Redes Neuronales Artificiales para El Seguimiento Del Punto de Maxima Potencia de Paneles Solares Integrados en Veh Iculo El Ectrico

UNIVERSIDAD POLITÉCNICA DE MADRID
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA Y

DISEÑO INDUSTRIAL
Grado en Ingenierı́a Eléctrica
TRABAJO FIN DE GRADO
Redes neuronales artificiales

para el seguimiento del punto de
máxima potencia de paneles
solares integrados en vehı́culo
eléctrico
Guillermo Illana Gisbert
Cotutor: Rubén Núñez Júdez Tutor: César Domı́nguez

Departamento: Ingenierı́a Domı́nguez
Eléctrica, Electrónica, Departamento: Ingenierı́a
Automática y Fı́sica Aplicada Eléctrica, Electrónica,
Automática y Fı́sica Aplicada
Madrid, Septiembre, 2021

ii
UNIVERSIDAD POLITÉCNICA DE MADRID
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA Y

DISEÑO INDUSTRIAL
Grado en Ingenierı́a Eléctrica
TRABAJO FIN DE GRADO
Redes neuronales artificiales

para el seguimiento del punto de
máxima potencia de paneles
solares integrados en vehı́culo
eléctrico
Firma Autor
Firma Cotutor Firma Tutor

iv
v
Copyright ©2021. Guillermo Illana Gisbert

Esta obra está licenciada bajo la licencia Creative Commons
Atribución-NoComercial-SinDerivadas 3.0 Unported (CC BY-NC-ND 3.0). Para ver una copia de
esta licencia, visite http://creativecommons.org/licenses/by-nc-nd/3.0/deed.es o envı́e una carta
a Creative Commons, 444 Castro Street, Suite 900, Mountain View, California, 94041, EE.UU.
Todas las opiniones aquı́ expresadas son del autor, y no reflejan necesariamente las opiniones de
la Universidad Politécnica de Madrid.
vi
vii
Tı́tulo: Redes neuronales artificiales para el seguimiento del punto de máxima

potencia de paneles solares integrados en vehı́culo eléctrico
Autor: Guillermo Illana Gisbert
Tutor: César Domı́nguez Domı́nguez
Cotutor: Rubén Núñez Júdez
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
Agradezco a mi padre y a mi madre por haberme apoyado siempre en todas

las decisiones que he tomado, por intentar ayudarme siempre que he tenido alguna
dificultad y por estar siempre ahı́. Gracias.
También a mi hermano Andrés, por hacerme perder el tiempo cuando lo necesi-
taba.
A todas las personas increı́bles que he conocido en la universidad y que me
han hecho mejor persona, pero de manera especial a Javier, Celia, Aitana, Isasia,
y especialmente a Pablo, que ha aguantado y confirmado todas mis quejas sobre
MATLAB.
A todos mis amigos, pero especialmente a Pablo y Arturo, por darme fuerzas
para acabar la carrera.
A Erika, por apoyarme en todo lo que me propongo y estar siempre conmigo en
los buenos y malos momentos.
Y por último, pero no por ello menos importante, a César y a Rubén, mis tutores,
les agradezco que me ayudaran a entrar en este mundo tan fascinante, y haberme
introducido en un campo que era totalmente nuevo para mi. Por su ayuda en la
realización de este trabajo.
Gracias a todos.
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.
Palabras clave: Energı́a fotovoltaica, Redes neuronales, Vehı́culo eléctrico, Segui-

miento del punto de máxima potencia.
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.
Keywords: Solar energy, Artificial Neural Networks, Electric vehicle, Maximum

Power Point Tracking.
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
2. Estado del arte 7

2.1. Radiación solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1. Geometrı́a solar . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.2. Tipos de radiación solar . . . . . . . . . . . . . . . . . . . . . 9
2.2. Tecnologı́a solar fotovoltaica . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1. Efecto fotovoltaico . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.2. Funcionamiento de una célula solar . . . . . . . . . . . . . . . 11
2.2.3. Dependencia de la corriente y la tensión con las condiciones
de operación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.4. Parámetros de una célula solar . . . . . . . . . . . . . . . . . . 13
2.2.5. Temperatura de operación de la célula . . . . . . . . . . . . . 15
xv
xvi ÍNDICE GENERAL
2.2.6. Asociación de células: módulo fotovoltaico . . . . . . . . . . . 15

2.2.7. El problema del sombreado parcial . . . . . . . . . . . . . . . 16
2.3. Sistema fotovoltaico para vehı́culos eléctricos . . . . . . . . . . . . . . 17
2.3.1. Módulo fotovoltaico . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.2. MPPT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.3. Conversor DC-DC . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4. Seguidores del punto de máxima potencia . . . . . . . . . . . . . . . . 20
2.4.1. Algoritmos MPPT . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.2. Clasificación de algoritmos MPPT . . . . . . . . . . . . . . . . 22
2.5. Aprendizaje automático y redes neuronales artificiales . . . . . . . . . 27
2.5.1. Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5.2. Deep Learning y redes neuronales . . . . . . . . . . . . . . . . 29
2.6. Entrenamiento de redes neuronales . . . . . . . . . . . . . . . . . . . 32
2.6.1. Proceso iterativo de aprendizaje . . . . . . . . . . . . . . . . . 32
2.6.2. Uso de redes neuronales como algoritmo MPPT . . . . . . . . 34
3. Herramientas utilizadas y metodologı́a 37

3.1. Herramientas utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.1. Photovoltaic Geographical Information System (PVGIS) . . . . 37
3.1.2. MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.1.3. Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2. Modelado del sistema fotovoltaico . . . . . . . . . . . . . . . . . . . . 45
3.2.1. Modelo de sistema FV . . . . . . . . . . . . . . . . . . . . . . 45
3.2.2. Evaluación de los modelos . . . . . . . . . . . . . . . . . . . . 46
3.3. Algoritmos MPPT basados en ANN . . . . . . . . . . . . . . . . . . . 47
3.3.1. Variables para el entrenamiento de los modelos . . . . . . . . 47
3.3.2. Construcción de las redes neuronales . . . . . . . . . . . . . . 47
3.3.3. Entrenamiento de la ANN . . . . . . . . . . . . . . . . . . . . 48
3.3.4. Toma de datos para el entrenamiento . . . . . . . . . . . . . . 49
3.3.5. Entrenamiento de modelos . . . . . . . . . . . . . . . . . . . . 54
3.3.6. Integración de ANN en Simulink . . . . . . . . . . . . . . . . 57
3.4. Modelo P&O de referencia . . . . . . . . . . . . . . . . . . . . . . . . 64
3.4.1. Algoritmo P&O . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.4.2. Electrónica de potencia . . . . . . . . . . . . . . . . . . . . . . 65
3.5. Comparación entre modelos . . . . . . . . . . . . . . . . . . . . . . . 66
ÍNDICE GENERAL xvii
3.5.1. Métricas de comparación . . . . . . . . . . . . . . . . . . . . . 70
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
A. ANEXO: Repositorio del trabajo y hoja de caracterı́sticas del módu-

lo fotovoltaico utilizado 117
A.1. Repositorio del trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . 117
A.2. Hoja de caracterı́sticas del módulo fotovoltaico utilizado . . . . . . . 117
xviii ÍNDICE GENERAL
Índice de figuras
1.1. Evolución de las emisiones de dióxido de carbono globales junto a

las anomalı́as observadas en la temperatura global. Fuente: Sun and
Wang [15] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Componentes de un vehı́culo eléctrico solar Fuente: Larminie and
Lowry [9] (modificado) . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1. Ángulo de declinación a lo largo del año. Fuente: Perpiñán [12] . . . 8

2.2. Curva I-V del módulo fotovoltaico empleado en el trabajo con dife-
rentes valores de irradiancia incidiento sobre él. . . . . . . . . . . . . 12
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. . . . . . . . . . . . . . . . . . . . 13
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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
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). . . . . . 17
2.6. Esquema eléctrico de conexión de los diodos de paso. Fuente: https:
//www.researchgate.net/figure/PV-bypass-diode-concept-with-nameplate-and-ele
fig8_255250101 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.7. Circuito Boost Converter para el aumento de la tensión en la carga. . 18
2.8. Comparación de señales PWM según el ciclo del trabajo. . . . . . . . 19
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). . . . . . . . . . . . . . 20
2.10. Esquema de un sistema fotovoltaico con MPPT. . . . . . . . . . . . . 21
2.11. Algoritmo P&O. Fuente: Ponce de León Puig et al. [13] . . . . . . . . 23
xix
xx ÍNDICE DE FIGURAS
2.12. Algoritmo IC. Fuente: Tan and Kirschen [17] . . . . . . . . . . . . . . 24

2.13. Algoritmo CV. Fuente: Eltamaly and Farh [5] . . . . . . . . . . . . . 24
2.14. Clasificación de algoritmos metaheurı́sticos. Fuente: Atia [1] . . . . . 25
2.15. Diagrama de bloques del algoritmo FLC. Fuente: Atia [1] . . . . . . . 25
2.16. Algoritmo MPPT basado en redes neuronales controlando el ciclo
de trabajo del convertidor. Fuente: https://www.semanticscholar.
org/paper/Performance-analysis-of-neural-network-and-fuzzy-PV-Gupta-Kumar/
affc9991192c0dcc6b151635781cf0a46ed91502 (modificado). . . . . 26
2.17. Función de activación linear. . . . . . . . . . . . . . . . . . . . . . . . 30
2.18. Función de activación sigmoid. . . . . . . . . . . . . . . . . . . . . . . 30
2.19. Función de activación tanh. . . . . . . . . . . . . . . . . . . . . . . . 31
2.20. Función de activación ReLU. . . . . . . . . . . . . . . . . . . . . . . . 31
2.21. Representación de una red neuronal sencilla de tres capas con una
única capa oculta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1. Página principal del Photovoltaic Geographical Information System

