Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Redes Neuronales Artificiales para El Seguimiento Del Punto de Maxima Potencia de Paneles Solares Integrados en Veh Iculo El Ectrico
Redes Neuronales Artificiales para El Seguimiento Del Punto de Maxima Potencia de Paneles Solares Integrados en Veh Iculo El Ectrico
Firma Autor
EL TRIBUNAL
Presidente:
Vocal:
Secretario:
Realizado el acto de defensa y lectura del Trabajo Fin de Grado el dı́a ....... de
.................... de ... en .........., en la Escuela Técnica Superior de Ingenierı́a y Diseño
Industrial de la Universidad Politécnica de Madrid, acuerda otorgarle la CALIFI-
CACIÓN de:
VOCAL
SECRETARIO PRESIDENTE
viii
Agradecimientos
ix
x AGRADECIMIENTOS
Resumen
El uso del vehı́culo eléctrico se ha extendido en gran medida estos últimos años por
razones medioambientales y por la reducción de las reservas de petróleo. El desarro-
llo de los vehı́culos eléctricos ha experimentado grandes avances en los últimos años,
aunque no llegan a la autonomı́a de un vehı́culo de combustión. Uno de los avances
más recientes para aliviar este problema es la implementación de un sistema foto-
voltaico en el vehı́culo para el aumento de la autonomı́a del mismo. En este trabajo
se ha realizado el análisis del uso de redes neuronales para el seguimiento del punto
de máxima potencia en módulos fotovoltaicos integrados en un vehı́culo eléctrico,
especialmente en trayectos urbanos. En estos trayectos, los paneles solares estarán
sometidos a frecuentes cambios de irradiancia y condiciones de sombreado parcial,
que pueden dar lugar a caracterı́sticas potencia-tensión con diversos máximos lo-
cales, para los que el método clásico de perturbación-observación (P&O) introduce
pérdidas energéticas significativas. Mediante el modelado de las pérdidas energéticas
estimadas para diversos escenarios de referencia, se han evaluado distintas configu-
raciones de parámetros de entrada y capas de la red neuronal y se han comparado
con el método P&O. Los escenarios han tenido en cuenta series de datos de condi-
ciones de operación representativas de trayectos urbanos, incluyendo condiciones de
iluminación desigual, transitorios frecuentes y sombreado parcial sobre el vehı́culo.
Los resultados obtenidos en el trabajo muestran la viabilidad de este método para
el seguimiento del punto de máxima potencia frente a otros métodos clásicos como
el P&O. Se estudia de manera satisfactoria el efecto de las variables del sistema FV
y del número de capas ocultas en la creación de las redes neuronales en relación a la
potencia instantánea generada y a la energı́a total producida en los módulos foto-
voltaicos en cada uno de los escenarios considerados. Estos resultados muestran que
el uso de redes neuronales como algoritmo seguidor del punto de máxima potencia
en un sistema fotovoltaico instalado en un vehı́culo es una solución viable, rápida,
y con unas pérdidas de energı́a mı́nimas en relación a otras técnicas.
xi
xii RESUMEN
Abstract
The use of the electric vehicle has expanded to a great extent in recent years for
environmental reasons and due to the reduction of oil reserves. The development of
electric vehicles has undergone great advances in recent years, although they do not
reach the autonomy of a combustion vehicle. One of the most recent advances to
alleviate this problem is the implementation of a photovoltaic system in the vehicle
to increase its autonomy. In this project, the analysis of the use of neural networks
to track the maximum power point of photovoltaic solar panels in solar panels inte-
grated in electric vehicles has been carried out. Especially along urban routes, the
solar panels will be subject to frequent changes in irradiance and partial shading
conditions, which can lead to power-voltage characteristics with various local ma-
ximum power points, for which the classical Perturb & Observe method introduces
significant energy losses. By modeling the energy losses estimated for various refe-
rence scenarios, different configurations of input parameters and layers of the neural
network have been evaluated and compared with the perturb & observe method. The
scenarios have taken into account data series of operating conditions representative
of urban routes, including uneven lighting conditions, frequent transients and partial
shading on the vehicle. The effect of the PV system variables and the number of
hidden layers in the creation of neural networks is satisfactorily studied in relation
to the total energy produced in the photovoltaic modules in each of the scenarios
considered. These results show that the use of neural networks as a MPPT in a
photovoltaic system installed in a vehicle is a viable and fast solution with minimal
energy losses in relation to other techniques.
xiii
xiv ABSTRACT
Índice general
Agradecimientos IX
Resumen XI
Abstract XIII
Índice XVII
Glosario XXIX
1. Introducción 1
1.1. Contexto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Problemática actual . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2. El vehı́culo eléctrico solar . . . . . . . . . . . . . . . . . . . . 3
1.2. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Estructura del documento . . . . . . . . . . . . . . . . . . . . . . . . 6
xv
xvi ÍNDICE GENERAL
4. Resultados y discusiones 71
4.1. Entrenamiento de los modelos . . . . . . . . . . . . . . . . . . . . . . 71
4.1.1. Datos obtenidos del PVGIS . . . . . . . . . . . . . . . . . . . 71
4.1.2. Simulación de los módulos . . . . . . . . . . . . . . . . . . . . 71
4.2. Aplicación de los modelos a los diferentes escenarios . . . . . . . . . . 72
4.2.1. Sombreado uniforme abrupto . . . . . . . . . . . . . . . . . . 73
4.2.2. Sombreado uniforme escalonado . . . . . . . . . . . . . . . . . 79
4.2.3. Sombreado uniforme gradual . . . . . . . . . . . . . . . . . . . 84
4.2.4. Sombras lentas . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2.5. Sombras rápidas . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.2.6. Sombreado parcial . . . . . . . . . . . . . . . . . . . . . . . . 102
4.3. Análisis de los modelos . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5. Conclusiones 111
Bibliografia 115
xix
xx ÍNDICE DE FIGURAS
4.12. Energı́a generada por los módulos fotovoltaicos utilizando los dife-
rentes algoritmos propuestos en el escenario uniforme escalonado. En
color azul se observan los algoritmos compuestos por tres capas de
neuronas, en naranja los algoritmos compuestos por seis capas neu-
ronales, en amarillo los algoritmos compuestos por doce capas neuro-
nales y en morado el algoritmo P&O. . . . . . . . . . . . . . . . . . . 84
4.13. Gráfica de los valores de irradiancia en el escenario uniforme gradual. 85
4.14. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje de cada módulo y la intensidad total del sistema
fotovoltaico en el escenario uniforme gradual. . . . . . . . . . . . . . . 86
4.15. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje de cada módulo, la intensidad total del sistema
fotovoltaico y la temperatura ambiente en el escenario uniforme gra-
dual. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.16. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje y la irradiancia incidente en cada módulo en el
escenario uniforme gradual. . . . . . . . . . . . . . . . . . . . . . . . 88
4.17. Resultados de la aplicación de las redes neuronales entrenadas utili-
zando el voltaje y la irradiancia incidente en cada módulo, la inten-
sidad total del sistema fotovoltaico y la temperatura ambiente en el
escenario uniforme gradual. . . . . . . . . . . . . . . . . . . . . . . . 89
4.18. Energı́a generada por los módulos fotovoltaicos utilizando los dife-
rentes algoritmos propuestos en el escenario uniforme gradual. En
color azul se pueden observar los algoritmos compuestos por tres ca-
pas de neuronas, en naranja los algoritmos compuestos por seis capas
neuronales, en amarillo los algoritmos compuestos por doce capas
neuronales y en morado el algoritmo P&O. . . . . . . . . . . . . . . . 90
4.19. Gráfica de los valores de irradiancia en el escenario sombras lentas. . 91
4.20. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje de cada módulo y la intensidad total del sistema
fotovoltaico en el escenario sombras lentas. . . . . . . . . . . . . . . . 92
4.21. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje de cada módulo, la intensidad total del sistema
fotovoltaico y la temperatura ambiente en el escenario sombras lentas. 93
