Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

REDE NEURAL ARTIFICIAL APLICADA NA BUSCA DO PONTO DE MÁXIMA

POTÊNCIA EM PAINÉIS FOTOVOLTAICOS

RENAN F. BASTOS, NILTON E. M. MOÇAMBIQUE, RICARDO Q. MACHADO, CASSIUS R. AGUIAR

LAFAPE, Departamento de Engenharia Elétrica, USP- São Carlos

E-mails: renan_elt2005@hotmail.com

AbstractThe present work aims to develop an artificial neural network MLP (Multilayer Perceptron) to search the maximum pow-
er point in photovoltaic panels as an alternative to the search algorithm MPPT Perturb-and-observe (P & O). This approach is made in
order to make the search of the maximum power point faster and reduces the oscillations created by the MPPT algorithm in steady
state. Another interesting feature of the method is determining the operating point in which each panel is, as given temperature condi-
tions and irradiation of each panel, it is possible to determine the operating point of each individual.

KeywordsNeural network, photovoltaic panels ,MPPT, Renewable energy, Solar energy.

Resumo O presente trabalho visa o desenvolvimento de uma rede neural artificial do tipo MLP (MultilayerPerceptron) para busca do
ponto de máxima potência em painéis fotovoltaicos, como alternativa ao algoritmo de busca MPPT por perturbação e observação
(P&O). Esta abordagem é feita com o intuito de tornar a busca do ponto de máxima potência mais rápida além de reduzir as oscilações
criadas pelo algoritmo MPPT em regime permanente. Outra característica interessante ao método, é a determinação do ponto de opera-
ção em que cada painel se encontra, uma vez que dadas as condições de temperatura e irradiação de cada painel, será possível determi-
nar os pontos de operação de cada um individualmente.

Palavras-chave Rede neural, Painel Fotovoltaico, MPPT, Energia renovável, Energia solar.

feridos, pois apresentam rápida busca e baixa oscila-

1 Introdução ção em torno do ponto de máxima potência [2][3].

A energia renovável é a energia que vem de re-

cursos naturais que são naturalmente reabastecidos,
como o sol, vento, marés e calor. Em 2008, cerca de
19 % do consumo mundial de energia final veio de
fontes renováveis, com 13% proveniente da tradicio-
nal biomassa, que é usada principalmente para aque-
cimento e 3,2 % a partir da hidroeletricidade [1].
Já a energia do sol é convertida de várias for-
mas para formatos conhecidos, como biomassa (fo-
tossíntese), energia hidráulica (evaporação), eólica
(ventos) e a fotovoltaica, que contêm imensa quali-
dade de energia e que são capazes de regenerar por
meios naturais. Painéis fotovoltaicos são dispositivos
utilizados para converter a energia da luz do Sol em
energia elétrica. Os painéis solares são compostos
por células solares, que criam uma diferença de po-
tencial elétrico por ação da luz (seja do sol ou não).
Atualmente as células fotovoltaicas apresentam uma
baixa eficiência, da ordem de 16%, assim a otimiza- Figura 1- Algoritmo MPPT [2].
ção da geração em painéis fotovoltaicos se torna
imprescindível. Logo esse trabalho trata de um meio A substituição do algoritmo MPPT por uma re-
de estimação do ponto ótimo de funcionamento de de neural que informa diretamente o ponto de máxi-
painéis fotovoltaicos utilizando redes neurais, com ma potência apresenta vantagens claras, pois as osci-
intuito de otimizar seu funcionamento. lações deixariam de existir, além de que o sistema
Um dos métodos mais utilizados na literatura convergiria quase que instantaneamente.
para busca do ponto de máxima potência em painéis
é o MPPT por perturbação e observação [2][3], Figu-
ra 1. Entretanto esta perturbação gera oscilações no 2 Modelo do sistema e modelagem da rede MLP
sistema, podendo estas ser reduzidas pela redução do
passo de execução do algoritmo, no entanto a redu- 2.1 Modelo do painel fotovoltaico
ção do passo leva a um aumento do tempo de con-
vergência, assim métodos de passo variável são pre- O modelo de uma célula solar pode ser repre-
sentado pela Figura 2, e utilizando o modelo mate-

ISBN: 978-85-8001-069-5 1276

1
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

mático da equação (1), apresentado em [3], pode-se

gerar as seguintes relações entre Corrente (I) e Ten-
são (V) e Potência (P) e Tensão (V), Figuras 3 e
Figura 4 respectivamente.

