Filtro adaptativo Wiener para identificacin de

sistemas fotovoltaicos
Semaria Ruz lvarez. seruizal@unal.edu.co

ResumenEn el siguiente artculo se propone
un filtro adaptativo FIR Wiener para la
identificacin de un sistema fotovoltaico. Los
resultados obtenidos para este filtro fueron
comparados con los valores obtenidos del
modelo de 4-parametros del panel.
Encontrndose que el filtro Wiener realiza una
estimacin lineal, del modelo no lineal del
panel, por lo tanto hay una prdida de
precisin en la zona no lineal, sin embargo,
como la mayora de los datos considerados se
encuentran en la zona lineal, este filtro
presenta una buena aproximacin.
Palabras Clave Filtros adaptativos, sistema
fotovoltaico, filtro Wiener, identificacin de
sistemas, filtro FIR, aproximacin lineal.
I. INTRODUCCIN
equivalente que emula las caractersticas del
sistema desconocido. Entre las principales
aplicaciones de estos filtros se encuentra la
identificacin de sistemas, el modelado inverso y
cancelacin de interferencia o ruido [3].
En trabajos previos se ha realizado
identificacin de sistemas fotovoltaicos
empleando filtros adaptativos. En [4] se presenta
un mtodo para la identificacin de sistemas
fotovoltaicos por medio de filtros adaptativos,
haciendo uso del algoritmo de Hammerstein-
Wiener el cual permite la identificacin de
sistemas no lineales. As mismo, en [5] se emplea
un filtro adaptativo de Hammerstein-Wiener para
la identificacin de un sistema fotovoltaico con
inversores, sobre el cual se realiza posteriormente
un control adaptativo.
Las anteriores referencias hacen uso de
mtodos no lineales, sin embargo, en el presente
trabajo se emplea un mtodo lineal para modelar

E
un sistema fotovoltaico, ya que los mtodos no
l creciente inters por las fuentes de
lineales presentan una mayor complejidad
generacin que emplean energas
computacional en su implementacin. Adems, se
renovables y la integracin de
aclara que, como el modelo de cuatro parmetros
generacin distribuida en los sistemas de potencia,
de un panel es no lineal, empleando los mtodos
ha llevado a que se presente un incremente el uso
no lineales usados en [4], [5], o filtros de Volterra,
de paneles fotovoltaicos. Algunos fabricantes no
como se plantea en [6], puede lograrse una mayor
incluyen la informacin completa del panel lo cual
precisin en la estimacin de las variables de
dificulta la tarea del modelamiento adecuado del
salida del sistema.
dispositivo; debido a que, como se indica en [1],
se requieren los datos de corriente de
cortocircuito, voltaje de circuito abierto, corriente
II. MARCO TERICO Y PLANTEAMIENTO DE
y voltaje en el punto de mxima potencia, para
PROBLEMA
obtener el modelo aproximado de cuatro
parmetros de un panel fotovoltaico.
Por lo tanto, ante el desconocimiento de alguno A. Modelo del Panel fotovoltaico
de estos parmetros, surge la opcin de realizar el
La relacin entre el voltaje y la corriente en el
modelamiento de estos dispositivos a partir de
panel fotovoltaico es la base para la elaboracin
datos medidos de la corriente y el voltaje
de los modelos matemticos. Segn se indica en
entregados por el mismo; dicho modelo puede
[1] el comportamiento de un panel fotovoltaico
establecerse con un filtro adaptativo.
puede ser caracterizado por el circuito mostrado
Como se indica en [2], un filtro adaptativo
en la figura 1.
puede considerarse un sistema que ajusta sus
parmetros para alcanzar el comportamiento de
una seal deseada, es decir, es un sistema
 Voltaje de circuito abierto (Voc).
Corriente en el punto de mxima potencia
(Imp).
Voltaje en el punto de mxima potencia (Vmp).
Pendiente de la curva I-V en el punto de
cortocircuito.
Si el fabricante no especifica la curva I-V del
panel, el modelo de 5 parmetros no puede ser
Fig. 1 Modelo circuital de un panel fotovoltaico.
usado ya que no se tendra conocimiento de la
pendiente en el punto de cortocircuito, por lo
Aplicando la ley de corrientes de Kirchhoff en el tanto, en estos casos se emplea un modelo de 4
anterior circuito se tiene que: parmetros, el cual es utilizado en el presente
trabajo. Dicho modelo se explica a continuacin:
I =I L I D I sh (1) La magnitud de la resistencia en derivacin es
generalmente muy grande, por lo cual suele
Aplicando la ley de voltajes de Kirchhoff para eliminarse. A partir de esta aproximacin se
calcular I sh : construye el modelo de 4 parmetros [7].
Realizando esta aproximacin la ecuacin (4)
puede reescribirse como:
V +I Rs
I sh= (2)
R sh
[ ]
V+ I Rs
a
I =I L I 0 e 1 ( 5)
La corriente por el diodo cumple con la siguiente
expresin: Los parmetros que deben ser calculados en
este modelo son los mismos que para el modelo de