4.22. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje y la irradiancia incidente en cada módulo en el
escenario sombras lentas. . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.23. Resultados de la aplicación de las redes neuronales entrenadas utili-
zando el voltaje y la irradiancia incidente en cada módulo, la inten-
sidad total del sistema fotovoltaico y la temperatura ambiente en el
escenario sombras lentas. . . . . . . . . . . . . . . . . . . . . . . . . . 95
xxiv ÍNDICE DE FIGURAS
4.24. Energı́a generada por los módulos fotovoltaicos utilizando los dife-
rentes algoritmos propuestos en el escenario de sombras lentas. En
color azul se pueden observar los algoritmos compuestos por tres ca-
pas de neuronas, en naranja los algoritmos compuestos por seis capas
neuronales, en amarillo los algoritmos compuestos por doce capas
neuronales y en morado el algoritmo P&O. . . . . . . . . . . . . . . . 96
4.25. Gráfica de los valores de irradiancia en el escenario sombras rápidas. . 97
4.26. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje de cada módulo y la intensidad total del sistema
fotovoltaico en el escenario sombras rápidas. . . . . . . . . . . . . . . 98
4.27. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje de cada módulo, la intensidad total del sistema
fotovoltaico y la temperatura ambiente en el escenario sombras rápidas. 99
4.28. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje y la irradiancia incidente en cada módulo en el
escenario sombras rápidas. . . . . . . . . . . . . . . . . . . . . . . . . 100
4.29. Resultados de la aplicación de las redes neuronales entrenadas utili-
zando el voltaje y la irradiancia incidente en cada módulo, la inten-
sidad total del sistema fotovoltaico y la temperatura ambiente en el
escenario sombras rápidas. . . . . . . . . . . . . . . . . . . . . . . . . 101
4.30. Energı́a generada por los módulos fotovoltaicos utilizando los dife-
rentes algoritmos propuestos en el escenario de sombras rápidas. En
color azul se pueden observar los algoritmos compuestos por tres ca-
pas de neuronas, en naranja los algoritmos compuestos por seis capas
neuronales, en amarillo los algoritmos compuestos por doce capas
neuronales y en morado el algoritmo P&O. . . . . . . . . . . . . . . . 102
4.31. Gráfica de los valores de irradiancia en el escenario sombreado parcial. 103
4.32. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje de cada módulo y la intensidad total del sistema
fotovoltaico en el escenario sombreado parcial. . . . . . . . . . . . . . 104
4.33. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje de cada módulo, la intensidad total del sistema
fotovoltaico y la temperatura ambiente en el escenario sombreado
parcial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.34. Resultados de la aplicación de las redes neuronales entrenadas uti-
lizando el voltaje y la irradiancia incidente en cada módulo en el
escenario sombreado parcial. . . . . . . . . . . . . . . . . . . . . . . . 105
4.35. Resultados de la aplicación de las redes neuronales entrenadas utili-
zando el voltaje y la irradiancia incidente en cada módulo, la inten-
sidad total del sistema fotovoltaico y la temperatura ambiente en el
escenario sombreado parcial. . . . . . . . . . . . . . . . . . . . . . . . 106
ÍNDICE DE FIGURAS xxv
4.36. Energı́a generada por los módulos fotovoltaicos utilizando los dife-
rentes algoritmos propuestos en el escenario de sombreado parcial.
En color azul se pueden observar los algoritmos compuestos por tres
capas de neuronas, en naranja los algoritmos compuestos por seis ca-
pas neuronales, en amarillo los algoritmos compuestos por doce capas
neuronales y en morado el algoritmo P&O. . . . . . . . . . . . . . . . 107
xxvi ÍNDICE DE FIGURAS
Índice de tablas
xxvii
xxviii ÍNDICE DE TABLAS
Glosario
xxix
xxx GLOSARIO
Lista de sı́mbolos
θzs Ángulo cenital solar
Ψs Ángulo azimutal solar
δ Ángulo de declinación
η Eficiencia
λ Longitud de onda
ºC Grados centı́grados
5Ir Irradiancia incidente en cada uno de los cinco módulos
5V Tensión de cada uno de los cinco módulos
A Amperios
B0 Irradiancia solar incidente en un plano normal al vector Sol-Tierra en el
exterior de la atmósfera
c Velocidad de la luz
e Carga del electrón
Eg Energy gap (Energı́a requerida para que un electrón salte de una capa a
otra)
Ef Energı́a de un fotón
G Irradiancia
Gef Irradiancia incidente
h Constante de Planck
I Intensidad del sistema fotovoltaico
I0 Corriente de oscuridad
IL Fotocorriente
Impp Intensidad de máxima potencia
ISC Intensidad de cortocircuito
k Constante de Boltzmann
m Factor de idealidad del diodo
m/s Metros por segundo
NP Número de células en paralelo
NS Número de células en serie
xxxii GLOSARIO
Introducción
1.1. Contexto
1
2 CAPÍTULO 1. INTRODUCCIÓN
Figura 1.1: Evolución de las emisiones de dióxido de carbono globales junto a las anomalı́as obser-
vadas en la temperatura global. Fuente: Sun and Wang [15]
También el uso de combustibles fósiles presenta otro problema que no tiene solu-
ción, que no son renovables y llegará un momento en el que se acabarán sus reservas.
Owen et al. [11] hizo un análisis en profundidad sobre las reservas de petróleo y su
perspectiva a largo plazo y llegó a las siguientes conclusiones:
El problema de la autonomı́a
Motor eléctrico: Puede tener uno o varios motores y pueden ser motores de
corriente alterna (los más comunes) o de corriente continua.
Transmisión: Transmite el movimiento generado en el motor a las ruedas del
vehı́culo.
Baterı́a: Donde se almacena la energı́a obtenida a través de la red eléctri-
ca, a partir de los módulos fotovoltaicos instalados o a partir de sistemas de
recuperación de energı́a (frenado regenerativo).
Inversor: Encargado de convertir la corriente continua proporcionada por la
baterı́a en corriente alterna para alimentar el motor (en el caso de que sea
necesario).
Controlador: Encargado de controlar la potencia suministrada al motor y,
por lo tanto, la velocidad del vehı́culo. También debe permitir la obtención de
energı́a mediante frenado regenerativo.
Sistema FV: Compuesto por los módulos fotovoltaicos instalados en la su-
perficie del coche ası́ como un seguidor del punto de máxima potencia y un
conversor DC-DC para permitir el aprovechamiento de la energı́a generada en
los módulos fotovoltaicos.
Figura 1.2: Componentes de un vehı́culo eléctrico solar Fuente: Larminie and Lowry [9] (modificado)
1.2. Motivación
La motivación del presente trabajo viene dada por la dificultad en el seguimiento
del punto de máxima potencia en módulos fotovoltaicos instalados sobre la superficie
de un vehı́culo en diferentes planos y, especialmente, en trayectos urbanos, donde la
1.3. OBJETIVOS 5
1.3. Objetivos
El objetivo principal de la realización del presente trabajo es la obtención de un
algoritmo de cálculo del punto de máxima potencia (MPPT) en un sistema fotovol-
taico integrado en vehı́culo eléctrico utilizando redes neuronales. Dicho algoritmo
debe ser lo suficientemente rápido para que las pérdidas de potencia en condiciones
cambiantes de irradiancia sean mı́nimas y la energı́a obtenida sea máxima. Estas
condiciones son tı́picas de un entorno urbano, siendo éste el más difı́cil para la ge-
neración de energı́a.
Para conseguir el objetivo expuesto previamente se deberán conseguir otros ob-
jetivos especı́ficos. Dichos objetivos son los siguientes:
2π · (dn + 284)
δ = 23,45 · sin (2.1)
365
Siendo dn el número del dı́a del año (1 hasta 365), se supone que el ángulo de
declinación no varı́a a lo largo del dı́a y considera positivos los ángulos situados en
el hemisferio norte y negativos los situados en el hemisferio sur.
El valor de la declinación toma ciertos valores ”caracterı́sticos” en momentos
puntuales a lo largo del año:
7
8 CAPÍTULO 2. ESTADO DEL ARTE
δ = 0°: Esto ocurre en los equinoccios, de manera que el Sol amanece por el
Este y anochece por Oeste de manera exacta.
δ = 23, 45°: Esto ocurre en el solsticio de verano en el hemisferio norte (o
invierno en el hemisferio sur). Sucede entre los dı́as 21 y 22 de junio, produ-
ciéndose el dı́a más largo del año en el hemisferio norte, con el sol saliendo
desde el Noreste y anocheciendo por el Noroeste.
δ = −23, 45°: Esto ocurre en el solsticio de invierno en el hemisferio norte
(o verano en el hemisferio sur). Sucede entre los dı́as 21 y 22 de diciembre,
produciéndose el dı́a más corto del año en el hemisferio norte, con el sol saliendo
desde el Sureste y anocheciendo por el Suroeste.