(PVGIS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2. Herramienta Typical Meteorological Year (TMY) del PVGIS . . . . . 39
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4. Logotipo de MATLAB (MATrix LABoratory) . . . . . . . . . . . . . 40
3.5. Logotipo de Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.6. Logotipo de TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.7. Logotipo de Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.8. Logotipo de pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.9. Logotipo de NumPy . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.10. Logotipo de PyCharm . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.11. Disposición de los paneles en la parte superior de un vehı́culo. . . . . 45
3.12. Módulos fotovoltaicos en Simulink. . . . . . . . . . . . . . . . . . . . 46
3.13. Diagrama de bloques del entrenamiento de las redes neuronales como
algoritmo MPPT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.14. Fragmento del archivo .csv incluyendo el año meteorológico tı́pico de
la ciudad de Madrid. . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.15. Fragmento del archivo .mat preparado para la simulación. . . . . . . 51
3.16. Modelo para la obtención de curvas I-V. . . . . . . . . . . . . . . . . 52
3.17. Subsistema para la detención de la simulación. . . . . . . . . . . . . . 53
ÍNDICE DE FIGURAS xxi
3.18. Subsistema para la fuente de tensión variable. . . . . . . . . . . . . . 53

3.19. Representación de una red neuronal de 6 capas ya entrenada. . . . . . 57
3.20. Función que convierte la función creada en Keras a un archivo .mat
que pueda ser leido por Simulink. . . . . . . . . . . . . . . . . . . . . 57
3.21. Aplicación de las redes neuronales previamente entrenadas a Simu-
link. 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 suma-
dor que permite la conexión de todas las redes neuronales de manera
simultánea aunque solo se encuentre en funcionamiento una de ellas. . 59
3.22. Fragmento del modelo realizado en Simulink donde se encuentra el
selector del algoritmo a utilizar. . . . . . . . . . . . . . . . . . . . . . 60
3.23. Fragmento del modelo realizado en Simulink donde se realiza el tra-
tamiento de las variables y la predicción de la tensión de máxima
potencia. Se ha elegido el modelo que utiliza como variables la ten-
sión de cada módulo y la intensidad total del sistema fotovoltaico
como ejemplo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.24. Script localizado dentro del bloque de función para pretratamiento
de las variables antes de ser introducidas en la red neuronal. . . . . . 61
3.25. Fragmento del modelo realizado en Simulink donde se realiza la pre-
dicción 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. . . . . . . . . . . . . . . . . . 62
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. . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.27. Función para la realización de las simulaciones correspondientes a un
escenario con todos los conjuntos de variables evaluados. . . . . . . . 63
3.28. Modelo de simulink para la evaluación del algoritmo Perturb & Obser-
ve(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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.29. Interior del bloque que implementa el algoritmo P&O. . . . . . . . . . 65
3.30. Convertidor DC-DC en el modelo realizado en Simulink. . . . . . . . 65
xxii ÍNDICE DE FIGURAS
3.31. Uniforme abrupto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

3.32. Uniforme escalonado. . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.33. Uniforme gradual. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.34. Sombras lentas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.35. Sombras rápidas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.36. Sombreado parcial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.1. Gráfica de los valores de irradiancia en el escenario uniforme abrupto. 73

4.2. 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 abrupto. . . . . . . . . . . . . . 74
4.3. Resultados de la aplicación de las redes neuronales entrenadas utili-
zando el voltaje de cada módulo, la intensidad total del sistema foto-
voltaico y la temperatura ambiente en el escenario uniforme abrupto. 75
lizando el voltaje y la irradiancia incidente en cada módulo en el
escenario uniforme abrupto. . . . . . . . . . . . . . . . . . . . . . . . 76
zando 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. . . . . . . . . . . . . . . . . . . . . 77
4.6. Energı́a generada por los módulos fotovoltaicos utilizando los diferen-
tes algoritmos propuestos en el escenario uniforme abrupto. En color
azul se observan los algoritmos compuestos por tres capas de neuro-
nas, 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. . . . . . . . . . . . . . . . . . . . . . . 79
4.7. Gráfica de los valores de irradiancia en el escenario uniforme escalonado. 79
fotovoltaico en el escenario uniforme escalonado. . . . . . . . . . . . . 80
lizando el voltaje de cada módulo, la intensidad total del sistema
fotovoltaico y la temperatura ambiente en el escenario uniforme es-
calonado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
escenario uniforme escalonado. . . . . . . . . . . . . . . . . . . . . . . 82
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 escalonado. . . . . . . . . . . . . . . . . . . . . . . 83
ÍNDICE DE FIGURAS xxiii
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
fotovoltaico en el escenario uniforme gradual. . . . . . . . . . . . . . . 86
fotovoltaico y la temperatura ambiente en el escenario uniforme gra-
dual. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
escenario uniforme gradual. . . . . . . . . . . . . . . . . . . . . . . . 88
escenario uniforme gradual. . . . . . . . . . . . . . . . . . . . . . . . 89
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
fotovoltaico en el escenario sombras lentas. . . . . . . . . . . . . . . . 92
fotovoltaico y la temperatura ambiente en el escenario sombras lentas. 93
escenario sombras lentas. . . . . . . . . . . . . . . . . . . . . . . . . . 94
escenario sombras lentas. . . . . . . . . . . . . . . . . . . . . . . . . . 95
xxiv ÍNDICE DE FIGURAS
rentes algoritmos propuestos en el escenario de sombras lentas. En
4.25. Gráfica de los valores de irradiancia en el escenario sombras rápidas. . 97
fotovoltaico en el escenario sombras rápidas. . . . . . . . . . . . . . . 98
fotovoltaico y la temperatura ambiente en el escenario sombras rápidas. 99
escenario sombras rápidas. . . . . . . . . . . . . . . . . . . . . . . . . 100
escenario sombras rápidas. . . . . . . . . . . . . . . . . . . . . . . . . 101
rentes algoritmos propuestos en el escenario de sombras rápidas. En
4.31. Gráfica de los valores de irradiancia en el escenario sombreado parcial. 103
fotovoltaico en el escenario sombreado parcial. . . . . . . . . . . . . . 104
fotovoltaico y la temperatura ambiente en el escenario sombreado
parcial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
escenario sombreado parcial. . . . . . . . . . . . . . . . . . . . . . . . 105
escenario sombreado parcial. . . . . . . . . . . . . . . . . . . . . . . . 106
ÍNDICE DE FIGURAS xxv
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
xxvi ÍNDICE DE FIGURAS
Índice de tablas
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. . . . . . . . . . . . . . . . . 78
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. . . . . . . . . . . . . . . . . . . 84
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. . . . . . . . . . . . . . . . . . . . . . . 90
de sombras lentas. Se ha resaltado el algoritmo que genera la mayor
cantidad de energı́a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
xxvii
xxviii ÍNDICE DE TABLAS
Glosario
Lista de abreviaturas y acrónimos
AI Artificial Intelligence (Inteligencia Artificial)

ANN Artificial Neural Network (Red Neuronal Artificial)
AM Air Mass (Masa de Aire)
ASR Automated Speech Recognition (Reconocimiento de Voz Automático)
CPU Central Processing Unit (Unidad de Procesamiento Central)
CV Computer Vision (Visión por Ordenador)
CVT Constant-Voltage Techique (Técnica de la Tensión Constante)
DC-DC Direct Current-Direct Current (Corriente Continua-Corriente Con-
tinua)
DL Deep Learning (Aprendizaje Profundo)
EVA Etileno-vinilo-acetato
FF Factor de forma
FLC Fuzzy Logic Control (Control basado en Lógica Borrosa)
FV Fotovoltaico
GPU Graphics Processing Unit (Unidad de Procesamiento de Gráficos)
IC Incremental Conductance (Conductancia Incremental)
IDE Integrated Development Environment (Entorno de Desarrollo Integra-
do)
LMPP Local Maximum Power Point (Punto de Máxima Potencia Local)
MAE Mean Absolute Error (Error Medio Absoluto)
ML Machine Learning (Aprendizaje Automático)
MPP Maximum Power Point (Punto de Máxima Potencia)
xxix
xxx GLOSARIO
MPPT Maximum Power Point Tracker (Seguidor del Punto de Máxima

Potencia)
MSE Mean Squared Error (Error Medio al Cuadrado)
NLP Natural Language Processing (Procesamiento del Lenguaje Natural)
NOCT Normal Operating Cell Temperature (Temperatura Normal Opera-
tiva de la Célula)
PVGIS Photovoltaic Geographical Information System (Sistema de Infor-
mación Fotovoltaica Geográfica)
P&O Perturb & Observe (Perturbar y observar)
STC Standard Test Conditions (Condiciones Estándar de Test)
TMY Typical Meteorological Year (Año Meteorológico Tı́pico)
xxxi
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
NT Número total de células

Pmpp Potencia máxima
T Temperatura
Ta Temperatura ambiente
Tc Temperatura de la célula
V Voltios
Vmpp Tensión de máxima potencia
VOC Tensión en circuito abierto
VT Potencial térmico
vv Velocidad del viento
W Vatios
W/m2 Vatios por metro cuadrado
Wp Potencia pico en vatios
Capı́tulo 1
Introducción
1.1. Contexto
1.1.1. Problemática actual