I =I [ e ]
V+I Rs
a 5 parmetros exceptuando la resistencia en
D 0 1 (3) derivacin; adems, los datos que deben tenerse
en este modelo son los mismos que para el modelo
Reemplazando (2) y (3) en (1) se obtiene: de 5 parmetros exceptuando la pendiente en el
punto de cortocircuito.

[ ]
V+ I Rs
a V + I Rs Para calcular los 4 parmetros se emplea el
I =I L I 0 e 1 (4 ) siguiente sistema de ecuaciones:
R sh

[ ]
I sc Rs
La ecuacin (4) corresponde al modelo de 5 a
parmetros para el panel fotovoltaico.
I sc=I LI 0 e 1 (6)
Los 5 parmetros del modelo son:

[ ]
V 0c
a: Constante ideal del diodo. a
I L : Corriente de luz (Se produce cuando el 0=I LI 0 e 1 (7)
panel recibe la luz diurna).

[ ]
V mp +I mp Rs
I 0 : Corriente de saturacin en reversa del a
diodo.
I mp=I L I 0 e 1 (8)
Rs : Resistencia en serie.
I 0 e V +I Rs

( )
mp mp
Rsh : Resistencia en derivacin. V mp
Los parmetros anteriores varan segn las d ( IV ) VdI a a
=0=I + =I mp (9)
condiciones de operacin del panel, sin embargo, dV mp dV I 0 R s eV + I
[( )+1]
mp mp Rs
usualmente se calculan bajo ciertas condiciones de
referencia (temperatura 25C y radiacin solar a a
1000 W/m2).
Para calcular estos parmetros se requiere El anterior sistema de ecuaciones no lineales se
conocer los siguientes datos del panel: obtiene al reemplazar la corriente de cortocircuito,
Corriente de cortocircuito (Isc). el voltaje de cortocircuito, la corriente y el voltaje
de mxima potencia en la ecuacin (5), y de
derivar el producto VI respecto al V y reemplazar
la ecuacin (5) en dicha derivada.
Luego de obtener las 4 soluciones para el
sistema no lineal, los parmetros I L , I 0 , a
y Rs son reemplazados en la ecuacin (5),
encontrndose as la ecuacin que determina el
modelo del panel.
B. Planteamiento del problema
Como se estableci anteriormente para obtener
el modelo de un panel fotovoltaico (sea el modelo
de 5 parmetros o el de 4), es necesario que el
fabricante proporcione algunos datos del
dispositivo; sin embargo, estos datos no siempre
se encuentra disponibles, lo cual es un factor
crtico, ya que, quienes realizan el diseo de
sistemas con generacin distribuida o microrredes
donde se considera la integracin de paneles
fotovoltaicos, requieren de un modelo adecuado
de los mismos.
Adicionalmente, se tiene el inconveniente de
que los parmetros del modelo varan segn las
condiciones atmosfricas a las cuales este
sometido el panel.
Por tales razones se requiere una herramienta
que permita modelar de manera adecuada los
paneles fotovoltaicos cuando se desconocen los
parmetros o las condiciones de operacin a las
cuales estarn sometidos.
C. Solucin propuesta: Filtros adaptativos
En [3], se define un filtro adaptativo como un
sistema capaz de ajustar de manera autnoma sus
parmetros internos con el fin de alcanzar un
determinado objetivo de procesamiento.
Para aplicaciones de filtros adaptativos se
prefieren los filtros FIR, debido a que los filtros
IIR pueden llegar a ser fcilmente inestables ya
que sus polos pueden quedar por fuera de la
circunferencia de radio unitario en el plano z
durante el proceso de adaptacin. Por lo tanto, en
el presente trabajo se propone un filtro adaptativo
FIR. Para este tipo de filtros las salidas y las
entradas del sistema estn relacionadas por la
siguiente expresin:
y ( n )= { x ( n ) , x ( n1 ) , , x ( nM +1 ) } (10)
