunto de
treinamento.
Como a RNA resultante, obtida na tabela 1, nota-se que a RNA com 8 neurnios na camada
intermediria apresenta-se resultados que correspondem ao esperado para o problema de MPPT
via RNA. A figura 8 apresenta a topologia resumida da RNA, fornecida pelo aplicativo NNTOOL
e a figura 9 mostra a curvas do MSE pelo nmero de pocas, para os trs conjuntos: treinamento,
validao e teste. Entretanto, para efeitos de avaliao da melhor RNA, o determinante o MSE
do conjunto de teste, pois este o indicativo da melhor capacidade de generalizao que a RNA
pode obter para o problema.

Figura 8 - Topologia da RNA

Figura 9 Curvas de treinamento, validao e teste da melhor RNA treinada para o problema do MPPT de um
mdulo fotovoltaico.

Pelo valor do MSE de teste para RNA escolhida, nota-se que o mesmo bastante pequeno
(MSE teste = 0,000373). Este resultado proporciona uma Funo de Aproximao para o algoritmo
P&O baseada nesta RNA treinada. Logo, para qualquer valor de Irradiao Solar no mdulo
fotovoltaico, esta RNA se comportar como o P&O. Entretanto, so maiores as vantagens de se
utilizar a RNA, como j citado neste texto: computacionalmente eficiente (resposta imediata),
maior capacidade de lidar com informaes corrompidas e dados no lineares. Assim, espera-se
que, utilizando-se a RNA para a tarefa de um sinal de controle (neste caso, a Vmax) para o
conversor, pode-se obter maior eficincia para fornecer a potncia mxima carga, uma vez que

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

10

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

a mesma fornece um sinal de sada estvel para o controlador, sem oscilaes em torno do ponto
de mxima potncia.
V- Concluso
possvel fazer o rastreamento do ponto de mxima potencia atravs de um algoritmo
baseado em redes neurais. O sistema baseado em RNA tem as vantagens de convergir quase
instantaneamente para o PMP, na faixa dos nveis de radiao solar. Ou seja, a resposta da RNA
no fica oscilando em torno desse ponto, se comparado com mtodo de perturba e observa (P&O).
Este ltimo tem a desvantagem de demorar alguns ciclos de processamento at chegar no ponto
de mxima potncia como observado. Isto contribui para diminuio da eficincia desse mtodo,
dando plena vantagem ao realizado por RNA. Sendo um sistema baseado em RNA com
treinamento indutivo (base de dados), isto poderia ser um inconveniente. Mas, com os atuais
sistemas de aquisio de dados e computacionais, as modelagens necessrias para dotar o sistema
fotovoltaico com RNA para melhora de performance esto estabelecidas. Neste trabalho, a
estratgia de aprendizado e a arquitetura da RNA escolhidas so bastante utilizadas e se prestaram
a solucionar o problema. Pode ser observado que a RNA escolhida um aproximador funcional
bastante eficiente para o P&O, alm de resguardar todas as vantagens de uma RNA. No foram
testadas outras estratgias de aprendizado nem arquiteturas, notadamente evoludas das tcnicas
aqui utilizadas.

Referncias
BRITO, Moacyr A.G de; JUNIOR, Luigi G; SAMPAIO, Leonardo P; CANESIN, Carlos A.
Avaliao das principais tcnicas para obteno de mppt de painis fotovoltaicos. 9th
IEEE/IAS International Conference on Industry Applications(Induscon), p.1-6, So Paulo,
Brasil, 8 a 10 Nov. 2010.
CASARO, M. M; MARTINS, D. C. Processamento eletrnico da energia solar fotovoltaica
em sistemas concetados rede eltrica. Revista Controle & Automao, v. 21, n.2, p.159172,2010.
FEMIA, N. et al. (2005). Optimization of Perturb and Observe Maximum Power Point
Tracking Method. In: IEEE Transactions on Power Eletronics, 2005, v.20, n.4, p. 963-973.
LI, C.H; CAO, G; HU, W; SUI, S. HU,M. A maximum power point tracker for photovoltaic
energy systems based on fuzzy neural networks. Journal of Zhejiang University, v.10,n. 2, p.
263-270, 2009.
M. G. Villalva, J. R. Gazoli. E. Ruppert. Comprehensive approach to modeling and
simulation of photovoltaic arrays. IEEE Trans on Power Eletronics, v.24, p.1198-1208,2009
SAMPAIO, Patrcia Teixeira. MODELAGEM TRMICA DE UM FORNO PANELA
UTILIZANDO REDES NEURAIS ARTIFICIAIS. 2006. 90 f. Dissertao (Mestrado) Universidade Federal de Minas Gerais, Belo Horizonte, 2006. Cap. 2.
SILVA, Ivan Nunes Da; SPATTI, Danilo Hernane; FLAUZINO, Rogrio

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

11

MINISTRIO DA EDUCAO
SECRETARIA DE EDUCAO PROFISSIONAL E TECNOLGICA
INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE PESQUISA E INOVAO

Andrade. REDES NEURAIS ARTIFICIAIS PARA ENGENHARIA E CINCIAS

VILLALVA, M. G; GAZOLE,J. R. Energia Solar fotovoltaica: Conceitos e aplicaes,
sistemas isolados e conectados a rede. Editora rica, 2012.
HAYKIN, Simon. Neural Networks A Comprehensive Foundation. Prentice Hall. Upper
Saddle River, New Jersey USA. 1999. 2nd Edition.
FEMIA, Nicola et al. Power Electronics and Control Techniques for Maximum Energy
Harvesting in Photovoltaic Systems. CRC Press. Boca Raton, USA. 2013
ABINEE. Propostas para Insero da Energia Solar Fotovoltaica na Matriz Eltrica
Brasileira. ABINEE Associao Brasileira da Indstria Eltrica e Eletrnica. Junho/2012.
ANTUNES, Fernando Luiz Marcelo. Conversores CC-CC. Disponvel em:
http://www.dee.ufc.br/~fantunes/Elet_Potencia/AulasEletronica%20de%Potencia%20unid
ade%206.pdf acesso em: 12 set. 2014
MATHWORKS, The Mathworks Inc. 1984-2014.
BISHOP, Christopher M. Neural Networks for Pattern Recognition. Clarendon Press. Oxford
1995.

Relatrio Final do PIBIC/PIBITI/CNPq/IFG - agosto/2013-julho/2014.

12