Los vehı́culos eléctricos están ganando importancia en los últimos años, especial-
mente en el ámbito urbano. Esto está ocurriendo por un cúmulo de factores, siendo
los más destacados la eliminación de emisiones de gases contaminantes, el ruido y
por la reducción de la dependencia del petróleo en la movilidad, pudiendo llegar
a tener una emisión nula de contaminantes atmosféricos si la electricidad que los
mueve es producida a partir de fuentes de energı́a no contaminantes como energı́a
nuclear o renovables.
El peligro de las emisiones de los vehı́culos con motor de combustión
Cuando se quema el combustible en un motor de combustión interna se libera

monóxido de carbono, óxidos de nitrógeno e hidrocarburos. Dichos contaminantes
causan daño al tejido pulmonar y pueden provocar y agravar enfermedades respirato-
rias, como el asma. La contaminación de los vehı́culos de motor también contribuye
a la formación de lluvia ácida.
Los motores diesel son especialmente dañinos. El combustible que utilizan es
una mezcla de componentes del petróleo. Los hidrocarburos que generan pueden
quedar en el aire, formando partı́culas más grandes en la atmósfera cuando entran en
contacto con el polvo u otras partı́culas. Dado que los motores consumen combustible
y aire, generando calor en el proceso, el nitrógeno del aire puede transformarse en
óxidos de nitrógeno, que son gases de color marrón rojizo que irritan los pulmones
y los ojos.
Los motores de gasolina funcionan con un defecto de aire, por lo que, las emisiones
de monóxido de carbono son elevadas. El monóxido de carbono es un gas incoloro e
inodoro que se combina con la sangre y limita su capacidad para transportar oxı́geno.
En dı́as cálidos y soleados, los hidrocarburos reaccionan con óxidos de nitrógeno
para crear un contaminante secundario, el ozono. En muchas áreas urbanas, los
vehı́culos de combustión interna son el principal contribuyente al nivel de ozono a
1
2 CAPÍTULO 1. INTRODUCCIÓN
nivel del suelo, que es un componente común del smog.
El problema de las emisiones de efecto invernadero
La preocupación sobre el medio ambiente ha ido en aumento en los últimos años,

especialmente en conexión con el fenómeno del calentamiento global. La relación
entre el calentamiento global y las emisiones de dióxido de carbono fue estudiada
de manera empı́rica por Sun and Wang [15], demostrando que el aumento de las
emisiones de dióxido de carbono producidas por la combustión de residuos fósiles a
partir de la revolución industrial es una de las principales causas del efecto inverna-
dero, produciendo el calentamiento del planeta, fenómeno que se puede observar en
la figura 1.1.
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]
El problema del agotamiento de los recursos
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:
1. El precio del petróleo no puede descender en exceso por lo limitados que se

encuentran los yacimientos del mismo y por los métodos de extracción, cada
vez más costosos a medida que vaya disminuyendo.
2. Pese a que los datos de las reservas de petróleo pueden ser contradictorios
(desde los años 80 se mantiene que quedan 40 años de petróleo) hay que tener
1.1. CONTEXTO 3
cuidado en su análisis y ser revisadas periódicamente.

3. Finalmente, se debe tener en cuenta que la capacidad de suplir la demanda de
combustible dependerá en gran medida de los futuros desarrollos de métodos
alternativos de propulsión.
Comparación entre un vehı́culo de combustión y uno eléctrico
El avance en la tecnologı́a utilizada en los vehı́culos eléctricos ha sido evidente

en los últimos años, aunque siguen teniendo ciertos problemas que lo colocan en
desventaja frente a los vehı́culos con motor de combustión interna:
Peso: Al igual que en el siglo XX y pese al aumento de energı́a especı́fica de

las baterı́as de litio, el peso de las baterı́as sigue siendo un problema. Como
ejemplo se ha decidido comparar el Volkswagen e-Golf y el Volkswagen Golf,
ambos modelos con un motor de aproximadamente 130 CV (100 kW) y con
unas caracterı́sticas similares a nivel de dimensiones y comodidades. Mientras
que el Golf pesa sin conductor 1317 kg, el e-Golf alcanza un peso de 1615 kg,
300 kg más que el modelo no eléctrico.
Precio: Usando como ejemplo los mismos modelos anteriores con acabados si-
milares. El Volkswagen Golf tiene un precio de 31.110 euros mientras que el
Volkswagen e-Golf 32.985 euros. A este precio se deben añadir el mantenimien-
to y especialmente el cambio de baterı́a, que puede llegar a ser muy costosa
(5.000 euros cada 8 años que es la duración media de la baterı́a).
Y finalmente, el problema de la autonomı́a.
El problema de la autonomı́a
En el ejemplo expuesto en el apartado anterior, el modelo eléctrico tiene una

autonomı́a de 232 km, mientras que el modelo con motor de combustión, teniendo
en cuenta que el volumen del depósito de combustible es de 50 l y tiene un consumo
medio de 5.4 l/100 km, permite recorrer una distancia de aproximadamente 925 km
hasta depósito vacı́o. Una cifra muy superior a la autonomı́a del mismo modelo en
su variante eléctrica.
1.1.2. El vehı́culo eléctrico solar

En estos últimos años se han estudiado diferentes opciones a la hora de aumentar
la autonomı́a de los vehı́culos eléctricos, como el uso de baterı́as avanzadas con mayor
capacidad de almacenamiento de energı́a (aunque se produce un incremento de peso),
la mejora de la eficiencia del frenado regenerativo o, aunque menos extendido, el uso
de paneles solares en la superficie del vehı́culo.
Un vehı́culo eléctrico solar presenta numerosas ventajas frente al coche eléctrico
tradicional, permitiendo el uso de baterı́as más pequeñas y una mayor autonomı́a
al utilizar la energı́a obtenida a través de los módulos fotovoltaicos instalados en la
superficie del vehı́culo.
Un vehı́culo eléctrico solar tiene los siguientes componentes principales:
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
irradiancia incidente en cada módulo fotovoltaico cambia de manera repentina. Esta

dificultad es notable especialmente al aplicar sistemas de control clásicos. Dichos
sistemas no son eficientes al estar desarrollados pensando en plantas de generación
estáticas, donde los valores de irradiancia son constantes en todos los paneles foto-
voltaicos.
Un ejemplo de algoritmo clásico es el Perturb & Observe (P&O), este algoritmo
realiza iteraciones aumentando o disminuyendo la tensión de polarización del sistema
FV buscando el punto de máxima potencia. El problema está ocasionado por la
lentitud en el seguimiento del punto de máxima potencia, llegando a tardar segundos
en estabilizarse. En condiciones de irradiancia cambiante no realizará el seguimiento
de manera efectiva, estando en una continua transición sin poder estabilizarse, no
siendo eficiente.
Este trabajo se centra en el desarrollo de varios algoritmos seguidores del punto
de máxima potencia para un sistema fotovoltaico integrado en un vehı́culo eléctrico
solar. Se exploran varios algoritmos basados en redes neuronales para la obtención
de la mayor cantidad de energı́a. Estos algoritmos serán optimizados para la pro-
blemática del vehı́culo eléctrico.
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:
Obtención de un algoritmo de cálculo del punto de máxima potencia en un

módulo solar instalado en la superficie de un vehı́culo utilizando redes neuro-
nales utilizando la librearı́a Python Keras.
Evaluación de distintos modelos variando los parámetros de entrada de la red

neuronal (tensiones, temperaturas, intensidades, irradiancias, etc...) y carac-
terı́sticas propias de la red (número de capas).
Definir escenarios urbanos de referencia de las condiciones de operación de

sistemas FV integrados en vehı́culo eléctrico.
Optimización y comparación con métodos clásicos de seguimiento del punto

de máxima potencia a través de las pérdidas energéticas sufridas en distintos
escenarios de referencia para un uso urbano del vehı́culo, con cambios bruscos
de irradiancia y condiciones de sombreado parcial.
1.4. Estructura del documento

A continuación y para facilitar la lectura del documento, se detalla el contenido
de cada capı́tulo.
En el capı́tulo 1 se realiza una introducción a la movilidad eléctrica, presentando

sus problemas actuales y una posible solución, además de los objetivos del
trabajo actual.
En el capı́tulo 2 se hace una introducción a la obtención de energı́a eléctrica
a partir de la energı́a solar y un repaso del estado del arte de los métodos
utilizados en el estudio. También se realiza un análisis de las investigaciones
previas con mayor peso en el actual trabajo.
En el capı́tulo 3 se explica de manera detallada cada una de las herramientas
utilizadas en el desarrollo del trabajo, incluyendo programas y servicios junto
a la explicación del proceso seguido en la creación del conjunto de datos y el
entrenamiento con los mismos de la red neuronal formando el MPPT.
En el capı́tulo 4 se presentan los resultados del estudio.
En el capı́tulo 5 se analizan los resultados obtenidos y se realizan conclusiones
al respecto, incluyendo posibles trabajos futuros
Capı́tulo 2
Estado del arte
En este capı́tulo se presenta una introducción a la obtención de energı́a solar

fotovolatica y del estado de la tecnologı́a actual en los algoritmos MPPT ası́ como
una introducción a la inteligencia artificial.
2.1. Radiación solar

Antes del desarrollo de los métodos aplicados se debe realizar una introducción
a la energı́a solar y a la obtención de energı́a eléctrica a partir de la misma.
El contenido de este apartado está basado en la información localizada en el libro
escrito por Perpiñán [12], que ha sido de gran ayuda para la realización del trabajo.
2.1.1. Geometrı́a solar

El movimiento terrestre está compuesto por una traslación alrededor del sol si-
guiendo una elipse y un movimiento de rotación sobre el eje polar del mismo. Dicho
eje polar es perpendicular al plano ecuatorial terrestre. Entre dicho eje polar y el
plano que forma la elipse hay un ángulo constante de 23,45°, sin embargo, el ángulo
entre el plano ecuatorial y la lı́nea normal entre la Tierra y el Sol es variable a lo
largo del año, lo que ocasiona las estaciones. Este ángulo es denominado declina-
ción y puede ser calculado de manera aproximada mediante la siguiente ecuación
propuesta por Cooper [3]:

