INTELIGÊNCIA ARTIFICIAL APLICADA EM SISTEMAS
FOTOVOLTAICOS
Marcelo Paludetto Rodrigues
UTFPR
Av. Sete de Setembro, 3165
80230-901 Curitiba, Brazil
marcelorodrigues@alunos.utfpr.edu.br
Abstract-
Tendo em vista que as aplicações de Inteligência
Artificial (IA) são amplas, o foco deste trabalho é
apresentar uma alternativa para aumentar o rendi-
mento de um sistema fotovoltaico (FV) utilizando o
MATLAB Simulink. O rendimento de um sistema
FV é baseado em sua geração, ou seja, na máxima
potência possível. Dado que, o Ponto de Máxima Po-
tência (MPP) do sistema FV varia conforme as con-
dições climáticas. Como alternativa, os algoritmos
de busca Perturb and Observe (P&O) e a Lógica de
Controle Fuzzy (FLC) são apresentados neste traba-
lho. Assim, o objetivo deste trabalho é comparar
duas técnicas. Entretanto, estas técnicas atuam em
um conversor de corrente continua (CC) para ajus-
tar a relação entre a corrente e tensão do módulo
FV. Para qualificar a comparação entre o P&O e a
FLC serão levados com consideração: a complexi-
dade matemática, tempo de acomodação, precisão do
MPP.
1 Introdução
Ultimamente, a matriz energética mundial está em
constante crescimento e, também, se alterando. Esta
constante alteração é motivada por uma série de proble-
mas globais, dado que, uma das principais causas é a
poluição que altera as condições climáticas do planeta,
chamada de aquecimento global. Entretanto, uma das
principais causas do aquecimento global é a forma de
como é gerada energia no planeta atualmente [1]. Dado
a importância da energia elétrica nos dias atuais, a ne-
cessidade de gerar energia de uma forma menos polu-
ente vem se tornando um assunto de pesquisa cada vez
mais relevante [2]. Portanto, a pesquisa sobre fontes
de energias renováveis (RES), abreviação de Renewable
Energy Sources, são amplas, pois existem várias alterna-
tivas de geração RES, como por exemplo, solar, eólica,
biomassa, hidroelétrica entre outras [3]. Devido à ampla
área de pesquisa, este trabalho tratará exclusivamente da
energia solar.
A energia solar pode ser gerada de duas formas, atra-
vés do efeito térmico ou fotovoltaico (FV) [4]. O efeito
térmico pode ser utilizado para aquecer um fluído e que
pode servir como forma de economia de energia, sis-
temas residenciais para aquecer água, porém não gera
energia elétrica. Pensando em geração, um outro efeito
térmico chamado de efeito heliotérmico, que se baseia
em concentrar o calor solar em um único ponto, pode
gerar energia elétrica. Porém, a geração heliotérmica é
viável apenas para regiões com baixa nebulosidade e de
grande capacidade de geração [4]. O efeito FV consiste
em transformar a luz solar em energia elétrica através de
um semicondutor. Porém, o termo "luz solar"é chamado
de irradiância solar, na qual, é a taxa instantânea de ra-
diação solar que incide em uma superfície, medida em
(W/m2 ) [5].
Em 2015, o governo através da atualização da norma
da Agência Nacional de Energia Elétrica (ANEEL)
482/2012 [6] incentivou a instalação de sistemas FV
para unidades consumidoras. Dado que, os incentivos
foram isenção dos impostos PIS, COFINS e ICMS na
geração e IPI e II na aquisição do sistema FV. É impor-
tante notar que, o motivo para a escolha da energia FV
como opção para o incentivo do governo se torna atra-