Figura 2.1: Ángulo de declinación a lo largo del año. Fuente: Perpiñán [12]
Ángulo azimutal solar (Ψs ): Es el ángulo que existe entre el meridiano (di-
rección Sur en el hemisferio Norte y viceversa) y la proyección sobre el plano
horizontal de la lı́nea recta que une la posición del Sol con el punto de obser-
vación.
Ángulo cenital solar (θzs ): Es el ángulo que forma el vector normal al punto
en la superficie terrestre y la proyección sobre el plano vertical de la lı́nea recta
que une la posición del Sol con el punto de observación.
La radiación emitida por el Sol atraviesa el espacio en todas las direcciones sin
sufrir pérdidas, sin embargo, la irradiancia solar (densidad de flujo radiante solar
(W/m2 )) sı́ que es atenuada, ya que el espacio que debe cubrir aumenta con la
distancia, reduciendo ası́ la irradiancia solar incidente en la superficie terrestre. Parte
de esta irradiancia solar es interceptada por nuestro planeta y, teniendo en cuenta
la diferencia de dimensiones entre ambos cuerpos celestes, se puede suponer que
en toda la superficie exterior de la atmósfera, el valor es constante y es definido
mediante la constante solar B0 (irradiancia solar incidente en un plano normal al
vector Sol-Tierra en el exterior de la atmósfera). Dicho valor se estima en B0 =1367
W/m2 por la Organización Meteorológica Mundial. Con la variación de la distancia
Tierra-Sol, la irradiancia solar que alcanza la atmósfera no es constante en el tiempo,
por lo que, para el cálculo de la irradiancia incidente, se añade la variable ϵ0 , que
se define como la corrección debida a la excentricidad de la elipse que describe la
Tierra en su trayectoria y se calcula mediante la siguiente ecuación [3]:
2πdn
ϵ0 = 1 + 0,033 · cos( ) (2.2)
365
Finalmente, el cálculo de la irradiancia incidente en una superficie tangente a la
atmósfera en una latitud determinada se realiza mediante la siguiente ecuación:
1
AM = (2.4)
cos(θzs )
h·c
Ef = (2.5)
λ
Siendo h la constante de Planck, c la velocidad de la luz y λ la longitud de onda
del fotón.
La generación de portadores por el efecto fotovoltaico depende de la frecuencia
de los fotones incidentes: si la energı́a del fotón (Ef ) es inferior al bandgap (Eg ),
no interactúa con el semiconductor. Aquellos fotones más energéticos provocan la
ruptura del enlace, el par electrón-hueco producido se encontrará lejos del campo
eléctrico de unión por lo que no podrá ejercer la fuerza suficiente para que se recom-
binen antes de salir del semiconductor al circuito exterior. Los fotones no absorbidos
se consideran pérdidas de transmisión.
V kT
I = IL − I0 · [exp( ) − 1], con VT = (2.6)
m · VT e
Siendo IL la fotocorriente, I0 la corriente de oscuridad, m el factor de idealidad
del diodo (1-2), V la tensión aplicada, VT el potencial térmico, k la constante de
Boltzmann, T la temperatura del semiconductor (en Kelvin) y e la carga del electrón
Como se puede ver en la ecuación 2.6, la intensidad generada en la célula es un
balance entre la fotocorriente y la corriente de oscuridad, que a su vez depende de
la tensión aplicada en sus terminales.
12 CAPÍTULO 2. ESTADO DEL ARTE
Figura 2.2: Curva I-V del módulo fotovoltaico empleado en el trabajo con diferentes valores de
irradiancia incidiento sobre él.
° °
Figura 2.3: Curva I-V del módulo fotovoltaico empleado en el trabajo a diferentes valores de
° °
temperatura. En color naranja se observa la curva a 0 C, en color verde se observa la curva a 10 C,
°
en color rojo se observa la curva a 25 C, en color azul se observa la curva a 40 C, en color morado
se observa la curva a 50 C.
Figura 2.4: Curva I-V de una célula solar en condiciones estándar. En el eje de ordenadas se
encuentra la corriente de cortocircuito (ISC ) y en el eje de abcisas se encuentra la tensión de
circuito abierto (VOC ), ambos en verde.
N OCT − 20
Tc = Ta + Gef · (2.9)
800
WP = NT · WT (célula) (2.14)
Figura 2.5: Curva I-V de un módulo solar con diodos de paso expuesto a una situación de sombreado
parcial. En rojo se encuentra representado el punto de máxima potencia (MPP, Maximum Power
Point).
Diodos de paso
Figura 2.6: Esquema eléctrico de conexión de los diodos de paso. Fuente: https://www.
researchgate.net/figure/PV-bypass-diode-concept-with-nameplate-and-electrical-polarities_
fig8_255250101
2.3.2. MPPT
Es el algoritmo de seguimiento del punto de máxima potencia para controlar la
tensión de trabajo aplicada a los módulos fotovoltaico (o panel), de manera que
generen la potencia máxima.
El conversor DC-DC más utilizado es el circuito Boost converter (ver figura 2.7).
entrada del convertidor es una señal PWM (Pulse Width Modulation) que controla
el transistor de la figura 2.7.
La modulación por ancho de pulso (Pulse Width Modulation, PWM) es una técni-
ca en la que se modifica el ciclo de trabajo de una señal periódica para controlar la
energı́a que se envı́a a una carga.
El ciclo de trabajo de una señal PWM es el tiempo en el que la señal se encuentra
activa en relación al periodo de la señal:
τ
D= (2.15)
T
Figura 2.9: Curva P-V de un módulo solar expuesto a una situación de sombreado parcial. En
verde se encuentras los puntos de máxima potencia locales (LMPP, Local Maximum Power Point)
y en rojo el punto de máxima potencia total (MPP, Maximum Power Point).
Lazo abierto (offline): Utiliza los datos del panel obtenidos mediante medi-
ciones previas como intensidad de cortocircuito (ISC ) o tensión de cortocircuito
(VOC ).
Lazo cerrado (online): Utiliza datos medidos en tiempo real en el sistema,
por lo que suelen ofrecer una mejor precisión en los resultados.
22 CAPÍTULO 2. ESTADO DEL ARTE
Actualmente no existe algoritmo que consiga poseer todas las categorı́as descritas
anteriormente pero los algoritmos actuales más eficientes poseen varias de ellas.
Algunos algoritmos MPPT utilizados en la actualidad son los siguientes:
Figura 2.11: Algoritmo P&O. Fuente: Ponce de León Puig et al. [13]
Figura 2.15: Diagrama de bloques del algoritmo FLC. Fuente: Atia [1]
26 CAPÍTULO 2. ESTADO DEL ARTE
El perceptrón
La salida del perceptrón sigue una función de activación (ver apartado siguiente) y
30 CAPÍTULO 2. ESTADO DEL ARTE
Funciones de activación
El perceptrón multicapa
Cuando todas las neuronas de una capa están conectadas a todas las neuronas de
la capa anterior la capa se denomina capa densa o completamente conectada. Los
modelos de DL son llamados ”profundos” al haber varias capas densas de neuronas
interconectadas entre sı́. Esto permite el aprendizaje de representaciones de datos
con múltiples niveles de abstracción y que, a partir de la señal de entrada, se genere
una señal de salida. El aprendizaje de este tipo de técnica es aprendizaje supervisado
y consiste en obtener los parámetros (wi y b) en cada neurona artificial y conseguir
que las transformaciones sean óptimas, es decir, que la salida sea la esperada de
acuerdo con los datos en la entrada.
En la figura 2.21 se puede observar la estructura de una red neuronal, con una
capa de entrada encargada de recibir los datos de entrada (input layer ), una capa de
salida (output layer ) que devuelve la predicción realizada y otras capas entre ellas
32 CAPÍTULO 2. ESTADO DEL ARTE
Figura 2.21: Representación de una red neuronal sencilla de tres capas con una única capa oculta.
denominadas capas ocultas (hidden layers), cuyo número puede ser muy elevado
(ver figura 2.21).
Función de pérdida
capa, etc....
En los trabajos de Rizzo and Scelba [14] y Messalti et al. [10] se describen méto-
dos para el uso de redes neuronales como algoritmo MPPT en sistemas FV estáticos,
sin cambios bruscos en las condiciones en las que trabaja el sistema. En el presente
trabajo se desarrolla el uso de algoritmos basados en redes neuronales como algo-
ritmo MPPT en condiciones cambiantes en un sistema fotovoltaico integrado en un
vehı́culo eléctrico. Dicho algoritmo debe ser lo suficientemente rápido para que las
pérdidas de potencia en condiciones cambiantes de irradiancia sean mı́nimas y la
energı́a obtenida sea máxima. Estas condiciones son tı́picas de un entorno urbano,
siendo éste el más difı́cil para la generación de energı́a, por lo que el algoritmo se
optimizará para estas condiciones.