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]
Movimiento aparente del Sol
El movimiento combinado de rotación y traslación que realiza la Tierra es percibi-

do como un movimiento del Sol atravesando la bóveda celeste respecto a la superficie
terrestre. Su movimiento respecto de la superficie de la Tierra puede ser descrito me-
diante ecuaciones teniendo en cuenta la pertenencia a un meridiano y su distancia
angular al plano ecuatorial.
El meridiano es un arco imaginario que recorre la superficie terrestre de mane-
ra perpendicular al plano ecuatorial desde el polo Norte hasta el polo Sur. Cada
meridiano representa una longitud en la superficie terrestre. El sol se encuentra en
el punto más alto respecto a un punto de la superficie terrestre cuando atraviesa
el meridiano correspondiente a la longitud del punto en cuestión. Este momento
ocurre en el mediodı́a solar, cuando todos los puntos pertenecientes a ese meridiano
observan al Sol en un punto intermedio entre el amanecer y su puesta.
Del mismo modo, la intersección entre los planos paralelos al plano ecuatorial con
la superficie terrestre define los cı́rculos de latitud (puntos con la misma distancia
angular al ecuador), teniendo en cuenta que el plano ecuatorial divide la Tierra en
dos hemisferios, se debe seguir un criterio de signos, la latitud será positiva si se
encuentra al Norte del ecuador y negativa si se encuentra al Sur.
2.1. RADIACIÓN SOLAR 9
Para la descripción de la posición del Sol con respecto a un punto de la superficie

terrestre se hace uso de dos ángulos que describen con exactitud su posición:
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.
2.1.2. Tipos de radiación solar

Radiación incidente en la atmósfera terrestre
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:
B0 (0) = B0 · ϵ0 · cos(θzs ) (2.3)
El valor calculado con la ecuación 2.3 es denominado irradiancia extra-atmosférica

o extra-terrestre en el plano horizontal y representa el valor lı́mite alcanzable en la
superficie terrestre en un plano horizontal. A partir de la ecuación 2.3 se puede
calcular la irradiancia diaria extra-atmosférica.
Radiación solar tras atravesar la atmósfera
La radiación solar en su paso por la atmósfera es afectada por distintos procesos

de reflexión, atenuación y difusión. La reflexión producida en las nubes disminuye
la cantidad de radiación que llega a la superficie terrestre mientras que la absorción

por vapor de agua, ozono, CO2 y aerosoles principalmente, que producen atenuación
y modifican sus caracterı́sticas espectrales.
Teniendo en cuenta todos los procesos descritos anteriormente se define la masa
de aire (AM, Air Mass) como la relación entre el camino que recorren los rayos
solares a través de la atmósfera y el camino que recorrerı́an en caso de incidencia
vertical. La irradiancia disminuye con la masa de aire, que depende de la inclinación
del sol y, por lo tanto, de la hora del dı́a:
1
AM = (2.4)
cos(θzs )
Finalmente, para el cálculo de irradiancia que incide en una superficie sobre la

corteza terrestre (denominada irradiancia global) se deben considerar las contribu-
ciones de tres diferentes radiaciones:
Radiación directa: Es la radiación que incide de manera directa en la super-

ficie y sigue la lı́nea recta que une la superficie en cuestión con el Sol.
Radiación difusa: Es la radiación procedente del cielo que incide desde cual-
quier punto exceptuando la radiación directa. Este tipo de radiación depende
de las condiciones atmosféricas, especialmente del tipo y distribución de nubes
en la bóveda celeste.
Radiación de albedo: Es la fracción de radiación que procede de la reflexión
de los rayos solares con el suelo y las superficies circundantes (como edificios
cercanos), suele ser despreciable.
La suma de los tres componentes de la radiación consituye la irradiancia global.
Obtención de datos de radiación
Para la obtención de datos de radiación se hace uso de estaciones terrestres que

realizan la medición mediante piranómetros (medición directa de la radiación glo-
bal y de la radiación difusa de manera indirecta) y pirheliómetros (medición de la
radiación directa). Los datos de radiación también pueden ser estimados a partir de
imágenes de satélite. Toda la información recogida suele estar disponible en bases
de datos gratuitas o de pago accesibles en Internet. Por ejemplo, en el presente tra-
bajo se ha hecho uso de los datos disponibles en la base de datos de la Comisión
Europea, pudiendo acceder a ella a través de la herramienta PVGIS (Photovoltaic
Geographical Information System) [2].
Radiación incidente en sistemas fotovoltaicos
La potencia entregada por un generador fotovoltaico es directamente proporcional

a la radiación efectiva que incide en él. Dicha radiación efectiva tiene en cuenta las
pérdidas por reflexión. Se debe considerar que en ausencia de sombras y en un dı́a de
cielo despejado, la radiación directa es, por lo general, muy superior a la radiación
2.2. TECNOLOGÍA SOLAR FOTOVOLTAICA 11
difusa y que dichas pérdidas disminuyen si la inclinación de la superficie que capta

la radiación está correctamente elegida.
2.2. Tecnologı́a solar fotovoltaica
2.2.1. Efecto fotovoltaico

Este efecto está basado en la excitación de electrones y la absorción de fotones,
dando una descripción del llamado efecto fotovoltaico, fenómeno en el que se basa la
producción de energı́a mediante células solares. El trabajo de Einstein [4] describió
cómo la energı́a de la luz se transmitı́a en paquetes cuya energı́a depende linealmente
de su frecuencia. Por lo tanto, la energı́a que ganan los electrones aumenta lineal-
mente según la frecuencia de la luz incidente. La energı́a de un fotón se cuantifica
mediante la siguiente ecuación:
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.
2.2.2. Funcionamiento de una célula solar

El funcionamiento de las células solares se basa en el efecto fotovoltaico y están
compuestas por uniones pn de semiconductor, en general silicio. La luz que incide en
una célula solar produce una corriente y un voltaje. La absorción de la luz excita a un
electrón a un estado de energı́a superior. Posteriormente se produce el movimiento
de dicho electrón hasta un circuito externo, donde disipa su energı́a y vuelve a la
célula solar. La corriente total generada se expresa como:
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.
Las células solares de silicio pueden ser de tipo monocristalinas, policristalinas o

amorfas. La diferencia entre ellas radica en la disposición de los átomos de silicio.
Existe, además, una diferencia en la eficiencia. Las células solares de silicio mono-
cristalino y policristalino tienen el más alto nivel de eficiencia con respecto a las de
silicio amorfo. En la parte superior de la célula se encuentran los contactos de metal
frontales con una capa de antirreflectante, que da a la celda solar su tı́pico color
azul.
2.2.3. Dependencia de la corriente y la tensión con las con-

diciones de operación
La generación de potencia en una célula depende de manera directa de sus condi-

ciones de operación, es decir, los valores de tensión e intensidad que genera la célula
vienen determinados por la irradiancia que incide sobre ella y la temperatura a la
que se encuentra la célula.
La tensión en bornes de la célula varı́a de manera logarı́tmica con la irradiancia
incidente, mientras que la corriente generada por la célula varı́a de manera lineal.
Este fenómeno se puede observar en la figura 2.2.
Figura 2.2: Curva I-V del módulo fotovoltaico empleado en el trabajo con diferentes valores de
irradiancia incidiento sobre él.
En cambio, la tensión en bornes de la célula y la corriente generada varı́a lineal-

mente con la temperatura, como se puede ver en la figura 2.3.
° °
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.
2.2.4. Parámetros de una célula solar
Los parámetros caracterı́sticos de una célula solar son medidos en laboratorio en

unas condiciones muy especı́ficas denominadas condiciones estándar (STC, Standard
Test Conditions). Dichas condiciones son las siguientes:
Irradiancia: GST C = 1000 W/m2 .
Temperatura de la célula: TC = 25°C.
Masa de aire: AM = 1.5.
Las caracterı́sticas técnicas de la célula suministradas por el fabricante de la misma

son las siguientes:
Curva I-V: La curva I-V es la curva caracterı́stica de la célula solar y es

la caracterı́stica técnica más importante. Representa los valores de tensión y
corriente medidos experimentalmente de la célula en condiciones estándar. A
partir de ella se obtienen los valores de tensión e intensidad más representativos
de la célula, como la tensión e intensidad de máxima potencia (Vmpp e Impp ),
ası́ como la tensión en circuito abierto (VOC ) y la intensidad de cortocircuito
(ISC ). Todas estas variables se encuentran reflejadas en la figura 2.4.
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.
Potencia máxima (Wp ): También conocida como potencia pico de la célula,

es la potencia máxima que puede entregar la célula en condiciones estándar
(STC, Standard Test Conditions). A partir de este valor de potencia se definen
la tensión de máxima potencia (Vmpp ) y la intensidad de máxima potencia
(Impp ).
Intensidad de cortocircuito (ISC ): Se genera cuando la célula se encuentra
cortocircuitada. Al cortocircuitarse, no existe corriente de oscuridad, por lo que
la corriente en la célula se debe únicamente a la fotocorriente.
Tensión en circuito abierto (VOC ): A partir del valor de tensión umbral
donde comienza a conducir un semiconductor, la corriente disminuye hasta al-
canzar un valor nulo, quedando en equilibrio las dos intensidades (fotocorriente
y la corriente de oscuridad) este equilibrio permite poder medir la tensión de
circuito abierto en los terminales de la célula.
Factor de forma: Es la relación entre el área del cuadrado formado mul-
tiplicando Vmpp e Impp (Pmpp ) y el área del cuadrado formado mediante la
multiplicación de VOC e ISC .
Vmpp · Impp
FF = (2.7)
VOC · ISC
El valor habitual es de 0.7-0.8 dependiendo de la célula, siendo más cercano a
la unidad cuanto más pronunciado sea el codo en el punto de máxima potencia.
Eficiencia: Es la capacidad de conversión de la potencia solar recibida a po-
tencia aprovechable. Se calcula según la siguiente ecuación:
Vmpp · Impp
η= (2.8)
G · Acelula
Siendo G la irradiancia que recibe la célula y Acelula el área de la célula.
Coeficientes de temperatura: La temperatura de la célula solar tiene un
efecto directo sobre su capacidad para generar energı́a. El impacto de la tem-
peratura sobre la eficiencia de la célula solar se refleja a través de los coeficientes
de temperatura. Expresado como la disminución porcentual en la producción

por cada aumento de 1 °C en temperatura desde 25 °C. Las células solares se
prueban para determinar su eficiencia a 25 °C. Que es la temperatura de la cel-
da de las condiciones de prueba estándar (STC). Y con cualquier aumento de
temperatura por encima de los 25 ° C se deben considerar pérdidas de potencia.
Del 1 % por cada aumento de 2 °C.
Dimensiones: Son las dimensiones de la célula, debe incluir altura, anchura,
profundidad, diagonal, número de barras colectoras y su anchura.
2.2.5. Temperatura de operación de la célula