Dnde M es el orden del filtro.
Los filtros adaptativos tienen diferentes
aplicaciones entre las cuales se encuentra la
identificacin de sistemas. A continuacin se
ilustra un esquema para dicha aplicacin.
Fig. 2 Filtro adaptativo para el modelamiento de un sistema.
El objetivo es estimar los parmetros del
modelo desconocido G(z), por medio de la
funcin de transferencia W(z) la cual tiene
parmetros ajustables, dichos parmetros se eligen
de forma tal que la diferencia entre la salida de la
planta d(n) y la salida del filtro adaptativo y(n) sea
mnima, siendo x(n) la entrada para ambos
sistemas.
Unos de los mtodos ms utilizados para
estimar los parmetros ptimos del filtro
adaptativo es el del mnimo error cuadrtico
medio (MMSE). Los filtros que emplean este
mtodo se denomina filtros Wiener. Cabe resaltar
que estos filtros asumen que las salidas y las
entradas del filtro FIR estn relacionadas de forma
lineal, es decir que la funcin en la
ecuacin (10) es un valor constante. Otros
adaptativos filtros como el Volterra pueden
emplearse para estimacin de sistemas no lineales.
Los parmetros del filtro Wiener pueden
calcularse por medio de una formulacin directa
matricial o por medio de formulaciones
recursivas que actualizan los coeficientes del filtro
despus de la llegada de cada muestra en la
entrada; este ltimo mtodo se prefiere cuando los
parmetros del sistema varan en el tiempo. Sin
embargo, para el presente trabajo se considerar
un sistema estacionario (sus parmetros no varan
con el tiempo), por lo tanto el mtodo utilizado
para calcular los coeficientes del filtro adaptativo
ser el de formulacin matricial directa, el cual se
explica a continuacin.
Supngase que se tienen dos secuencias de
datos {x(n)} y {d(n)} procedentes de un proceso
estacionario con valor medio cero. En caso de que
las secuencias no tengan valor medio cero, como
es el caso tratado en este artculo, deben restarse
los valores medios de la seal de entrada y la de
salida antes de ser ingresados al filtro adaptativo.
Se requiere encontrar un estimador lineal para
d(n) basado en las M- muestras anteriores de x(n).
L1
d^ ( n )=wT x ( n )= w l x (nl)(11)
l =0
Es decir, se requiere encontrar los coeficientes
w que minimicen el error cuadrtico medio.
Se define el error cuadrtico medio entre la
seal d(n) y la seal estimada d ^ (n) mdiate
la siguiente expresin:
[ 2
] [ 2
J MSE =E |e ( n )| =E |d ( n )d^ (n)| (12)
Dnde E[.] es el valor esperado y e(n) es el error
estimado
Aplicando el principio de ortogonalidad el cual
indica que la condicin optima es alcanzada si y
solo si el error e(n) no est correlacionado con las
muestras x(n-l), para l=0,1,,L-1, es decir,
cuando:
E [ e min ( n ) w Topt x ( n ) ]=0(13)
con el nombre de ecuacin de Wiener-Hopf.
Los coeficientes ptimos del filtro se calculan
como:
1
w opt =R x r xd (19)
III. SIMULACIONES Y RESULTADOS
A continuacin se presentan los resultados
obtenidos para el modelamiento de un panel
fotovoltaico mediante el mtodo de 4 parmetros
presentado en la ecuacin (5) y mediante un filtro
adaptativo Wiener de tipo FIR, dicho proceso de
] modelamiento fue implementado en el software
Matlab.
El panel seleccionado para obtener el modelo
fue el Clearline PV, PV16/250 [8], el cual tiene los
siguientes valores caractersticos:
I sc=8.7 A
V oc =38.0 V
I mpp =8.2 A
V oc =30.4 V