ente por ser uma energia limpa, não poluente no pro-
cesso de geração de energia, com baixo custo de produ-
ção, pois a luz do Sol é abundante e de custo zero. Além
disso, o conjunto de equipamentos a serem instalados
são compactos, podendo ser instalados em residências,
com baixa manutenção e baixo ruído sonoro. Dito isso, é
possível obter pequenas plantas FV instaladas em vários
locais, como telhados residenciais, rurais entre outros.
Tendo em vista as vantagens econômicas e sociais, o
sistema FV possui algumas características próprias e que
necessitam de estudos exclusivos para este tema. Dentre
tantos problemas, é possível citar que, a característica
elétrica não é linear, e além disso, a irradiância solar
varia ao longo do dia, logo, a geração também varia.
Com estes problemas, é fundamental garantir a máxima
potência, possível, do sistema FV, no qual este ponto é
chamado de MPP, abreviação de Maximum Power Point.
Para a solução deste problema, vários estudos apresen-
tam técnicas para encontrar o MPP, que é chamado de
MPPT, abreviação de Maximum Power Point Tracker
[7].
Para minimizar as perdas de geração, este trabalho
desenvolve dois algoritmos MPPT, chamados de Per-
turb and Observe (P&O), na qual possui uma caracterís-
tica Hill-Climbing, e a Lógica de Controle Fuzzy (FLC).
Ambos algoritmos consistem em se basear na variação
de tensão e potência da geração FV, e de acordo com
esta variação, os algoritmos irão atuar diretamente em
um conversor de corrente continua (CC) afim de corrigir
a tensão de MPP.
1.1 Descrição do Problema Além disso, a curva I-V também pode ser represen-
tada de outra forma, dado que, o MPPT busca a máxima
Com dito anteriormente, o efeito FV acontece
potência, ou seja, a curva pode representar a relação en-
quando o um material semicondutor é exposto a irradi-
tre a potência (P) e V, ilustrado na Figura 4.
ância solar. Este material semicondutor é chamado de
célula FV, e possui algumas características próprias.
Com o objetivo de modelar matematicamente estas Figura 4: Curva característica P-V.
características, [8] apresenta dois modelos estáticos, na
qual são chamados de modelo de diodo único (Figura
1) e modelo de diodo duplo (Figura 2). Porém, algu-
mas premissas são feitas no processo de modelagem, e a
principal delas é assumir a linearidade do sistema. Dito
isso, a célula FV é considerada uma fonte de corrente
continua Iph , e o diodo modela a curva característica
(assunto que será apresentado no próximo paragrafo), o
resistor Rsh representa perdas do semicondutor, através
de impurezas no processo de construção da célula, e o Com base nas Figuras 3 e 4, a tensão máxima é cha-
resistor Rs representa perdas metálicas da célula. mada de tensão de circuito aberto (Voc ) e a corrente má-
xima é chamada de corrente de curto circuito (Isc ). En-
Figura 1: Modelo de Diodo único. tretanto, a Voc e Isc não representam a máxima potência
de geração, dado que quando a tensão da célula é Voc
a corrente da célula é igual a zero e vice-versa. Assim,
para que a célula possua a potência máxima (Pmp ) a cor-
rente e a tensão devem estar, respectivamente, em Imp
e Vmp . Para representar graficamente estas variáveis, as
Figuras 5 e 6 ilustram Voc , Isc , Imp , Vmp e Pmp .