La temperatura de operación de la célula depende del balance de potencias de
la misma, ya que la célula recibe potencia luminosa y únicamente aprovecha una
fracción de la potencia recibida (siendo reflejada el resto). De la potencia captada
por la célula, parte es convertida en electricidad y, por lo tanto, es aprovechada,
pero otra parte es transformada en calor y pasa al entorno.
Se puede aproximar la temperatura de la célula suponiendo que la temperatura
de la misma respecto a la temperatura ambiente depende linealmente de la irradian-
cia incidente. Para tener en cuenta factores propios de la célula como el modo de
instalación, velocidad del viento, humedad, etc..., se hace uso de un factor denomi-
nado temperatura de operación nominal de célula (TONC), que es definida como
aquella temperatura que alcanza una célula cuando su módulo se encuentra en las
siguientes condiciones, denominadas condiciones normales:
Irradiancia: G = 800 W/m2 .

Temperatura ambiente: Ta = 20°C.
Masa de aire: AM = 1.5.
Incidencia normal a la superficie.
Velocidad del viento: vv = 1 m/s.
La ecuación para el cálculo de la temperatura de la célula según temperatura

ambiente (Ta ) e irradiación incidente (Gef ) es:
N OCT − 20
Tc = Ta + Gef · (2.9)
800
2.2.6. Asociación de células: módulo fotovoltaico

La potencia generada en una única célula no es lo suficientemente elevada para
prácticamente ninguna aplicación real, por lo que se deben agrupar las células en
serie/paralelo para conseguir una entrega de potencia significativa. Se denomina
módulo fotovoltaico a la asociación de células protegidas fı́sicamente de la intemperie
y aisladas eléctricamente del exterior, aportando rigidez estructural al conjunto.
En los módulos fotovoltaicos se suelen asociar células en serie formando cadenas y
posteriormente se conectan varias cadenas en paralelo dependiendo de los valores de

intensidad y tensión objetivo del módulo.
El número de células conectadas en serie y o paralelo depende de los valores de
potencia, tensión e intensidad que se esperan obtener del módulo fotovoltaico en su
totalidad, de manera que:
La tensión de circuito abierto (VOC ) debe ser igual a:
VOC = NS · VOC (célula) (2.10)
Siendo NS el número de células conectadas en serie en una cadena.

La tensión de máxima potencia (Vmpp ) debe ser parecida a:
Vmpp = NS · Vmpp (célula) (2.11)
En caso de células idénticas e iluminación uniforme, la corriente de cortocircuito

(ISC ) podrı́a estimarse ası́:
ISC = NP · ISC (célula) (2.12)
Siendo NP el número de cadenas conectadas en paralelo.

La intensidad de máxima potencia (Impp ) debe ser igual a:
Impp = NP · Impp (célula) (2.13)
En caso de células idénticas e iluminación uniforme, la potencia total del módulo

fotovoltaico (Wp ) podrı́a estimarse mediante:
WP = NT · WT (célula) (2.14)
Siendo NT el número total de células.
Por lo general, la asociación de células es encapsulada por dos capas de etileno-

vinilo-acetato (EVA) entre una lámina de vidrio y una capa de polı́mero. Este con-
junto suele estar enmarcado con una estructura de aluminio para aumentar la re-
sistencia mecánica del conjunto, pero en una instalación de módulos fotovoltaicos
sobre la superficie de un vehı́culo no serı́a necesario.
2.2.7. El problema del sombreado parcial

Cuando en una agrupación en serie (cadena) de células, una o varias de ellas
no es capaz de alcanzar el mismo nivel de fotocorriente que el resto, porque sus
caracterı́sticas difieran del resto, por averı́a o por el sombreado de dicha célula, se
produce un punto caliente, alterando su funcionamiento y pudiendo ocasionar la
averı́a del módulo. La averı́a se producirı́a porque algunas de las células del módulo
en cuestión quedarı́a polarizado inversamente, lo que ocasionarı́a el consumo de la
potencia generada en el resto de las células y calentándose, pudiendo quemar los
materiales encapsulantes que la rodean ası́ como destruirse ella misma.
2.3. SISTEMA FOTOVOLTAICO PARA VEHÍCULOS ELÉCTRICOS 17
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
Para proteger al módulo parcialmente sombreado se recurre a diodos de paso

conectados en paralelo a la agrupación serie de las células, para que la corriente
circule por el diodo y no por la célula afectada, evitando que consuma la potencia
generada en el resto de células. Los diodos de paso permiten que la tensión negativa,
a la que esté polarizada la célula afectada, no disminuya por debajo del valor de
tensión umbral del diodo 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. Sistema fotovoltaico para vehı́culos eléctricos

En el capı́tulo anterior se enumeraron los componentes principales de un vehı́culo
eléctrico solar. A continuación se van a desarrollar cada uno de los componentes
utilizados para el aprovechamiento de la energı́a eléctrica generada en los módulos

fotovoltaicos, es decir, los componentes del sistema fotovoltaico (FV):
2.3.1. Módulo fotovoltaico

Parte de la superficie del vehı́culo debe ser cubierta por una asociación de células
solares formando un gran módulo fotovoltaico que permita el aprovechamiento de la
irradiancia incidente sobre la carrocerı́a del vehı́culo.
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.
2.3.3. Conversor DC-DC

El conversor DC-DC permite alterar la tensión a la que se polariza el panel
para ası́ permitir la entrega de la máxima potencia. El conversor DC-DC tiene dos
funciones esenciales:
Controlar la tensión de polarización del módulo (o submódulos) para obtener

ası́ la máxima potencia.
Controlar la tensión de salida para una correcta carga de la baterı́a o aprove-
chamiento directo de la potencia generada en el motor eléctrico del vehı́culo.
El conversor DC-DC más utilizado es el circuito Boost converter (ver figura 2.7).
Figura 2.7: Circuito Boost Converter para el aumento de la tensión en la carga.
Este circuito permite el aumento de la tensión a la que se encuentra conectada

la carga para ası́ aumentar la corriente que lo atraviesa, alterando ası́ el punto del
trabajo de los módulos fotovoltaicos. Este cambio en el punto de trabajo se realiza
con el objetivo del aumento de la potencia que entrega el sistema fotovoltaico. La
2.3. SISTEMA FOTOVOLTAICO PARA VEHÍCULOS ELÉCTRICOS 19
entrada del convertidor es una señal PWM (Pulse Width Modulation) que controla
el transistor de la figura 2.7.
Pulse Width Modulation (PWM)
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
Siendo τ el tiempo en el que la señal se encuentra activa y T el perı́odo de la

señal.
En la figura 2.8 se puede observar el efecto del ciclo de trabajo en una señal
periódica cuadrada.
Figura 2.8: Comparación de señales PWM según el ciclo del trabajo.

2.4. Seguidores del punto de máxima potencia

El sombreado parcial presenta un problema para los algoritmos de seguimiento
del punto de máxima potencia (MPPT, Maximum Power Point Tracking), cuyo ob-
jetivo es el control de la tensión de trabajo aplicada al sistema fotovoltaico para
la obtención de la máxima potencia posible. El problema es especialmente nota-
ble al utilizar algoritmos clásicos como el Perturb & Observe (P&O), que ajusta
la tensión de trabajo mediante iteraciones hasta un punto donde la potencia sea
máxima. Dicho problema ocurre en situaciones de sombreado parcial, donde la cur-
va de Potencia-Tensión suele tener varios máximos locales, pudiendo confundir al
algoritmo y estabilizando la tensión del sistema con un valor de tensión no óptimo
(ver figura 2.9).
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).
El objetivo de los seguidores del punto de máxima potencia es la obtención de la

tensión que produce el MPP, evitando los máximos locales (LMPP en la figura 2.9)
2.4.1. Algoritmos MPPT