36 CAPÍTULO 2. ESTADO DEL ARTE
Capı́tulo 3
Herramientas utilizadas y
metodologı́a
Para el desarrollo del trabajo se realizó una comparación entre el algoritmo MPPT
clásico más utilizado en la actualidad (P&O, Perturb & Observe) y varios algoritmos
MPPT basados en redes neuronales. Primero se va a realizar una descripción de
los materiales empleados para el desarrollo del trabajo, incluyendo programas y
servicios. Posteriormente se explicará la metodologı́a seguida en la realización del
trabajo.
37
38 CAPÍTULO 3. HERRAMIENTAS UTILIZADAS Y METODOLOGÍA
En el presente trabajo se han utilizado los datos del TMY para el entrenamiento
de las redes neuronales. El Año Meteorológico Tı́pico es un conjunto de datos
meteorológicos con valores horarios de un año completo para un emplazamiento
concreto. Los datos se seleccionan de una serie temporal de valores horarios de
varios años (normalmente 10 o más). Para la creación del TMY se ha utilizado
las siguientes bases de datos: ERA5, CMSAF y SARAH. La descarga del TMY
de la ciudad de Madrid se realiza de la siguiente forma:
Figura 3.1: Página principal del Photovoltaic Geographical Information System (PVGIS)
Figura 3.3: Herramienta Typical Meteorological Year con localización y perı́odo elegido. En rojo se
marca el botón para la descarga de los datos en formato .csv
40 CAPÍTULO 3. HERRAMIENTAS UTILIZADAS Y METODOLOGÍA
3.1.2. MATLAB
Sistemas de control.
Inteligencia artificial.
Robótica.
Ciencia de datos.
Simulink
En este trabajo, el uso de MATLAB y Simulink ha sido esencial para el diseño del
modelo del sistema FV instalado en la superficie del vehı́culo a controlar, la toma de
datos de dicho módulo para el entrenamiento de la red neuronal que funcionará como
algoritmo MPPT y su posterior simulación y comprobación. Se utilizó Simulink por
encima de otros programas que emplean modelado circuital como PSPICE por varias
razones:
Pero, la razón principal por la que se eligió Simulink por encima de otros programas
es la capacidad de Simulink de realizar una simulación en el dominio del tiempo. Esta
caracterı́stica permite la estimación de los valores de potencia y energı́a generada
por los módulos fotovoltaicos en condiciones de irradiancia variables con el tiempo,
permitiendo ası́ la estimación de las pérdidas de potencia por cambios bruscos en la
irradiancia.
El entrenamiento de los modelos también podrı́a haberse realizado haciendo uso
de la librerı́a de Machine Learning disponible para descarga en Simulink, pero no
se hizo uso de dichas herramientas al ser totalmente nuevas y no ofrecer resulta-
dos satisfactorios en trabajos realizados previamente. Finalmente se decidió utilizar
Python para el entrenamiento de los modelos de redes neuronales al ser un lenguaje
que habı́a utilizado previamente con buenos resultados habiéndome resultado mucho
más familiar su utilización. Para la implementación de las redes neuronales entre-
nadas en Python a MATLAB se hizo uso de la toolbox Deep Learning Toolbox, que
incluye herramientas para la implementación directa de los modelos.
3.1.3. Python
Python es un lenguaje de alto nivel ampliamente usado. Se desarrolló teniendo
como objetivo la claridad del código y que su sintaxis permitiera la ejecución de
comandos relativamente complejos en escasas lı́neas de código.
Python es, por lo tanto, un lenguaje muy versátil, usado en una gran cantidad de
aplicaciones precisamente por su simplicidad sintáctica y por su poder de ejecución
en pocas lı́neas. El desarrollo de librerı́as para Python ha ampliado enormemente
su potencial permitiendo añadir gran cantidad de funcionalidades diferentes en un
42 CAPÍTULO 3. HERRAMIENTAS UTILIZADAS Y METODOLOGÍA
Tensorflow
Keras
pandas
p i p i n s t a l l ==upgrade pi p
p i p i n s t a l l pandas
NumPy
NumPy es una librerı́a de código abierto que ofrece herramientas para compu-
tación matemática en Python. Fue creada en 2005 y es desarrollada y mantenida
por la comunidad con un control de calidad realizado por NumPy y la comunidad
cientı́fica de Python. El código de NumPy está escrito en C para una mayor ve-
locidad en la ejecución del mismo. NumPy es el estándar en Python en el manejo
de matrices por su facilidad de uso y potencial y es la base de numerosas librerı́as
de inteligencia artificial como scikit-learn, SciPy o TensorFlow, librerı́a que ha sido
utilizada en el desarrollo del trabajo.
Del mismo modo, se instala introduciendo los siguientes comandos:
p i p i n s t a l l ==upgrade pi p
p i p i n s t a l l numpy
PyCharm
disponible para Windows, macOS y Linux y tiene dos versiones. La versión Profes-
sional, que es de pago y está enfocada a empresas y desarrolladores avanzados y
la versión Community, de código abierto y con menos herramientas. En el trabajo
se ha utilizado la versión Community al contener todas las herramientas necesarias
para el desarrollo del mismo.
Enlace de descarga de PyCharm: https://www.jetbrains.com/es-es/pycharm/
download/
Existen numerosos IDE de Python como Spider, Pycharm , VSCode... Pero se
eligió PyCharm al ser el que tiene una interfaz más clara y su utilización no requiere
de un aprendizaje profundo de sus herramientas.
Dichos modelos estaban formados por tres, seis y doce capas neuronales ocultas,
estos números de capas fueron elegidos al querer experimentar con diversos números
de capas. No se pudieron entrenar modelos con un tamaño mayor a doce capas
neuronales por la potencia de cómputo necesaria para el entrenamiento de redes de
mayor tamaño y por el tiempo que se emplearı́a en la misma tarea.
Como capa neuronal de entrada se utilizaron tantas neuronas como variables
para el entrenamiento se hayan utilizado en cada uno de los conjuntos de variables
evaluados:
Finalmente, como capa neuronal de salida, se utilizó una única neurona regresiva,
es decir, una neurona que genera una salida numérica. Dicha salida representaba la
tensión a la que se debı́a polarizar los módulos fotovoltaicos para que generasen la
máxima potencia en las condiciones determinadas por las variables de entrenamiento
de la red neuronal.
Figura 3.13: Diagrama de bloques del entrenamiento de las redes neuronales como algoritmo MPPT.
3. Se realizó el entrenamiento de los modelos de deep learning con los datos pre-
viamente mencionados (tensión, corriente, irradiancia,...) y con la tensión de
máxima potencia objetivo obtenido a través de las simulaciones realizadas pre-
viamente.
Figura 3.14: Fragmento del archivo .csv incluyendo el año meteorológico tı́pico de la ciudad de
Madrid.
En la figura 3.14 se puede observar que el archivo .csv descargado incluye nume-
rosos tipos de datos:
Latitud [° decimales]
Longitud [° decimales]
Elevación [m]
Fecha y hora (en formato UTC)
T2m [°C]: Temperatura de bulbo seco (aire).
RH [ %]: Humedad relativa.
G(h) [W/m2]: Irradiancia global horizontal.
Gb(n) [W/m2]: Irradiancia directa.
Gd(h) [W/m2]: Irradiancia difusa horizontal.
IR(h) [W/m2]: Radiación infrarroja vertical.
WS10m [m/s]: Velocidad del viento.
WD10m [°]: Dirección del viento.
SP [Pa]: Presión atmosférica.
3.3. ALGORITMOS MPPT BASADOS EN ANN 51
A partir de los datos descargados se elaboró una base de datos con los parámetros
necesarios para la obtención de las curvas I-V del sistema fotovoltaico incluyendo
los 5 módulos en cuestión. Los parámetros utilizados fueron los siguientes:
En dicha base de datos se eliminaron las horas en las que la irradiancia global
era nula, ya que no resultaban de utilidad en el desarrollo del trabajo. El archivo
.csv se convirtió a un archivo .mat para una mayor facilidad de uso en MATLAB,
donde serı́a utilizado como base para la obtención de las curvas I-V necesarias de
manera que en cada simulación se utilizaran los datos meteorológicos de cada fila
(ver figura 3.15).