Figura 2 - Modelo do painel fotovoltaico [3].

Figura 4 - P x V para diferentes irradiações e temperatura do

painel constante.
é a corrente induzida pela luz, é a corren-
te de saturação do diodo, a é o fator de idealidade do
diodo, é a resistência série equivalente do módulo
e é a resistência equivalente em paralelo do mó-
dulo, Vt  Ns .k.T q é a tensão térmica do painel
com células conectadas em série.A corrente
depende tanto do nível de irradiação (G), quanto da
temperatura (T) do painel, enquanto que depende
apenas de T.

Figura 5- I x V para diferentes temperaturas do painel mantendo a

irradiação solar constante.

Caso dois painéis sejam submetidos a condições

diferentes de temperatura e irradiação, Figura 6a, a
conexão destes painéis em série levaria a uma situa-
ção como a da Figura 6b, no qualtem-se um máximo
local e um máximo global. Dificilmente o máximo
global seria encontrado utilizando um algoritmo
Figura 3 - I x V para diferentes irradiações com temperatura do
painel constante. MPPT por perturbação e observação, pois este tende
a se estabilizar em um máximo, mesmo que local,
Pela Figura 4 pode-se notar que o painel apre- logo como o sistema se inicia da direita para a es-
senta um máximo de geração de potência para cada querda, o máximo local seria o encontrado.
situação de irradiação e temperatura. Assim, para o
desenvolvimento de uma rede neural capaz de esti-
mar o ponto de máxima potência é preciso queas
mesmas sejam usadas como variáveis de entrada para
a rede neural [4]. Variando a temperatura do painel
fotovoltaico e mantendo a irradiação constante ob-
tém-se a Figura 5. Baseado nestas figuras, nota-se
que a queda da irradiação reduz a potência gerada
sem alterar drasticamente a tensão de máxima potên- Figura 6a Figura 6b
cia, enquanto o aumento da temperatura reduz a P X V para dois painéis em diferentes condições e
tensão de máxima potência e conseqüentemente, a P X V com painéis conectados em série.
potência gerada.

ISBN: 978-85-8001-069-5 1277

2
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
2.2 Rede neural MLP (MultilayerPerceptron)
Visto que temperatura e irradiação são os fato-
res que alteram a tensão de máxima potência, estas
variáveis serão inseridas na rede neural que estimará
o ponto de máxima potência, o conversor CC-CC se
encarregará de impor esta tensão no painel, levando o
sistema para o ponto ótimo de funcionamento, Figura
7.
Figura 7 - Painel solar utilizando a rede neural para estimação do
ponto de máximo.
A rede neuralimplementada utilizará a configu-
ração multicamadas MPL, pela simplicidade e efici-
ência [5], Figura 8.
Figura 8 - Rede neural MLP
Existem duas configurações de rede MPL utili-
zadas nesta aplicação, Figura 9 e Figura 10.
Figura 9 - Configuração 1 utilizada no treinamento da rede.
ISBN: 978-85-8001-069-5
Figura 10- Configuração 2 utilizada em [4] e [5].
Em [4] e [6], as configurações utilizadas foram
do tipo da configuração 2, entretanto com a configu-
ração 1 tem-se a vantagem de poder calcular apenas
uma das saídas se assim desejado, evitando proces-
samento desnecessário no calculo da outra saída.
Além de que para um desempenho semelhante nas
duas configurações, o número de neurônios em cada
seção da configuração 1 deve ser metade do número
de neurônios de configuração 2. Logo a configuração
utilizada será a configuração 1.
3 Treinamento e validação da rede neural
3.1 Treinamento
Para o treinamento foi utilizada a metodologia
supervisionada, onde os dados de saída foram obti-
dos do modelo matemático de [3], utilizando a técni-
ca do backpropagation [5]. Com este modelo, os
valores de corrente e tensão para uma máxima potên-
cia foram gerados e armazenados para irradiações de
100 a 1000 w/m² variando de 50 em 50 w/m² e tem-
peraturas de 20°c a 70°c variando de 2,5°c. Assim
utilizamos um banco de dados com 399 entradas de
irradiações, 399 entradas de temperatura e 399 saídas
de corrente e tensão de máxima potência. Todos os
dados de entrada e saída foram normalizados entre
zero e um, para um melhor desempenho da rede
neural. A função de ativação utilizada foi a função
logística. As matrizes de pesos foram iniciadas com
valores aleatórios, e o treinamento só foi concluído
quando o erro percentual médio de saída ficou dentro
dos padrões aceitáveis para esta aplicação(perto de
1%).
O resultado do treinamento pode ser visto nas Figu-
ras 11, 12, 13.
Figura 11- Resultado do treinamento para tensão de máxima
potência.
1278
3
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