Reemplazando (12) en (13): Los anteriores valores fueron ingresados en el

sistema de ecuaciones no lineales (6)-(9),
E [ e min ( n ) x ( n ) ]=E {[ d ( n )w opt x ( n ) ] x (n) }
T
obtenindose los siguientes valores para el modelo
=0(14)
de 4 parmetros del panel:
Reorganizando trminos:
I L =8.7 A
E [ x ( n ) x (n) ] w opt =E [ x ( n ) d( n) ] (15)
T I 0=1.37 109 A
a=1.6835
A partir de la ecuacin (15) se introducen las Rs =0.3404
siguientes definiciones:
Ingresando estos parmetros en la ecuacin (5),
R x =E [ x ( n ) x (n) ] (16)
T se obtiene el modelo que presenta la caracterstica
mostrada en la Figura 3.
Es la matriz simtrica Toeplitz de auto-
correlaciones del vector de entrada x(n).

r xd =E [ x ( n ) d (n) ] (17)

Es el vector de correlacin cruzada entre el

vector de entradas x(n) y el vector de salidas
deseadas d(n).
As, la ecuacin (15) puede representarse
matricialmente como:
R x w opt =r xd (18)
A dicha representacin matricial se le conoce

Fig. 3 Curva caracterstica V-I del panel Clearline PV,
PV16/250.
A continuacin se implementa un filtro
adaptativo Wiener, usando la ecuacin (19) para
calcular los coeficientes ptimos del mismo.
En la Figura 4 se muestra el valor rms del error
obtenido variando el orden en los filtros
implementados, es decir, para diferente nmero de
TAPs.
Fig. 4 Variacin del error con el nmero de TAPs del filtro.
El mnimo error obtenido fue de 14.8947 para
un filtro de 13 TAPs.
En la Figura 5 se muestra la salida del filtro de
13 TAPs comparada con la salida obtenida
empleando el modelo de 4 parmetros. En la
entrada del sistema, para este caso, se ingresaron
valores aleatorios para la corriente en el panel, con
media Isc y desviacin estndar cero, y las salidas
fueron los voltajes del panel. Adicionalmente se
consider que exista ruido de medicin en la
salida que deseaba estimarse por medio del filtro
adaptativo; es decir se sum una seal de ruido,
con media 1 y desviacin estndar cero, a la seal
de salida del modelo
Fig. 5 Estimacin de modelo del panel por medio de un filtro
adaptativo Wiener de orden 13.
Para el caso en que no se considera ruido de
medicin en la seal de salida, se obtiene la seal
presentada en la figura 6; para la cual el error de
estimacin fue de 10.5562 con un filtro de 13
TAPs.
Fig. 6 Estimacin de modelo del panel por medio de un filtro
adaptativo Wiener de orden 13 sin ruido de medicin en la
seal de salida.
Adicionalmente en la figura 7 se ilustra la curva I-
V del panel obtenida con el modelo de 4
parmetros, y con la estimacin realizada con el
filtro Wiener de 13 TAPs.