1. En cada iteración se elige una franja horaria dentro de la base de datos descar-
gada previamente.
2. Los valores de irradiancia global y difusa se toman como los valores de irra-
diancia incidente máximo y mı́nimo respectivamente.
3. Cada módulo fotovoltaico recibe una irradiancia incidente con un valor entre
el valor de irradiancia mı́nimo y el máximo.
4. Uno de los módulos (elegido de manera aleatoria) siempre recibirá la irradiancia
máxima.
5. Se calcula la temperatura de la célula (Tc ) a partir de la temperatura ambiente
(Ta ) en la franja horaria seleccionada
6. Se realiza la simulación ascendiendo lentamente el valor de tensión de polari-
zación de todo el sistema FV hasta que la intensidad generada es negativa.
7. Se almacenan todos los datos obtenidos de la simulación.
Para la obtención de datos se hizo uso del script Data generation.m, que realizaba
las simulaciones en Simulink y recogı́a todos los datos obtenidos en la simulación. El
script primero leı́a la tabla de datos procedente del PVGIS, luego según el número
de iteraciones seleccionadas, elegı́a el mismo número de filas dentro de la tabla (sin
repeticiones) y finalmente, realizaba la simulación del modelo el número de veces
especificadas.
El algoritmo que seguı́a el script se puede observar en el algoritmo 1.
54 CAPÍTULO 3. HERRAMIENTAS UTILIZADAS Y METODOLOGÍA
Los valores de tensión de cada módulo y la intensidad total del sistema foto-
voltaico.
3.3. ALGORITMOS MPPT BASADOS EN ANN 55
Los valores de tensión de cada módulo, la intensidad total del sistema fotovol-
taico y la temperatura ambiente.
Los valores de tensión de cada módulo y los valores de irradiancia incidente en
cada módulo.
Los valores de tensión de cada módulo, los valores de irradiancia incidente
en cada módulo, la intensidad total del sistema fotovoltaico y la temperatura
ambiente.
Los modelos fueron construidos con una capa neuronal de entrada con el mismo
número de neuronas que el número de datos de entrenamiento y con una única
neurona de salida al requerir de una salida numérica (valor de la tensión de máxima
potencia).
También se realizó el entrenamiento de los modelos utilizando tres, seis y doce
capas ocultas para también poder analizar el efecto del número de capas en la
predicción de la tensión de máxima potencia.
Algorithm 2 Training.py
Require:
Tablas en formato .csv conteniendo el resultado de las simulaciones de MATLAB
Ensure:
Modelos entrenados
1: Definición de las rutas donde se encuentran las tablas de datos
2: Definición de los nombres de cada columna de cada tabla
3: for 1:número de conjuntos de datos do
4: for 1:número de tablas de resultados necesarias para construir los datos de entrenamiento
do
5: Unión de las tablas
6: end for
7: Eliminación de los datos innecesarios
8: end for
9: Creación de la tabla que contiene las tensiones de máxima potencia
10: for 1:número de conjuntos de datos do
11: División de los datos en datos de entrenamiento y de test
12: Construcción del modelo
13: Compilado del modelo
14: Entrenamiento del modelo
15: Guardado del modelo entrenado
16: end for
Figura 3.20: Función que convierte la función creada en Keras a un archivo .mat que pueda ser
leido por Simulink.
Figura 3.21: Aplicación de las redes neuronales previamente entrenadas a Simulink. En verde
se encuentra el selector de modelos y el control de la constante de tiempo en la llamada a los
algoritmos. En azul se encuentran las variables utilizadas en cada modelo, la función que convierte
las variables en un vector y el bloque que incluye a cada una de las redes neuronales utilizadas. En
rojo se encuentra un sumador que permite la conexión de todas las redes neuronales de manera
simultánea aunque solo se encuentre en funcionamiento una de ellas.
En la figura 3.22 se puede observar como se selecciona cada uno de los modelos en
función del algoritmo que se quiera evaluar. Esta selección habilita a la red neuronal
que se quiera evaluar.
2. El bloque principal if habilita uno de los cuatro bloques secundarios if, cada
uno representa un posible valor de la variable selector.
Figura 3.22: Fragmento del modelo realizado en Simulink donde se encuentra el selector del algo-
ritmo a utilizar.
3.3. ALGORITMOS MPPT BASADOS EN ANN 61
Figura 3.23: Fragmento del modelo realizado en Simulink donde se realiza el tratamiento de las
variables y la predicción de la tensión de máxima potencia. Se ha elegido el modelo que utiliza como
variables la tensión de cada módulo y la intensidad total del sistema fotovoltaico como ejemplo.
En la figura 3.23 se puede ver el fragmento del modelo donde se realiza la pre-
dicción de la tensión de máxima potencia.
Figura 3.24: Script localizado dentro del bloque de función para pretratamiento de las variables
antes de ser introducidas en la red neuronal.
Primero se obtienen los valores instantáneos de las variables con las que se ha
entrenado el modelo. Estos valores entran dentro de un bloque que realiza la llamada
a una función que las convierte en un vector de datos para poder ser utilizadas como
entradas en la red neuronal (ver figura 3.24). Posteriormente este vector de datos es
introducido en el subsistema siguiente.
62 CAPÍTULO 3. HERRAMIENTAS UTILIZADAS Y METODOLOGÍA
Figura 3.25: Fragmento del modelo realizado en Simulink donde se realiza la predicción mediante
las redes neuronales. Se ha elegido el modelo que utiliza como variables la tensión de cada módulo
y la intensidad total del sistema fotovoltaico como ejemplo.
tro para ası́ realizar la medición de tensión e intensidad para el cálculo de la potencia
y poder obtener finalmente la energı́a producida por los módulos fotovoltaicos me-
diante un bloque integrador (ver figura 3.26).
Figura 3.26: Módulos fotovoltaicos y medición de la potencia generada utilizando redes neuronales
como algoritmo MPPT. A la izquierda de la figura se presentan seis bloques que representan cada
uno de los seis escenarios de irradiancia evaluados. En el centro de la figura se encuentran los cinco
módulos fotovoltaicos y a los bloques que realizan la medida de la potencia y la energı́a generada
por los módulos fotovoltaicos. A la derecha se encuentra el generador de tensión que polariza a los
módulos fotovoltaicos.
Figura 3.27: Función para la realización de las simulaciones correspondientes a un escenario con
todos los conjuntos de variables evaluados.
64 CAPÍTULO 3. HERRAMIENTAS UTILIZADAS Y METODOLOGÍA
Figura 3.28: Modelo de simulink para la evaluación del algoritmo Perturb & Observe(P&O). A la
izquierda se situan los módulos fotovoltaicos, el bloque azul en la parte azul contiene la aplicación
del algoritmo P&O y a la derecha se encuentra el convertidor DC-DC (Boost Converter ) para que
el algoritmo pueda converger entregando la máxima potencia a la carga conectada.
Resultados y discusiones
71
72 CAPÍTULO 4. RESULTADOS Y DISCUSIONES
Algoritmo P&O
Observando las figuras 4.2, 4.3, 4.4 y 4.5, se pueden observar los valores de po-
tencia instantánea generada utilizando el algoritmo P&O. En la primera mitad de la
simulación, cuando la irradiancia es máxima (1000 W/m2 ), el algoritmo no consigue
realizar el seguimiento del punto de máxima potencia de manera satisfactoria, si
bien se queda muy cerca de que los módulos generen la máxima potencia, lo hace de
manera ligeramente inestable sin llegar a realizar el seguimiento del punto de máxi-
ma potencia de manera óptima. En cambio, en la segunda mitad de la simulación,
cuando la irradiancia es mı́nima (200 W/m2 ), sı́ llega a generar la máxima potencia
teórica de manera totalmente estable.
74 CAPÍTULO 4. RESULTADOS Y DISCUSIONES
Modelo 1: 5V, I
Figura 4.2: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo y la intensidad total del sistema fotovoltaico en el escenario uniforme abrupto.
Modelo 2: 5V, I, Ta
Figura 4.3: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo, la intensidad total del sistema fotovoltaico y la temperatura ambiente en el escenario
uniforme abrupto.