A continuación se va a realizar una explicación en profundidad de los algoritmos
seguidores del punto de máxima potencia (MPPT, Maximum Power Point Tracking)
y su función en un sistema fotovoltaico.
La relación I-V de una célula solar es fuertemente no lineal como se puede observar
en la figura 2.4. En la figura 2.10 se puede ver un diagrama de bloques de un sistema
fotovoltaico.
Los algoritmos MPPT son algoritmos utilizados para el cálculo de la tensión de
polarización del módulo, permitiendo que la potencia generada en dicho módulo sea
dP
máxima. La localización de un máximo local viene definida por la condición dV = 0.
2.4. SEGUIDORES DEL PUNTO DE MÁXIMA POTENCIA 21
Sin embargo, pueden existir varios máximos locales en condiciones de sombreado

parcial. La potencia entregada por el módulo FV será considerada máxima cuando
se genere el valor máximo de potencia entre todos los máximos locales. La unidad
dI
de potencia es vatio pico (Wp ), en dicho punto se cumplirá que dV = − VImpp
mpp
.
Figura 2.10: Esquema de un sistema fotovoltaico con MPPT.
De manera general, los algoritmos MPPT pueden dividirse en dos categorı́as

diferentes, métodos directos e indirectos [8]:
Métodos directos: No se requiere tener conocimiento previo de las carac-

terı́sticas del sistema fotovoltaico.
Métodos indirectos: Se requiere tener conocimiento previo de las caracterı́sti-
cas del sistema fotovoltaico al utilizar las relaciones matemáticas del sistema
para maximizar la potencia producida.
También pueden clasificarse según el intercambio de información entre el sistema

fotovoltaico y el algoritmo MPPT, según esta clasificación se distinguen dos métodos
[8]:
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.
2.4.2. Clasificación de algoritmos MPPT

De manera teórica, según Atia [1], el algoritmo MPPT ideal debe poseer las
siguientes caracterı́sticas:
La habilidad de obtener el punto de máxima potencia en situaciones de som-

breado parcial.
La habilidad de responder rápidamente a un cambio en las condiciones climáti-
cas.
Independencia de la configuración de las cadenas de módulos fotovoltaicos.
Que sea un sistema robusto ante perturbaciones meteorológicas y variaciones
de los parámetros del módulo fotovoltaico.
Simplificación en la implementación con baja complejidad computacional y bajo
coste.
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:
Perturb & Observe (P&O): Es un método iterativo relativamente sencillo

y uno de los más utilizados en la actualidad por su simpleza. Es un algoritmo
que utiliza un método directo en lazo cerrado.
El algoritmo utiliza mediciones de la tensión y corriente en el sistema fotovol-
taico para el cálculo de la potencia entregada y comparar los datos actuales con
los obtenidos con la anterior iteración, actuando sobre el ciclo de trabajo del
convertidor DC-DC según el resultado. Para la implementación del algoritmo
se utiliza un circuito boost converter, generando la señal PWM del interruptor
del circuito, controlando ası́ la transmisión de energı́a a la carga. El algoritmo
sigue los siguientes pasos [5]:
Primero, se realiza la medición de la tensión y corriente en el sistema foto-
voltaico y calcula la potencia entregada. Posteriormente, compara el resultado
con la potencia entregada en la anterior iteración y según el resultado obteni-
do, el controlador cambia el ciclo de trabajo del conversor para poder llegar al
punto de máxima potencia. Si la potencia en la iteración actual es mayor que
en la iteración anterior, el controlador mantiene la misma dirección (aumen-
to o disminución) del ciclo de trabajo. Sin embargo, si la potencia es menor,
el controlador cambia la dirección del ciclo de trabajo. Este procedimiento se
encuentra reflejado en el flujo de trabajo del algoritmo en la figura 2.11.
El rendimiento de este método es elevado en un entorno estable, ya que en
situaciones cambiantes el controlador tiene un rendimiento bajo por su con-
tinua adaptación a las nuevas condiciones a las que se encuentra expuesto el
sistema FV. Este algoritmo se puede combinar con otros para una mejora del
rendimiento en situaciones cambiantes.
Figura 2.11: Algoritmo P&O. Fuente: Ponce de León Puig et al. [13]
Conductancia incremental (Incremental conductance, IC): Fue desa-

rrollado para contrarrestar los defectos del método P&O, reduciendo el tiempo
de búsqueda del punto de máxima potencia y aumentando su efectividad en
condiciones cambiantes. Es un algoritmo que utiliza un método directo en lazo
cerrado.
El algoritmo considera la relación caracterı́stica del sistema fotovoltaico entre
corriente y tensión ( −I
V
o −δI
δV
) para el ajuste del controlador y la obtención de
la máxima potencia. El algoritmo hace uso de la curva P-V, donde el MPP
dP
ocurre cuando dV = 0. Sin embargo, este ajuste también se realiza de manera
iterativa mediante pasos fijos, lo que produce que, en condiciones de irradiación
cambiantes, siga siendo lento.
El cambio de voltaje (δV ) e intensidad (δI) serán igual a Vi − Vi−1 y Ii − Ii−1
respectivamente. Se considera que se ha llegado al punto de máxima potencia
cuando −I V
δI
= δV δI
si δV > −I
V
; el punto de máxima potencia se encontrará a
la derecha del punto actual en la curva P-V, en cambio, si δV δI
< −I
V
, el punto
de máxima potencia se encontrará a la izquierda del punto actual [5]. Este
procedimiento se encuentra reflejado en el flujo de trabajo del algoritmo en la
figura 2.12.
Figura 2.12: Algoritmo IC. Fuente: Tan and Kirschen [17]
Constant-Voltage Technique (CV): Esta técnica fuerza el voltaje a la sali-

da del sistema fotovoltaico a un valor fijo suponiendo que la tensión de máxima
potencia es un 76 % de tensión de circuito abierto (VOC ). El inconveniente
principal de este método es que el punto de máxima potencia no siempre se en-
cuentra en dicho valor de tensión, pudiéndose producir un error y una pérdida
de eficiencia. Es un algoritmo que utiliza un método indirecto en lazo abierto.
El diagrama de bloques del algoritmo en cuestión se encuentra en la figura 2.13.
Figura 2.13: Algoritmo CV. Fuente: Eltamaly and Farh [5]
Algoritmos Metaheurı́sticos: Los algoritmos metaheurı́sticos son paradig-

mas de inteligencia computacional que se utilizan para resolver problemas sofis-
ticados de optimización no lineales. La clasificación de algoritmos metaheurı́sti-
cos se puede encontrar en la figura 2.14.
Figura 2.14: Clasificación de algoritmos metaheurı́sticos. Fuente: Atia [1]
Técnicas de Inteligencia Artificial:
Control basado en Lógica Borrosa (FLC, Fuzzy Logic Control ):

Consiste en tres etapas: fuzzification, mecanismo de inferiencia basado en
ciertas reglas y defuzzification. La lógica borrosa es utilizada para mejorar
el rendimiento de otros algoritmos MPPT. En este método las entradas
principales para el entrenamiento del modelo son la temperatura de la
célula y la irradiación que recibe el sistema fotovoltaico. Este método es
más rápido que P&O en situaciones de irradiancia uniforme y permite un
seguimiento efectivo del punto de máxima potencia en condiciones de som-
breado parcial con gran eficiencia [1]. El diagrama de bloques del algoritmo
en cuestión se encuentra en la figura 2.15.
Figura 2.15: Diagrama de bloques del algoritmo FLC. Fuente: Atia [1]
Redes neuronales: Junto con los controladores de lógica difusa, otra

técnica de implementación de MPPT utilizando inteligencia artificial son
las redes neuronales, que también están bien adaptadas para microcontro-
ladores. Las redes comúnmente tienen tres capas: capas de entrada, ocultas
y de salida. El número de nodos en cada capa varı́a y depende del usuario.
Las variables pueden ser parámetros del módulo fotovoltaico como VOC ,
ISC , datos de tensión/intensidad en cada módulo, etc... ası́ como datos
atmosféricos como irradiancia y temperatura, o cualquier combinación de
éstos. La salida suele ser una o varias señales de referencia como una señal
de ciclo de trabajo del convertidor DC-DC o un valor de tensión de refe-
rencia para ası́ operar en o cerca del punto de máxima potencia (MPP).
El vı́nculo entre los nodos se etiqueta con un peso. Para identificar con
precisión el MPP, los pesos de la red neuronal deben determinarse cuidado-
samente mediante un proceso de entrenamiento, mediante el cual se prueba
el sistema fotovoltaico durante meses o años. Posteriormente, se registran
los patrones entre la(s) entrada(s) y la(s) salida(s) de la red neuronal. Dado
que la mayorı́a de los sistemas fotovoltaicos tienen caracterı́sticas diferen-
tes, una red neuronal debe ser entrenada especı́ficamente para el sistema
fotovoltaico utilizado. Las caracterı́sticas de un sistema fotovoltaico tam-
bién cambian con el tiempo, lo que implica que la red neuronal tiene que
ser entrenada periódicamente para garantizar un MPPT preciso. Si bien el
método desarrollado en este trabajo ha sido el presentado anteriormente,
con el fin de introducir al lector en el tema, se va a realizar previamente
una introducción a la inteligencia artificial (AI, Artificial Intelligence) y
a sus aplicaciones. El diagrama de bloques del algoritmo en cuestión se
encuentra en la figura 2.16.
Figura 2.16: Algoritmo MPPT basado en redes neuronales controlando el ci-

clo de trabajo del convertidor. Fuente: https://www.semanticscholar.org/
paper/Performance-analysis-of-neural-network-and-fuzzy-PV-Gupta-Kumar/
affc9991192c0dcc6b151635781cf0a46ed91502 (modificado).
2.5. APRENDIZAJE AUTOMÁTICO Y REDES NEURONALES ARTIFICIALES 27
2.5. Aprendizaje automático y redes neuronales

artificiales
Entre los últimos avances en AI se pueden destacar tres ramas de investigación con
mucho peso en estos últimos años y con unas perspectivas de crecimiento bastante
grandes. Estas tres ramas son:
Reconocimiento de voz automático (ASR, Automated Speech Recog-

nition): Disponible ya con una buena calidad en dispositivos domésticos con
asistente de voz integrado como los dispositivos Echo con el asistente de voz
Alexa integrado.
Procesamiento de lenguaje natural (NLP, Natural Language Proces-