Figura 15 - Resultado da validação para a corrente de máxima

Figura 12 - Zoom sobre a Figura 11. potência.

Analisando a Tabela 2 vê-se que a rede de

tensão de máxima potência obteve um erro médio
baixo, e mesmo o erro máximo foi baixo, enquanto a
rede de corrente apresentou um erro médio baixo,
mas com erro máximo expressivo. Este valor de erro
máximo de 15 % ocorre nos extremos,onde pequenos
erros absolutos são expressivos quando analisados
em percentual. Para contornar esta limitação da rede,
outros pesos foram treinados para a rede na região
onde a corrente é baixa, ou seja, onde a radiação é
menor que 100 W/m², assim os pesos da rede de
corrente são divididos em dois grupos, um para
valores de irradiação menores que 100 W/m² e outro
para valores maiores que 100 W/m². Durante a
Figura 13 - Resultado do treinamento para a corrente de máxima execução, o grupo de pesos utilizados é alterado de
potência. acordo com a situação de irradiação, melhorando a
resposta em todo universo de discurso e levando o
erro máximo para valores próximos a 1%.
3.1 Validação da rede
Tabela 1 - Resultado do treinamento
Para a validação, um novo banco de dados foi Treinamento Erro Erro Épocas de Neurônios
gerado a partir do modelo matemático de [3]. Para quadrático médio treinamento na
este banco variamos a temperatura de 20 a 70°C em médio camada
intervalos de 1°C, enquanto que para a irradiação escondida
Tensão de 2.8x 0.15 % 15000 20
variamos de 100 a 800 w/m² em intervalos de 5w/m²,
máxima
gerando um banco com mais de 7000 pontos. As potência
Figuras 14 e 15 mostram os resultados da validação Corrente de 3.1x 1.5 % 15000 20
da rede de tensão e de corrente. máxima
potência

Tabela 2 - Resultado da validação

Validação Erro médio Erro máximo
Tensão de máxima 0.14 % 3%
potência
Corrente de 0.97 % 15 %
máxima potência

A Figura 16 mostra o bloco criado para

simulação da rede neural MLP para estimação do
máximo.

Figura 14- Resultado da validação para a tensão de máxima

potência.
Figura 16 - Bloco criado no MatLab para estimação do ponto de
máximo.

ISBN: 978-85-8001-069-5 1279

4
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

4 MPPT x Rede neural

4.1Irradiação e temperatura constantes

Para comprovar a eficiência da rede neural em

comparação com o algoritmo MPPT P&O, foi cons-
truido o modelo do painel solar comandado por um
circuito boost (Figura 2) pelos dois métodos, sob as
mesmas condições de temperatura e irradiação. Mu-
danças nas condições serão aplicadas para mostrar as
respostas de ambos os sistemas sob tais situações. Na
Figura 17 e Figura 18 tem-se a inicialização dos
sistemas de busca, o painel se encontra a 25°C e
1000W/m². Figura 19 - Potência de saída para MPPT e RNA.