En la figura 4.3 se observan los resultados de potencia obtenidos mediante los al-
goritmos ANN en los que se han utilizado como variables la tensión de cada módulo,
la intensidad del sistema fotovoltaico y la temperatura ambiente. En la primera mi-
tad de la simulación, cuando la irradiancia es máxima (1000 W/m2 ), los resultados
obtenidos son mejores a medida que aumenta el número de capas, pudiéndose ob-
servar como el algoritmo compuesto por tres capas neuronales ofrece un tercio del
valor de la potencia máxima teórica, el algoritmo compuesto por seis capas ofrece un
valor de potencia instantánea inferior que el valor máximo teórico, mientras que el
algoritmo compuesto por doce capas realiza un seguimiento prácticamente perfecto
del punto de máxima potencia. En el valor de irradiancia inferior (segunda mitad de
la simulación (200 W/m2 )), todos los algoritmos evaluados logran generar la máxi-
ma potencia teórica. Todos los algoritmos permanecen estables en la totalidad de la
simulación, con un pequeño valle en el segundo 30, al producirse el cambio brusco
en el valor de la irradiancia incidente.
76 CAPÍTULO 4. RESULTADOS Y DISCUSIONES
Figura 4.4: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y
la irradiancia incidente en cada módulo en el escenario uniforme abrupto.
Figura 4.5: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y
la irradiancia incidente en cada módulo, ası́ como la intensidad total del sistema fotovoltaico y la
temperatura ambiente en el escenario uniforme abrupto.
En la figura 4.5 se observan los resultados de potencia obtenidos mediante los al-
goritmos ANN en los que se ha utilizado como variables la tensión de cada módulo,
la irradiancia incidente en cada uno de ellos, la intensidad del sistema fotovoltaico
y la temperatura ambiente. En la primera mitad de la simulación, cuando la irra-
diancia incidente es máxima (1000 W/m2 ), se pueden observar mejores resultados
de potencia en los algoritmos compuestos por tres y seis capas, siendo ligeramen-
te inferiores en el algoritmo compuesto por doce capas. En la segunda mitad de
la simulación, cuando la irradiancia es mı́nima (200 W/m2 ), todos los algoritmos
consiguen generar la potencia máxima y permanecen estables en la totalidad de la
simulación, con un pequeño valle en el segundo 30, al producirse el cambio brusco
en el valor de la irradiancia incidente.
º
Uniforme abrupto
Algoritmo MPPT n de capas Variables Energı́a generada (Wh)
ANN 3 15.0
ANN 6 5V, I 14.7
ANN 12 13.3
ANN 3 6.6
ANN 6 5V, I, Ta 13.9
ANN 12 15.2
ANN 3 14.4
ANN 6 5V, 5Ir 14.4
ANN 12 15.1
ANN 3 14.8
ANN 6 5V, 5Ir, I, Ta 14.8
ANN 12 14.5
P&O - - 14.7
Tabla 4.1: Valores de energı́a de todos los algoritmos evaluados en el escenario de irradiancia
uniforme abrupta. En la tabla se ha resaltado el algoritmo que genera la mayor cantidad de energı́a.
4.2. APLICACIÓN DE LOS MODELOS A LOS DIFERENTES ESCENARIOS 79
Figura 4.6: Energı́a generada por los módulos fotovoltaicos utilizando los diferentes algoritmos
propuestos en el escenario uniforme abrupto. En color azul se observan los algoritmos compuestos
por tres capas de neuronas, en naranja los algoritmos compuestos por seis capas neuronales, en
amarillo los algoritmos compuestos por doce capas neuronales y en morado el algoritmo P&O.
Algoritmo P&O
Observando las figuras 4.8, 4.9, 4.10 y 4.11, se pueden observar los valores de
potencia instantánea generada utilizando el algoritmo P&O. En la primera mitad
de la simulación, cuando los valores de irradiancia son máximos (1000 W/m2 y
750 W/m2 ), el algoritmo no consigue realizar el seguimiento del punto de máxima
potencia de manera satisfactoria, quedándose muy cerca de la potencia generada
ideal cuando la irradiancia tiene un valor de 750 W/m2 , mientras que la diferencia
entre la potencia generada ideal y la real es mayor cuando la irradiancia tiene un
valor de 1000 W/m2 . En cambio, en la segunda mitad de la simulación, cuando los
valores de irradiancia son mı́nimos, sı́ llega a generar la máxima potencia teórica.
Modelo 1: 5V, I
Figura 4.8: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo y la intensidad total del sistema fotovoltaico en el escenario uniforme escalonado.
en el resto de algoritmos.
Modelo 2: 5V, I, Ta
Figura 4.9: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo, la intensidad total del sistema fotovoltaico y la temperatura ambiente en el escenario
uniforme escalonado.
Figura 4.10: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y
la irradiancia incidente en cada módulo en el escenario uniforme escalonado.
Figura 4.11: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y la
irradiancia incidente en cada módulo, la intensidad total del sistema fotovoltaico y la temperatura
ambiente en el escenario uniforme escalonado.
siendo necesario aumentar dicho número de capas con el número de variables tan
reducido (seis variables en total) con el que se trabaja en dicho algoritmo. Aunque
dicho algoritmo no serı́a ideal por su inestabilidad en el valor de irradiancia más
bajo, como se puede ver en la figura 4.8.
º
Uniforme escalonado
Algoritmo MPPT n de capas Variables Energı́a generada (Wh)
ANN 3 17.8
ANN 6 5V, I 17.4
ANN 12 16.7
ANN 3 12.8
ANN 6 5V, I, Ta 17.0
ANN 12 17.7
ANN 3 16.9
ANN 6 5V, 5Ir 17.0
ANN 12 17.7
ANN 3 17.4
ANN 6 5V, 5Ir, I, Ta 17.4
ANN 12 17.1
P&O - - 17.3
Tabla 4.2: Valores de energı́a de todos los algoritmos evaluados en el escenario de irradiancia
uniforme escalonado. Se ha resaltado el algoritmo que genera la mayor cantidad de energı́a.
Figura 4.12: Energı́a generada por los módulos fotovoltaicos utilizando los diferentes algoritmos
propuestos en el escenario uniforme escalonado. En color azul se observan los algoritmos compuestos
por tres capas de neuronas, en naranja los algoritmos compuestos por seis capas neuronales, en
amarillo los algoritmos compuestos por doce capas neuronales y en morado el algoritmo P&O.
Algoritmo P&O
Observando las figuras 4.14, 4.15, 4.16 y 4.17, se pueden notar los valores de
potencia instantánea generada utilizando el algoritmo P&O. Se puede ver como
al inicio de la simulación, el algoritmo tarda aproximadamente unos dos segundos
en realizar el seguimiento del punto de máxima potencia, una vez alcanzado, el
algoritmo es inestable en los valores de irradiancia elevados, siendo capaz de seguirlo
con facilidad a partir del segundo diez en adelante al no producirse ningún cambio
brusco de los valores de irradiancia.
86 CAPÍTULO 4. RESULTADOS Y DISCUSIONES
Modelo 1: 5V, I
Figura 4.14: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo y la intensidad total del sistema fotovoltaico en el escenario uniforme gradual.
Modelo 2: 5V, I, Ta
Figura 4.15: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo, la intensidad total del sistema fotovoltaico y la temperatura ambiente en el escenario
uniforme gradual.
Figura 4.16: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y
la irradiancia incidente en cada módulo en el escenario uniforme gradual.
Figura 4.17: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y la
irradiancia incidente en cada módulo, la intensidad total del sistema fotovoltaico y la temperatura
ambiente en el escenario uniforme gradual.
º
Uniforme gradual
Algoritmo MPPT n de capas Variables Energı́a generada (Wh)
ANN 3 14.8
ANN 6 5V, I 15.0
ANN 12 14.0
ANN 3 12.8
ANN 6 5V, I, Ta 14.1
ANN 12 15.2
ANN 3 14.6
ANN 6 5V, 5Ir 14.7
ANN 12 15.2
ANN 3 14.9
ANN 6 5V, 5Ir, I, Ta 15.0
ANN 12 14.8
P&O - - 14.8
Tabla 4.3: Valores de energı́a de todos los algoritmos evaluados en el escenario de irradiancia
uniforme gradual. Se ha resaltado el algoritmo que genera la mayor cantidad de energı́a.
Figura 4.18: Energı́a generada por los módulos fotovoltaicos utilizando los diferentes algoritmos
propuestos en el escenario uniforme gradual. En color azul se pueden observar los algoritmos com-
puestos por tres capas de neuronas, en naranja los algoritmos compuestos por seis capas neuronales,
en amarillo los algoritmos compuestos por doce capas neuronales y en morado el algoritmo P&O.