sing ): El ejemplo más avanzado es el proyecto GPT-3 de la fundación Open AI,
que permite la creación de textos a un nivel muy avanzado ası́ como mantener
conversaciones de manera continua.
Visión por ordenador (CV, Computer Vision): Permitiendo el reconoci-

miento de imágenes y la generación de descripciones textuales de su contenido
rápidamente o la creación de rostros totalmente artificiales.
Estas tres ramas están basadas en AI y especialmente en técnicas de DL mediante

redes neuronales.
Es difı́cil hacerse una idea del efecto que producirán las técnicas de inteligencia
artificial en un futuro cercano. Personas como Sundar Pichai, director ejecutivo de
Google, mantiene que la inteligencia artificial tendrá un impacto en la humanidad
tan relevante como el descubrimiento de la electricidad o del fuego [18]. Mientras
que esa afirmación parece, a mi juicio, excesiva, no cabe duda que el desarrollo de
métodos de inteligencia artificial está permitiendo la evolución de las diversas tareas
que pueden realizar máquinas en lugar de seres humanos. Una posible definición de
la AI es ”el esfuerzo para automatizar tareas intelectuales realizadas normalmente
por humanos” [18].
A lo largo del tiempo, a medida que los ordenadores han sido capaces de realizar
más tareas, se han ido cambiando las tareas o tecnologı́as consideradas ”inteligentes”.
Desde los años 50 la inteligencia artificial ha experimentado oleadas de optimismo
seguidas por decepciones y pérdidas de interés. El término ”inteligencia artificial”
se utilizó por primera vez por John McCarthy en la década de los 50 quien es
considerado uno de los padres de la AI junto con Marvin Minsky [18].
Actualmente estamos de nuevo en una época de gran interés, con proyectos muy
costosos financiados por empresas importantes, lo que está permitiendo el desarrollo
actual de la tecnologı́a. Del mismo modo, gracias al desarrollo de hardware a lo
largo de los años se ha permitido que la alta carga computacional necesaria para
el entrenamiento de modelos de AI sea cada vez más accesible, con tiempos de
entrenamiento reducidos. Asimismo, otro factor clave que explica el actual desarrollo
de la inteligencia artificial es la disponibilidad de datos para el entrenamiento de
modelos de AI en internet. Esta ”facilidad” para encontrar datos de numerosas
ramas permite que la inteligencia artificial se aplique en múltiples ámbitos, como

robótica, energı́a, finanzas, etc...
Es importante remarcar que, hasta el año 2012, el incremento en la capacidad de
computación se producı́a gracias a las mejoras producidas en el desarrollo de la CPU
(Central Processing Unit). Sin embargo, desde entonces, el incremento de capacidad
de los modelos que hacen uso de redes neuronales no se ha producido únicamente
por la CPU sino también por el desarrollo de sistemas paralelos basados en acele-
radores GPU (Graphics Processing Unit), mucho más eficientes que las CPU para
ciertos tipos de cálculo. Este hardware está diseñado para acelerar el renderizado
de videojuegos en 3D. Dicha tarea requiere de gran velocidad en la realización de
un elevado número de cálculos, incluyendo cálculos sobre matrices. Por lo tanto,
este tipo de hardware especializado en operaciones paralelas con matrices es óptimo
para cálculos matemáticos con grandes matrices numéricas, como por ejemplo, el
entrenamiento de modelos que hacen uso de redes neuronales.
2.5.1. Machine Learning

El aprendizaje automático (ML, Machine Learning) se podrı́a definir como el
subcampo de la AI que permite que, con la práctica, se ayude a un software a llevar a
cabo una tarea sin programación ni reglas concretas. En la programación informática
tradicional, un programador especifica las reglas que la computadora debe usar. Sin
embargo, el ML implica otra forma de pensar. El ML del mundo real se centra mucho
más en el análisis de datos que en la programación. Los programadores proporcionan
una serie de ejemplos al sistema, y éste aprende patrones a partir de los datos. Se
puede considerar el aprendizaje automático como una ”programación con datos”.
Cabe decir que el ML consiste en el desarrollo de un algoritmo de predicción
para cada caso particular, localizando patrones en los datos y pudiendo predecir o
clasificar nuevos elementos.
Existen diversos enfoques para realizar el aprendizaje automático de las máquinas
según el tipo de problema a solucionar. Cada uno es una estructura algorı́tmica
diferente según los datos recibidos. Podemos distinguir los tres algoritmos siguientes:
Aprendizaje supervisado (supervised learning ): Cuando los datos utili-

zados para el entrenamiento del modelo incluyen la solución deseada (etiqueta),
de manera que, una vez entrenado, determine correctamente las etiquetas de
nuevos datos de entrada.
Aprendizaje no supervisado (unsupervised learning ): Cuando los datos

utilizados para el entrenamiento del modelo no incluyen la solución deseada, de
manera que el algoritmo intentará la clasificación de la información por sı́ solo.
Aprendizaje por refuerzo (reinforcement learning ): Cuando el modelo

se implementa como un agente que debe explorar un entorno desconocido y
se entrenará mediante el método prueba y error, a través de recompensas o
penalizaciones, ideando la mejor estrategia para obtener la mayor recompensa
en el menor tiempo.
2.5.2. Deep Learning y redes neuronales

El aprendizaje profundo (DL, Deep Learning) es un algoritmo de Machine Lear-
ning y es considerado uno de los principales motivos de la evolución de la inteligencia
artificial en los últimos años. El DL agrupa una parte de las técnicas de aprendizaje
automático (ML) utilizando modelos basados en redes neuronales y cuya aplicabili-
dad se ha mostrado de manera reciente.
Los algoritmos de DL se basan en redes neuronales artificiales, que simulan la
actividad de las neuronas en la corteza cerebral. Estas redes aprenden estructuras
jerárquicas y niveles de representación y abstracción para comprender patrones de
datos. Las abstracciones de nivel superior se definen como la composición del con-
junto de las abstracciones de nivel inferior. Esta abstracción por niveles es clave para
la representación de las caracterı́sticas de los datos de entrenamiento del modelo,
permitiendo que aprenda funciones complejas sin dependencia del exterior.
Un modelo de DL define las relación entre las caracterı́sticas utilizadas en la
entrada de la red neuronal con su salida óptima. Un modelo de DL debe atravesar
las siguientes fases:
Fase de entrenamiento: Es la fase en la que el modelo aprende las relaciones

entre las caracterı́sticas y su resultado esperado. El aprendizaje se realiza in-
troduciendo muestras de datos a la entrada del modelo y comparando su salida
con la salida esperada.
Fase de inferencia o predicción: Es la fase donde se utiliza el modelo ya

entrenado para realizar predicciones utilizando muestras sin valor de salida
especificado.
El perceptrón
En 1957, Frank Rosenblatt ideó un prototipo de algoritmo de clasificación con la

arquitectura más sencilla que puede tener una red neuronal. Lo denominó perceptrón
(Perceptron) y estaba basado en los trabajos del neurofı́sico Warren McCulloch y el
matemático Walter Pitts, que propusieron un modelo de neurona artificial basándose
en una neurona biológica. El perceptrón se basa en una o varias entradas numéricas
con un peso asociado a cada una. Después se aplica una función de activación al
resultado de la suma de las entradas, generando una salida también numérica [18].
El perceptrón es la red neuronal más simple al tener únicamente una capa con
una neurona. Las redes neuronales artificiales actuales son mucho más complejas al
estar compuestas de varias neuronas artificiales (perceptrones) dispuestos en capas,
que a su vez se encuentran conectadas con otras capas. La función que determina el
comportamiento de cada neurona es la siguiente [7]:
m
X
f (z) = (wi xi ) + b (2.16)
i=1
La salida del perceptrón sigue una función de activación (ver apartado siguiente) y
puede simplificarse de la manera siguiente:

(
0, f (z) < 0
y=
1, f (z) ≥ 0
Donde m es el número de neuronas de la capa anterior, wi es el peso asociado a

cada neurona i de la capa anterior, xi es el valor de salida de cada neurona i de la
capa anterior, b es el umbral de activación de la neurona, que representa el grado
de inhibición de una neurona y es independiente de las señales de entrada de la
neurona.
Funciones de activación
La función de activación de un perceptrón sirve para introducir no linealidad en

las capacidades de modelado de la red. Las funciones de activación más comunes
son las siguientes:
Linear : Es la función identidad por lo que la señal no cambia. Está represen-

tada en la figura 2.17.
Figura 2.17: Función de activación linear.
Sigmoid : Es la función ( 1+e1−x ). Convierte variables independientes de rango

casi infinito en probabilidades entre 0 y 1. Está representada en la figura 2.18.
Figura 2.18: Función de activación sigmoid.
Tanh: Es la función ( sinh

cosh
). A diferencia de la función anterior, el rango de
salida está normalizado entre -1 y 1. Está representada en la figura 2.19.
Figura 2.19: Función de activación tanh.
ReLU : La función de activación Rectified Linear Unit (ReLU) únicamente

activa el nodo si la entrada está por encima de cierto umbral. A partir de dicho
valor es igual que la función Linear. Está representada en la figura 2.20.
Figura 2.20: Función de activación ReLU.
Softmax : En lugar de clasificar en binario, la salida puede contener múltiples

lı́mites de decisión. La función Softmax devuelve la distribución de la probabi-
lidad sobre clases de salida mutuamente excluyentes. Se suele encontrar en la
capa de salida de una red clasificadora.
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
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).
2.6. Entrenamiento de redes neuronales