Figura 5: Ilustração da posição de MPP ou Pmp .

Figura 2: Modelo de Diodo duplo.

Neste trabalho é utilizado como base de simulação o

modelo de diodo único, por ser mais simples e com boa Figura 6: Valores de Isc e Voc .
precisão para esta aplicação. Afim de entender o com-
portamento da célula FV, pode-se assumir que a célula
FV é uma fonte de corrente e a tensão varia conforme
à carga. Esta relação entre tensão e corrente de geração
é chamada de curva característica. A curva caracterís-
tica representa a relação entre a corrente (I) e a tensão
(V), portanto, a curva característica pode ser chamada
de curva I-V, ilustrado na Figura 3.

Figura 3: Curva característica I-V. Além disso, o valor de Pmp da célula FV varia de
acordo com a irradiância que incide na célula e a tem-
peratura da célula [9]. De forma simplificada, quanto
maior a irradiância que incide na célula maior é a cor-
rente de geração, e quanto menor a temperatura da cé-
lula maior será a tensão de geração da célula. As Figuras
7 e 8 ilustram a variação da corrente e tensão com rela-
ção a irradiância que incide na célula e da temperatura
da célula.

Figura 7: Curva I-V com relação à variação da irradiân-
cia.
Figura 8: Curva P-V com relação à variação da tempe-
ratura.
Dito tudo isso, é possível notar que são várias as
constantes que podem afetar a geração do sistema FV.
Portanto, gerar um algoritmo que encontre o valor de
Pmp de forma precisa e rápida é importante, pois a ir-
radiância e a temperatura da célula varia de forma dinâ-
mica, dado que, a célula está sempre exposta para gerar
energia elétrica.
A Tabela 1 apresenta os dados do módulo FV utili-
zado neste trabalho, na qual o modelo é CS6C-150P do
fabricante Canadian Solar. Importante destacar que, os
valores da tabela são referentes à irradiância de Irr =
1000W/m2 e temperatura T = 25◦ .
Tabela 1: Dados do módulo CS6C-150P.
Voc 22.3V
Vmp 18.9V
Isc 8.87A
Imp 8.30A
Pmp 156W
Num. Células 36
1.2 Motivação
A escolha deste assunto é relevante para o tema da
minha dissertação e assim aumenta meu conhecimento
neste assunto. Além disso, não são todos os casos que é
possível comparar uma lógica de busca com um método
de controle Fuzzy. Então, a escolha destes métodos são
relevantes para a disciplina e para o autor do trabalho.
2 Objetivos
O objetivo deste trabalho é gerar dois algoritmos
MPPT, chamados Perturb and Observe e Lógica de Con-
trole Fuzzy, e comparar os resultados com base na efici-
ência enérgica, complexidade teórica e erro do MPPT.
3 Revisão da Literatura
Antes de descrever o algoritmo e suas características,
é importante entender como ele atua no sistema FV. Pri-
meiramente, uma célula FV é capaz de gerar uma ener-
gia CC. Qualquer geração FV para ser conectada à rede
deve ser alterada para corrente continua (CA). Para que
ocorra esta transformação de energia, é necessário um
dispositivo chamado inversor. Afim de simplificar este
assunto, que vai além da disciplina, não será alterado o
tipo de corrente. Portanto, para controlar a energia CC
é necessário utilizar um conversor CC-CC. O conversor
utilizado para este trabalho é um conversor do tipo ele-
vador chamado boost, vide Figura 9. Qualquer conver-
sor CC-CC necessita de um PWM, abreviação de Pulse
Width Modulation. O PWM tem a função de modular
um ciclo de pulsos binários, e esta possível variação,
entre 0% - 100%, do ciclo de pulsos é capaz de alte-
rar o valor de tensão. Esta variação é chamada de razão
cíclica (DC), abreviação de Duty Cycle.
Figura 9: Topologia básica do conversor boost.
A forma de atuação de um MPPT é apenas na razão
cíclica do PWM. Assim, dado um valor de incremento
(∆D), o MPPT irá aumentar ou diminuir a DC do PWM,
logo ajustando a tensão fornecida para a carga. De forma
resumida, o MPPT coleta dados de V e I, e com base
nestes dados aumenta ou diminui DC com um ajuste de
∆D, a Figura 10 mostra a topologia proposta.
Figura 10: Topologia proposta para o MPPT.
3.1 Perturb and Observe
O P&O é o algoritmo de MPPT mais utilizado de-
vido a sua simplicidade, e além disso é o algoritmo com
maior número de modificações aplicadas [7, 9, 10, 11].
Sua característica é atuar sobre a derivada da tensão e da
potência, ou comparar a amostra atual de tensão e po-
tência com a amostra passada. Importante notar que, na
Figura 5, o Pmp e Vmp é o "joelho"da curva, portanto, é
o ponto máximo da montanha. O processo de subida da
encosta é representado através da Figura 11. Portanto,
o objetivo é encontrar P (i) − P (i − 1) = 0, no caso o
Pmp .
Entretanto, o método de busca Hill-Climbing tem a
característica de comparar os pontos vizinhos. Porém,
para este caso, não possui máximo local, vide a Figura
4, o algoritmo não precisa ser adaptativo, ou seja, não
é necessário gerar valores aleatórioas para encontrar o
máximo global. Mas, este problema de máximo local é
um problema comum do MPPT, porém não será desen-
volvido neste trabalho.
sim como o P&O, o Fuzzy também atua na derivada dP.
Entretanto, a dV, que também pode ser utilizada, para
este trabalho não é utilizada, pois para este caso a vari-
ação de corrente (dI) correspondeu melhor ao conjunto
de regras.
Então, como variável de entrada para este sistema
Fuzzy é utilizado dP e dI, e como saída o ∆D. Os con-
juntos de funções as variáveis de entrada e saída são 4,
representada por negative big (nb), negative small (ns),
positive small (ps) e positive big (bs). A Figura 13 mos-
tra a região de operação de cada função de pertinência.
Portanto, como principal diferença, a FLC altera os va-
lores de ∆D.