Algoritmo P&O
Observando las figuras 4.20, 4.21, 4.22 y 4.23, se pueden observar los valores de
potencia instantánea generada utilizando el algoritmo P&O. Se puede ver como al
inicio de la simulación, el algoritmo tarda aproximadamente unos cinco segundos en
realizar el seguimiento del punto de máxima potencia cuando el valor de irradiancia
es mı́nimo (300 W/m2 ). Cuando se produce el cambio de los valores de irradiancia
hacia la irradiancia máxima, el algoritmo tarda unos tres segundos en aproximarse al
punto de máxima potencia, no logrando estabilizarse. En los cambios de irradiancia
desde el valor máximo al mı́nimo, el algoritmo produce un valle muy pronunciado
en la potencia generada, siendo necesarios al menos dos segundos para estabilizarse
y generar el valor de potencia ideal en estas condiciones.
92 CAPÍTULO 4. RESULTADOS Y DISCUSIONES
Modelo 1: 5V, I
Figura 4.20: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo y la intensidad total del sistema fotovoltaico en el escenario sombras lentas.
Modelo 2: 5V, I, Ta
Figura 4.21: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo, la intensidad total del sistema fotovoltaico y la temperatura ambiente en el escenario
sombras lentas.
Figura 4.22: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y
la irradiancia incidente en cada módulo en el escenario sombras lentas.
Figura 4.23: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y la
irradiancia incidente en cada módulo, la intensidad total del sistema fotovoltaico y la temperatura
ambiente en el escenario sombras lentas.
º
Sombras lentas
Algoritmo MPPT n de capas Variables Energı́a generada (Wh)
ANN 3 15.3
ANN 6 5V, I 15.2
ANN 12 13.8
ANN 3 12.5
ANN 6 5V, I, Ta 14.1
ANN 12 15.4
ANN 3 14.8
ANN 6 5V, 5Ir 14.9
ANN 12 15.4
ANN 3 15.1
ANN 6 5V, 5Ir, I, Ta 15.1
ANN 12 15.0
P&O - - 14.3
Tabla 4.4: Valores de energı́a de todos los algoritmos evaluados en el escenario de sombras lentas.
Se ha resaltado el algoritmo que genera la mayor cantidad de energı́a.
Figura 4.24: Energı́a generada por los módulos fotovoltaicos utilizando los diferentes algoritmos
propuestos en el escenario de sombras lentas. En color azul se pueden observar los algoritmos com-
puestos por tres capas de neuronas, en naranja los algoritmos compuestos por seis capas neuronales,
en amarillo los algoritmos compuestos por doce capas neuronales y en morado el algoritmo P&O.
Algoritmo P&O
Observando las figuras 4.26, 4.27, 4.28 y 4.29, se pueden observar los valores
de potencia instantánea generada utilizando el algoritmo P&O. Se pueden ver unos
resultados muy similares a los obtenidos en el escenario anterior, aunque aumentando
en gran medida las pérdidas de potencia en los cambios de irradiancia al haber un
mayor número de cambios de irradiancia en este escenario.
98 CAPÍTULO 4. RESULTADOS Y DISCUSIONES
Modelo 1: 5V, I
Figura 4.26: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo y la intensidad total del sistema fotovoltaico en el escenario sombras rápidas.
Modelo 2: 5V, I, Ta
Figura 4.27: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo, la intensidad total del sistema fotovoltaico y la temperatura ambiente en el escenario
sombras rápidas.
Figura 4.28: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y
la irradiancia incidente en cada módulo en el escenario sombras rápidas.
Figura 4.29: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y la
irradiancia incidente en cada módulo, la intensidad total del sistema fotovoltaico y la temperatura
ambiente en el escenario sombras rápidas.
º
Sombras rápidas
Algoritmo MPPT n de capas Variables Energı́a generada (Wh)
ANN 3 14.6
ANN 6 5V, I 14.5
ANN 12 13.3
ANN 3 12.2
ANN 6 5V, I, Ta 13.1
ANN 12 14.6
ANN 3 14.2
ANN 6 5V, 5Ir 14.3
ANN 12 14.8
ANN 3 14.5
ANN 6 5V, 5Ir, I, Ta 14.6
ANN 12 14.4
P&O - - 13.5
Tabla 4.5: Valores de energı́a de todos los algoritmos evaluados en el escenario de sombras lentas.
Se ha resaltado el algoritmo que genera la mayor cantidad de energı́a.
Figura 4.30: Energı́a generada por los módulos fotovoltaicos utilizando los diferentes algoritmos
propuestos en el escenario de sombras rápidas. En color azul se pueden observar los algoritmos
compuestos por tres capas de neuronas, en naranja los algoritmos compuestos por seis capas neu-
ronales, en amarillo los algoritmos compuestos por doce capas neuronales y en morado el algoritmo
P&O.
Algoritmo P&O
Observando las figuras 4.32, 4.33, 4.34 y 4.35, se pueden observar los valores de
potencia instantánea generada utilizando el algoritmo P&O. Se puede ver como en la
primera mitad de la simulación, cuando la irradiancia es máxima en los tres primeros
módulos y mı́nima en el resto, el algoritmo genera un valor de potencia inferior al
ideal. En la segunda parte de la simulación, cuando la irradiancia es mı́nima en
los tres primeros módulos y máxima en el resto, el algoritmo consigue generar la
potencia máxima teórica.
104 CAPÍTULO 4. RESULTADOS Y DISCUSIONES
Modelo 1: 5V, I
Figura 4.32: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo y la intensidad total del sistema fotovoltaico en el escenario sombreado parcial.
Modelo 2: 5V, I, Ta
Figura 4.33: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje de
cada módulo, la intensidad total del sistema fotovoltaico y la temperatura ambiente en el escenario
sombreado parcial.
4.2. APLICACIÓN DE LOS MODELOS A LOS DIFERENTES ESCENARIOS 105
Figura 4.34: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y
la irradiancia incidente en cada módulo en el escenario sombreado parcial.
Figura 4.35: Resultados de la aplicación de las redes neuronales entrenadas utilizando el voltaje y la
irradiancia incidente en cada módulo, la intensidad total del sistema fotovoltaico y la temperatura
ambiente en el escenario sombreado parcial.
º
Sombreado parcial
Algoritmo MPPT n de capas Variables Energı́a generada (Wh)
ANN 3 7.1
ANN 6 5V, I 7.1
ANN 12 6.5
ANN 3 5.9
ANN 6 5V, I, Ta 7.9
ANN 12 6.7
ANN 3 10.5
ANN 6 5V, 5Ir 11.2
ANN 12 11.1
ANN 3 10.4
ANN 6 5V, 5Ir, I, Ta 11.0
ANN 12 11.1
P&O - - 10.8
Tabla 4.6: Valores de energı́a de todos los algoritmos evaluados en el escenario de sombras lentas.
Se ha resaltado el algoritmo que genera la mayor cantidad de energı́a.
Figura 4.36: Energı́a generada por los módulos fotovoltaicos utilizando los diferentes algoritmos
propuestos en el escenario de sombreado parcial. En color azul se pueden observar los algoritmos
compuestos por tres capas de neuronas, en naranja los algoritmos compuestos por seis capas neu-
ronales, en amarillo los algoritmos compuestos por doce capas neuronales y en morado el algoritmo
P&O.
108 CAPÍTULO 4. RESULTADOS Y DISCUSIONES
º
Energı́a total
Algoritmo MPPT n de capas Variables Energı́a generada (Wh) Diferencias en %
ANN 3 84.6 94.74
ANN 6 5V, I 83.9 93.95
ANN 12 77.6 86.90
ANN 3 62.8 70.32
ANN 6 5V, I, Ta 80.1 89.70
ANN 12 84.8 94.96
ANN 3 85.4 95.63
ANN 6 5V, 5Ir 86.5 96.86
ANN 12 89.3 100
ANN 3 87.1 97.54
ANN 6 5V, 5Ir, I, Ta 87.9 98.43
ANN 12 86.9 97.31
P&O - - 85.4 95.63
Tabla 4.7: Valores de energı́a de todos los algoritmos evaluados en el escenario de sombras lentas.
Se ha resaltado el algoritmo que genera la mayor cantidad de energı́a.
En la tabla 4.7 se puede comprobar que el algoritmo que genera mayor energı́a a
nivel general es el que utiliza como variables la tensión de cada módulo y su irradian-
cia (5V, 5Ir). Este algoritmo genera la máxima potencia en tres de los seis escenarios
evaluados (uniforme gradual, sombras lentas y sombras rápidas), ofreciendo resul-
tados también aceptables en el resto de escenarios evaluados.