Nota-se que o sistema utilizando a rede neural

se estabiliza em menos de 0,01 s, Figura 18, enquan-
to o sistema utilizando o MPPT P&O leva 0,2 s para
se estabilizar, Figura 17, mostrando a eficiência da
rede neural perante o MPPT. Na Figura 19 tem-se a
potência de saída para ambos os sistemas, onde a
partir de 0,2 s a potência dos sistemas se tornam
iguais. Entretanto após a estabilização o MPPT oscila
em torno do ponto de máxima potência, gerando
oscilações também na potência de saída, o que reduz
o rendimento em relação a rede neural, Figura 20 e
Figura 21.

Figura 20- Oscilações em torno do ponto de máxima potência para

MPPT.

Figura 17- Busca do ponto de máxima potência pelo MPPT P&O.

Figura 21 - Oscilações presentes na potência de saída do MPPT.

4.2 Irradiação e temperatura variáveis

Neste segundo caso, será analisado o compor-

tamento dos dois sistemas perante a uma queda linear
e contínua da irradiação, e um aumento linear e con-
tínuo da temperatura das placas solares, como mos-
trado na Figura 22.

Figura 18 - Busca do ponto de máximo pela rede neural.

ISBN: 978-85-8001-069-5 1280

5
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
Figura 22- Irradiação incidente e temperatura sobre os painéis
solares.
Durante a variação da irradiação incidente e da
temperatura do painel, tem-se o comportamento
como pode ser visto na Figura 23, Figura 24 e Figura
25. Nota-se que a rede neural se ajusta continuamen-
te, Figura 24, acompanhado a queda da irradiação,
assim sua potência de saída é linear, Figura 25. En-
quanto que o MPPT continua oscilante, Figura 23,
fazendo com que fique sempre abaixo da potência
gerada pela rede neural, Figura 25.
Figura 23- Tensão de máxima potência para MPPT durante queda
constante da irradiação e aumento da temperatura.
Figura 24- Tensão de máxima potência para a rede neural durante
queda da irradiação e aumento da temperatura.
ISBN: 978-85-8001-069-5
Figura 25- Potência de saída da rede neural e do MPPT durante
queda da irradiação e aumento da temperatura.
5 Conclusão
Foi comprovado que a rede neural quando bem
treinada pode representar a função que maximiza a
potência de saída de um conjunto de painéis fotovol-
taicos, apresentando melhor resultado que um algo-
ritmo do tipo MPPT por P&O, com menor tempo de
convergência, menos oscilação na tensão do painel,
além de se ajustar perfeitamente durante variações na
irradiação ou na temperatura dos painéis
Agradecimentos
Gostaria de agradecer a todos companheiros do
LAFAPE que de alguma forma contribuíram na rea-
lização deste trabalho e ao CNPq pelo apoio.
ReferênciasBibliográficas
[1]-Renewables 2010 Global Status Report-
http://www.ren21.net/Portals/97/documents/GSR/RE
N21_ GSR_2010_full_revised%20Sept2010.pdf.
[2] N. E. M. Moçambique "A Fuzzy PD-PI Control
Strategy to Track the Voltage References of Photo-
voltaic Arrays "The 9th IEEE International Confe-
rence on Control & Automation.
[3] M. G. Villalva, J. R. Gazoli, E. Ruppert. “Com-
prehensive approach to modeling and simulation of
photovoltaic arrays.”IEEE Transactions on Power
Electronics, v. 24, 2009.
[4] A. Islam, A. Kabir “Neural network based maxi-
mum power point tracking of photovoltaic array ”
TENCON 2011 - 2011 IEEE Region 10 Conference ,
2011 , Page(s): 79 – 82.
[5]- I. N. Da Silva, D. H. Spatti, R. A. Flauzi-
no(2010) Redes neurais artificiais : para engenharia e
ciências aplicadas. Artliber – São Paulo, Brasil.
[6] C. A. Otieno, G. N. Nyakoe, C. W. Wekesa
“A neural fuzzy based maximum power point tracker
for a photovoltaic system”AFRICON, 2009. Page(s):
1 – 6.
1281
6