Figura 11: Aplicação da subida da encosta na curva P-V. Figura 13: Funções de pertinência nas variáveis de en-
trada e saída do Fuzzy.

Como o nome do algoritmo já diz, o MPPT P&O gera

uma perturbação e ira observar se aumentou ou não a
potência com o objetivo de sempre escalar a montanha
A Tabela 2 apresenta o conjunto de regras utilizado.
da curva P-V. Então, se a variação da tensão (dV) e a
Já a Figura 14 mostra a superfície do Fuzzy com base no
variação da potência (dP) forem positivas, a montanha
conjunto de regras.
está sendo escalada, logo a razão cíclica do PWM deve
aumentar. Mas, se dV for positivo e dP for negativo sig-
nifica que o MPP saiu do joelho da curva e deve ser di- Tabela 2: Tabela de regras Fuzzy.
minuído o DC do PWM para reduzir o valor de tensão. H
HH dI
A lógica é representada no fluxograma da Figura 12. nb ns ps pb
dP HH
nb pb pb nb nb
ns pb ps ns nb
Figura 12: Fluxograma do MPPT P&O.
ps nb ns ps pb
pb nb nb pb pb

Figura 14: Superfície de regras do Fuzzy.

3.2 Fuzzy
O MPPT em Fuzzy é uma técnica bem estabelecida
e assim como P&O é bastante adaptada [7, 12, 13]. As-
4 Metodologia
A metodologia proposta para este trabalho tem como
premissa atender a seção 2. Sendo assim, o método de
comparação entre os métodos P&O (seção 3.1) e FLC
(seção 3.2) leva em consideração: a complexidade ma-
temática, tempo de acomodação, precisão do MPP. A
complexidade matemática, neste caso, adota as seguin-
tes questões: tempo de implementação e complexidade
computacional. O tempo de acomodação tem o objetivo
de comparar qual sistema apresenta a resposta mais rá-
pida. Por fim, a precisão do MPP considera o erro em
estado estacionário.
5 Simulações e Resultados
É utilizado o software MATLAB Simulink para si-
mular os resultados do P&O e FLC. Para a primeira
simulação, é considerado o valor de irradiância Irr =
1000W/m2 e temperatura T = 25◦ . Portanto, os va-
lores esperados de Pmp , Vmp e Imp é referente a tabela
1. A Figura 15 mostra a estrutura de simulação do algo-
ritmo P&O, e a Figura 16 mostra a estrutura de simula-
ção da FLC. As Figuras 17 e 18 apresentam a potência
do módulo no MPPT P&O e Fuzzy, respectivamente.
Figura 15: Interface de Simulação P&O.
Figura 16: Interface de Simulação Fuzzy.
Figura 17: Resultado MPPT P&O.
Figura 18: Resultado MPPT Fuzzy.
Para avaliar a complexidade matemática, as Figuras
15 e 16 mostram que, a FLC é mais complexa, inclusive
no tempo computacional. O tempo de acomodamento, a
FLC apresentou melhores resultados vide Figuras 17 e
18. Por fim, como o Fuzzy apresenta uma resposta mais
rápida, não será utilizado todo o conjunto de amostras
simuladas. Portanto, o conjunto de amostras para repre-
sentar a precisão dos algoritmos é, somente, após ambos
tempos de acomodamento. Sendo assim, o MSE do al-
goritmo P&O é M SEP &O = 0.0440, e a FLC possui
M SEF LC = 0.0301. De forma resumida, a Tabela 3
apresenta os resultados comparativos dos dois MPPT.
Tabela 3: Resultados
Complexidade Tempo de
Erro MPP
Matemática acomodação
P&O 
Fuzzy  
6 Conclusões
O algoritmo de busca P&O, de forma resumida, atua
com base nas variáveis de entrada dP e dV. A saída deste
algoritmo representa uma alteração, positiva ou nega-
tiva, no DC do PWM. Esta alteração do DC, por sua vez,