De ese algoritmo destaca su versatilidad, originando buenos resultados (aunque
no excelentes) en los otros tres escenarios. Es reseñable como la medición de la irra-
diancia es esencial en el escenario de sombreado parcial, donde el resto de algoritmos
que no la incluyen generan malos resultados y los hacen inútiles para este tipo de
escenarios.
También se puede observar como todos los algoritmos que utilizan los valores
de irradiancia incidente en cada módulo generan valores de energı́a superiores a la
energı́a generada mediante el algoritmo P&O, demostrando ası́ su superioridad.
Se puede observar como en todos los escenarios evaluados, el algoritmo P&O
no alcanza el valor de potencia máximo cuando la irradiancia es máxima (¿900
W/m2 ). No se ha podido encontrar la causa de este fallo en el algoritmo, pero
se considera que los resultados obtenidos aplicando dicho algoritmo en todos los
escenarios evaluados son cercanos a los posibles resultados reales que pueda ofrecer
este algoritmo, despreciando ası́ esta falta en la generación de potencia cuando la
irradiancia incidente es máxima.
En esta comparación entre los algoritmos se considera a todos los escenarios
de manera igual. Se podrı́an construir nuevas comparaciones aplicando un peso a
cada uno de los escenarios evaluados, para realizar ası́ una suma ponderada de los
4.3. ANÁLISIS DE LOS MODELOS 109
Conclusiones
Este capı́tulo marca el final del trabajo realizado y en él se exponen las discusiones
derivadas de la observación y análisis de todos los resultados obtenidos en cada fase
del presente trabajo. Las conclusiones se van a presentar por el orden de aparición
de los resultados en el capı́tulo anterior y con una conclusión final en relación de los
resultados expuestos.
111
112 CAPÍTULO 5. CONCLUSIONES
lo suficientemente buenos como para ser utilizados en una aplicación real. Estos
algoritmos fueron construidos utilizando la tensión de cada módulo y la irradiancia
incidente en cada uno de ellos, pudiendo añadir otras variables como la intensidad
total del sistema fotovoltaico o la temperatura ambiente.
El uso de la irradiancia incidente en cada módulo es requisito indispensable para
el funcionamiento de estos algoritmos, ya que en una situación de sombreado par-
cial, la supresión de esta variable produce unas pérdidas de potencia considerables,
produciendo una inestabilidad en el algoritmo.
También se puede notar como el modelo que utiliza todas las variables estudiadas
en el presente trabajo no ofrece buenos resultados. Esto es probablemente debido a
un entrenamiento insuficiente o a una falta de capas neuronales en dicho modelo,
haciendo que los resultados tengan una gran capacidad de mejora.
Es digno de mención como el algoritmo compuesto por tres capas y que utiliza
la tensión de cada módulo, intensidad del sistema fotovoltaico y la temperatura
ambiente ofrece unos resultados anómalamente bajos. Esto puede deberse a un error
en su entrenamiento y no se debe tener en consideración para futuros trabajos.
Finalmente, se debe destacar al algoritmo que ha obtenido mejores resultados a
nivel global, dicho algoritmo es el que está compuesto por doce capas ocultas y que
utiliza como variables la tensión de cada módulo y la irradiancia incidente en cada
uno de ellos. Este algoritmo ofrece los mejores resultados a nivel general porque, a
pesar de no destacar en todos los escenarios evaluados, sus valores de energı́a genera-
da son siempre similares a los algoritmos ”vencedores” en cada escenario, generando
la mayor cantidad de energı́a total. Del mismo modo, al incluir la irradiancia inciden-
te en cada módulo, genera buenos valores de energı́a en una situación de sombreado
parcial, por lo tanto, se trata del algoritmo más polivalente, con resultados cercanos
al óptimo en todos los escenarios evaluados.
A lo largo del estudio se han encontrado numerosas limitaciones que pueden ser
salvadas en los futuros estudios que se realicen desarrollando la temática presentada
en el presente trabajo.
La principal limitación del presente trabajo ha sido el uso de datos procedentes
de una base de datos con resultados de irradiancia medidos de manera diferente a
como serı́an medidos en una aplicación real. Serı́a necesario el modelado y toma de
datos en un modelo real instalado en la superficie de un vehı́culo para conseguir
resultados más concluyentes.
Otra limitación ha sido el limitado conocimiento de técnicas más avanzadas de
programación de redes neuronales. Esto ha producido unos algoritmos MPPT algo
simples y con evidentes carencias que en futuros estudios podrı́an ser mejoradas.
También con relación al entrenamiento de los modelos de redes neuronales, una
mayor capacidad de procesamiento hubiera sido de gran utilidad para un entrena-
miento de los modelos más rápido.
Finalmente, con el objetivo de mejorar y completar los procesos de este estudio
y abrir puertas a nuevas ramas en el avance del mismo, se proponen una serie de
posibles lı́neas de investigación futuras:
para ası́ poder realizar una toma de datos más representativa de una aplicación
real. Esto afectarı́a tanto a la creación de la base de datos como a la obtención
de curvas I-V de los módulos fotovoltaicos.
La adaptación de los algoritmos MPPT mediante redes neuronales a micro-
controladores u ordenadores de tamaño reducido como Raspberry Pi mediante
TensorFlow Lite.
Experimentación con nuevos parámetros de entrenamiento de las redes neuro-
nales para la obtención de algoritmos más estables y eficientes.
Del mismo modo, se podrı́a también experimentar con redes neuronales recu-
rrentes al incluir el dominio del tiempo en su entrenamiento o con otras técnicas
de machine learning.
Como se ha demostrado mediante el presente trabajo, el uso de redes neuronales
es eficiente y preciso en el seguimiento del punto de máxima potencia, aunque
presenta algunos problemas en relación a la oscilación alrededor del MPP y a
la velocidad de seguimiento en algunos problemas determinados. Estos proble-
mas pueden intentar solucionarse en futuros trabajos mediante la aplicación de
diferentes tipos de algoritmia.
114 CAPÍTULO 5. CONCLUSIONES
Bibliografı́a
115
116 BIBLIOGRAFÍA
117
305 SOLAR PANEL
EXCEPTIONAL EFFICIENCY AND PERFORMANCE
BENEFITS
Highest Efficiency
SunPowerTM Solar Panels are the most
efficient photovoltaic panels on the
market today.
More Power
Our panels produce more power in
the same amount of space—up to 50%
more than conventional designs and
100% more than thin film solar panels.
Reliable and Robust Design The SunPowerTM 305 Solar Panel provides today’s highest efficiency
Proven materials, tempered front glass,
and performance. Utilizing 96 back-contact solar cells, the SunPower
and a sturdy anodized frame allow
panel to operate reliably in multiple 305 delivers a total panel conversion efficiency of 18.7%. The panel’s
mounting configurations. reduced voltage-temperature coefficient and exceptional low-light
performance attributes provide outstanding energy delivery per peak
power watt.
About SunPower
SPR-305-WHT-D
305 SOLAR PANEL
EXCEPTIONAL EFFICIENCY AND PERFORMANCE
Current (A)
800 W/m²
Open Circuit Voltage Voc 64.2 V
Power -0.38% / K
Current (Isc) 3.5mA / K Current/voltage characteristics with dependence on irradiance and module temperature.
Front Glass high transmission tempered glass Impact Resistance Hail 1 in (25 mm) at 52mph (23 m/s)
Junction Box IP-65 rated with 3 bypass diodes
Dimensions: 32 x 155 x 128 (mm) Warranties and Certifications
Output Cables 1000mm length cables / MultiContact (MC4) connectors Warranties 25 year limited power warranty
Anodized aluminum alloy type 6063
Frame 10 year limited product warranty
(silver); stacking pins
Weight 41 lbs. (18.6 kg) Certifications Tested to UL 1703. Class C Fire Rating
Dimensions
Grounding Holes
Stacking Pins
CAUTION: READ SAFETY AND INSTALLATION INSTRUCTIONS BEFORE USING THE PRODUCT.
Visit sunpowercorp.com for details
SUNPOWER and the SUNPOWER logo are trademarks or registered trademarks of SunPower Corporation. sunpowercorp.com
© 2009 March SunPower Corporation. All rights reserved. Specifications included in this datasheet are subject to change without notice.
Document #001-52287 Rev** / LTR_EN
120APÉNDICE A. ANEXO: REPOSITORIO DEL TRABAJO Y HOJA DE CARACTERÍSTICAS DEL MÓDULO FO