Fig. 7 Modelos para un panel: 4 parmetros y estimado a partir
de filtros Wiener.
IV. CONCLUSIONES
En la Figura 1 se observa que aproximadamente
despus de 7.5 A, el panel presenta una zona no
lineal, y debido a que el filtro Wiener realiza una
estimacin lineal, esta zona no puede ser estimada
adecuadamente con este tipo de filtros. Dicho
fenmeno puede observarse en la Figura 7, donde
no se logr una buena aproximacin para las
muestras que se encontraban en la zona no lineal.
En cambio, el filtro Wiener ofrece una buena
aproximacin para los datos que se encuentran en
la zona lineal, por lo tanto, el error de estimacin
es relativamente pequeo, ya que la mayora de
los datos de entrada se encuentran en esta zona.
Sin embargo se aclara que los filtros de estimacin
no lineal, tales como el Volterra, pueden ser ms
adecuados para estos sistemas, a pesar de que
requieren mayor costo computacional; por lo que,
la eleccin de este u otro filtro depender de la
aplicacin deseada.
En la Figura 6 puede observarse un error de
estimacin aunque no existe ruido de medicin en
la seal de salida. Dicho error podra deberse a
que las seales de entrada y salida no se
encuentra centradas en cero, as que deben
trasladarse un valor igual a la media para poder
ser procesadas por el filtro Wiener; sin embargo
este valor medio puede presentar variaciones que
incidan sobre el error de estimacin.
Los filtros adaptativos Wiener son una
herramienta til para la identificacin de sistemas;
adems su implementacin es relativamente
sencilla ya que solo se requiere invertir una matriz
y multiplicar esta por el vector de correlaciones
entre las salidas y las entradas del sistema, como
se indica en la ecuacin (19). Sin embargo, no se
recomienda utilizar este mtodo de
implementacin para sistemas que varan su
comportamiento con el tiempo. Para este tipo de
sistemas es preferible calcular los coeficientes
ptimos del filtro Wiener a travs de mtodos
recursivos e iterativos.
V. REFERENCIAS
[1] W. . De Soto, W., Klein, S.A., Beckman,
Improvedment and validation of a model
for photovoltaic array performance, Sol.
Energy, vol. 80, pp. 7888, 2006.
[2] B. Farhang-Boroujeny, Adaptive filters -
Theory and Applications, Second. Wiley,
2013.
[3] A. Uncini, Fundamentals of Adaptive
Signal Processing: Estimation Theory,
Springer. Signals and Comunication
Trchnology, 1993.
[4] M. Najib, M. Hussain, A. M. Omar, P.
Saidin, A. Asri, and A. Samat,
Identification of Hammerstein-Weiner
System for Normal and Shading
Operation of Photovoltaic System, Int. J.
Mach. Learn. Comput., vol. 2, no. 3, pp.
239243, 2012.
[5] N. Patcharaprakiti, J. Thongpron, K.
Kirtikara, D. Chenvidhya, and A.
Sangswang, Model Predictive Control
Based on System Identification of
Photovoltaic Grid Connected Inverter,
vol. 2, no. 4, pp. 591595, 2012.
[6] G. Budura and C. Botoca, Nonlinearities
Identification using the LMS Volterra
Filter, Proc. WSEAS Int. Conf. Dyn. Syst.
Control, no. 2, pp. 148153, 2005.
[7] H. W. Krismadinataa, Nasrudin Abd.
Rahima Pinga and J. Selvaraja,
Photovoltaic module modeling using
simulink/matlab, Procedia Environ. Sci.,
vol. 17, pp. 537 546, 2013.
[8] Clearline PV, Clearline PV datasheet,
pp. 1516, 2015.