modifica a tensão, logo ajustando a potência do módulo
referente à tabela 1. A FLC também possui duas variá-
veis de entrada e uma saída. Entretanto, as variáveis de
entrada são dP e dI, devido a melhor resposta do sistema.
A variável de saída DC também modifica a tensão do
módulo da 1, mas o valor de ∆D, no Fuzzy, é variável.
Esta variação de ∆D deve-se ao fato da simplicidade de
implementação em Fuzzy.
Ambos os algoritmos são eficientes e precisos. Não
foram levados em consideração possíveis alterações em
temperaturas e irradiância, dado que, é possível afetar as
respostas de ambos MPPT. O Fuzzy apresentou melho-
res resultados, porém sua complexidade computacional
pode interferir em situações reais.
Referências
[1] O. Guenounou, B. Dahhou, and F. Chabour,
“Adaptive fuzzy controller based mppt for photo-
voltaic systems,” Energy Conversion and Manage-
ment, Vol. 78, pp. 843–850, 2014.
[2] P. Kofinas, S. Doltsinis, A. Dounis, and G. Vouros,
“A reinforcement learning approach for mppt con-
trol method of photovoltaic sources,” Renewable
Energy, Vol. 108, pp. 461–473, 2017.
[3] H. Bevrani, A. Ghosh, and G. Ledwich, “Renewa-
ble energy sources and frequency regulation: sur-
vey and new perspectives,” IET Renewable Power
Generation, Vol. 4:5, pp. 438–457, 2010.
[4] E. PEREIRA et al., “Atlas brasileiro de energia so-
lar.[sl], 2006,” Citado nas, p. 28, 2017.
point tracker for pv systems,” International Jour-
nal of Electrical Power & Energy Systems, Vol. 53,
pp. 237–243, 2013.
[12] K. B. Adam and H. Miyauchi, “Design of pv-
dc mini grid using pi-based fuzzy mppt control
considering load demand,” in Region 10 Con-
ference, TENCON 2017-2017 IEEE, pp. 2990–
2995, IEEE, 2017.
[13] S. Tang, Y. Sun, Y. Chen, Y. Zhao, Y. Yang, and
W. Szeto, “An enhanced mppt method combining
fractional-order and fuzzy logic control,” IEEE
Journal of Photovoltaics, Vol. 7:2, pp. 640–650,
2017.

[5] A. NBR, “10899 energia solar fotovoltaica-

terminologia,” ABNT-Associação Brasileira de
Normas Técnicas. Rio de Janeiro, 2006.
[6] R. N. N. ANEEL, “482,” Estabelece as condi-
ções gerais para o acesso de microgeração e mi-
nigeração distribuída aos sistemas de distribuição
de energia elétrica, o sistema de compensação de
energia elétrica, e dá outras providências, Vol. 17,
2012.

[7] N. Karami, N. Moubayed, and R. Outbib, “Gene-

ral review and classification of different mppt te-
chniques,” Renewable and Sustainable Energy Re-
views, Vol. 68, pp. 1–18, 2017.
[8] D. S. Chan and J. C. Phang, “Analytical methods
for the extraction of solar-cell single-and double-
diode model parameters from iv characteristics,”
IEEE Transactions on Electron devices, Vol. 34:2,
pp. 286–293, 1987.
[9] W. Xiao, W. G. Dunford, and A. Capel, “A novel
modeling method for photovoltaic cells,” in Power
Electronics Specialists Conference, 2004. PESC
04. 2004 IEEE 35th Annual, Vol. 3, pp. 1950–
1956, IEEE, 2004.
[10] W. Xiao and W. G. Dunford, “A modified adaptive
hill climbing mppt method for photovoltaic power
systems,” in Power Electronics Specialists Confe-
rence, 2004. PESC 04. 2004 IEEE 35th Annual,
Vol. 3, pp. 1957–1963, Ieee, 2004.
[11] A. A. Ghassami, S. M. Sadeghzadeh, and A. So-
leimani, “A high performance maximum power