El proceso de aprendizaje en una red neuronal consiste en encontrar los valores
adecuados para los parámetros de cada neurona (wi y b). Dichos parámetros ”entre-
nables” se inicializan por defecto con valores aleatorios y su valor se va ajustando de
manera gradual en cada iteración del entrenamiento. Como resultado se puede decir
que los parámetros contienen la informaión aprendida por la red y la relación entre
caracterı́sticas de entrada y la ”etiqueta” de salida en los datos de entrenamiento.
Para controlar la salida de una red neuronal se debe medir el error producido
por la red en cada predicción. La medición del error se realiza mediante la función
de pérdida, que analiza las predicciones generadas por la red y el valor verdadero
(etiqueta) y calcula el error cometido en esa muestra en concreto. El objetivo es el
aprovechamiento de la medida del error cometido como realimentación del sistema
para el ajuste de los parámetros. Este ajuste es realizado por el optimizador que
implementa la retropropagación del error para el ajuste de los parámetros. Final-
mente, con cada muestra de entrada procesada por la red los pesos se ajustan en la
dirección correcta y el error se reduce.
2.6.1. Proceso iterativo de aprendizaje

El algoritmo de aprendizaje de una red neuronal es un proceso iterativo de ida
y vuelta a través de todas las capas que forman la red neuronal. A la ida se le
2.6. ENTRENAMIENTO DE REDES NEURONALES 33
conoce como forward propagation y a la vuelta, como back propagation. El proceso

del aprendizaje consiste en:
1. El algoritmo comienza con una serie de valores aleatorios de los parámetros de

la red ”entrenables”.
2. Se elige un conjunto de ejemplos de datos de entrada (lotes) y se introducen
en la red para obtener su predicción. Este proceso es el denominado forward
propagation.
3. Mediante la función de pérdida (loss) se calcula el error en la estimación com-
parando las predicciones obtenidas con los valores de las etiquetas esperadas,
midiendo cuán buena o mala ha sido la predicción.
4. La información del error cometido es propagada hacia atrás (back propagation).
Partiendo de la capa de salida, la información se propaga hacia todas las neu-
ronas desde la capa de salida a la capa de entrada hasta que todas las neuronas
de todas las capas hayan recibido la señal del error cometido.
5. Se realiza el ajuste de los pesos de las conexiones entre neuronas para que el
error cometido se reduzca en futuras iteraciones. El ajuste de los parámetros se
realiza mediante la técnica del descenso del gradiente (Gradient Descent), que
será explicada posteriormente.
6. Se repiten los pasos anteriores hasta que se considere que se tiene un buen
modelo.
Función de pérdida
Una función de pérdida es necesaria para evaluar cada iteración en el proceso

de entrenamiento. La elección de la función de pérdida debe ser consecuente con el
problema especı́fico que se esté modelando.
Por ejemplo, si se está realizando un modelado de un problema de clasificación,
la función de pérdida debe comparar el valor categórico de la salida con el valor
categórico obtenido a la salida de la red neuronal.
En cambio, si se realiza el modelado de un problema de regresión, la función de
pérdida puede realizarse de dos maneras:
Mean Absolute Error : Calcula el error absoluto medio en el conjunto de

predicciones en cada remesa de datos. Su valor se obtiene con la siguiente
ecuación: n
1X
M AE = |yi − y i | (2.17)
n i=1
Mean Squared Error : Calcula la media de las diferencias al cuadrado en-

tre los valores reales y los pronosticados. Su valor se obtiene con la siguiente
ecuación: n
1X
M SE = (yi − y i )2 (2.18)
n i=1
Algoritmo de descenso del gradiente
El algoritmo de descenso del gradiente es un algoritmo genérico que permite

encontrar soluciones óptimas a una amplia gama de problemas. La idea general es el
ajuste de parámetros de forma iterativa para minimizar una función de pérdida.
Este algoritmo aprovecha que las operaciones realizadas en la red neuronal son
diferenciables y permite el cálculo del gradiente de la función de pérdida con respecto
a los parámetros de la red neuronal.
El descenso del gradiente usa la primera derivada de la función de pérdida cuan-
do realiza la actualización de los parámetros. El proceso consiste en encadenar la
derivada de la función de pérdida con las derivadas de cada capa dentro de la red
neuronal. La cadena de funciones se puede derivar aplicando la regla de la cadena.
La aplicación de la regla de la cadena da lugar al algoritmo de backpropagation,
que realiza la diferenciación inversa. En la retropropagación se realiza la diferencia-
ción simbólica mediante la aplicación de la regla de la cadena a todas las neuronas
de todas las capas para calcular la contribución de cada parámetro en el valor del
error.
En cada iteración, se actualizan los valores de los parámetros en sentido contrario
al que indica el gradiente, ya que el gradiente siempre apunta al sentido donde se
incrementa la función de pérdida. Para la determinación del siguiente valor del
parámetro, el algoritmo modifica su valor inicial para ir en sentido contrario al del
gradiente, añadiéndole una cantidad proporcional.
El algoritmo repite este proceso acercándose cada vez más al mı́nimo de la función
de pérdida hasta que se llega a un punto más allá del cual el valor del error no puede
disminuir, es decir, un mı́nimo global de la función.
2.6.2. Uso de redes neuronales como algoritmo MPPT

El uso de redes neuronales como algoritmo MPPT es un método relativamente
novedoso para la obtención del punto de máxima potencia en sistemas fotovoltaicos.
Se hace uso de una red neuronal entrenada previamente y la salida de la red neuronal
puede ser la tensión de máxima potencia [14], el ciclo de trabajo de un convertidor
DC-DC [10], etc...
El principal problema del uso de redes neuronales como MPPT se produce porque
se requiere una toma de datos previa de los parámetros del panel, ası́ como la
obtención de curvas I-V para poder extraer el punto de máxima potencia mediante
el tratamiento de los datos obtenidos y sus caracterı́sticas asociadas al mismo, para
poder realizar el entrenamiento del modelo.
La red neuronal debe ser capaz de encontrar el punto de máxima potencia real
(sin ser un máximo local en condiciones de sombreado parcial) con un error mı́nimo.
En la aplicación de este método la velocidad del algoritmo es muy rápida porque las
redes neuronales una vez entrenadas realizan predicciones de manera prácticamente
instantánea. La capacidad de la red neuronal de obtener ese punto con la mayor pre-
cisión posible depende de manera directa del proceso de entrenamiento de la misma,
y de variables como, los datos utilizados, número de capas, número de neuronas por
2.6. ENTRENAMIENTO DE REDES NEURONALES 35
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.
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.
3.1. Herramientas utilizadas

A continuación se van a presentar los materiales utilizados y el por qué de su
utilización.
3.1.1. Photovoltaic Geographical Information System (PV-

GIS)
El PVGIS es una herramienta de modelado de sistemas FV que da acceso a bases
de datos gratuitas de radiación solar como ERA5 o SARAH. Esta herramienta ha
sido creada por el Joint Research Centre (JRC). El JRC es una Dirección General
de la Comisión Europea. Este servicio es el encargado de la ciencia y el conocimiento
y es publicado mediante Science Hub.
Un apartado del Science Hub es PVGIS, que incluye varias bases de datos con
varias herramientas relacionadas con la generación de electricidad mediante el uso
de energı́a solar. Las herramientas son las siguientes [2]:
Datos de potencial fotovoltaico para diferentes tecnologı́as y configuraciones.

Datos de radiación solar y temperatura.
Series de valores horarios de radiación y rendimiento fotovoltaico.
Año meteorológico tı́pico (TMY, Typical Meteorological Year ).
37
38 CAPÍTULO 3. HERRAMIENTAS UTILIZADAS Y METODOLOGÍA
Mapas de recurso solar y potencial fotovoltaico.
Varios programas, incluyendo el software de creación de los modelos utilizados

en PVGIS.
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:
1. Se accede a la página web https://ec.europa.eu/jrc/en/pvgis y se

hace click en TMY tool.
Figura 3.1: Página principal del Photovoltaic Geographical Information System (PVGIS)
2. Se debe hacer click sobre el botón que indica TMY tool

3.1. HERRAMIENTAS UTILIZADAS 39
Figura 3.2: Herramienta Typical Meteorological Year (TMY) del PVGIS
3. Posteriormente se selecciona localización de los datos requeridos y el perı́odo

utilizado para la construcción del TMY, una vez seleccionados dichos paráme-
tros se descargan los datos haciendo click sobre el botón de descarga en
formato .csv.
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
3.1.2. MATLAB
Figura 3.4: Logotipo de MATLAB (MATrix LABoratory)
MATLAB es la abreviación de (MATrix LABoratory), es un software de compu-

tación numérica con su propio lenguaje de programación (archivos .m) y su propio
entorno de desarrollo integrado (IDE). Está disponible para las plataformas Unix,
Windows, macOS y GNU/Linux.
MATLAB está especialmente diseñado para la computación numérica por su mo-
do de almacenar datos en matrices, pero su funcionalidad puede ser ampliada me-
diante el uso de toolboxes. MATLAB es un software muy polivalente por su capacidad
de ser utilizado en una gran variedad de campos de la industria y/o investigación.
Algunos ejemplos son los siguientes:
Sistemas de control.
Inteligencia artificial.
Robótica.
Ciencia de datos.
Se debe reseñar la completa documentación de todas las funcionalidades de

MATLAB en Internet. Con explicación detallada de la funcionalidad de cada función
y sus argumentos.
Enlace de descarga de MATLAB: https://www.mathworks.com/downloads/.
Simulink
Simulink es una toolbox de MATLAB que contiene un entorno de programación

visual que funciona utilizando como base MATLAB. El uso de Simulink permite
desarrollar modelos de manera rápida y a la escala necesaria para el trabajo a realizar
mediante el uso de componentes. Una vez ha sido creado el modelo, se puede simular
y exportar los datos obtenidos a MATLAB para su posterior tratamiento.
La descarga de Simulink tal y como se ha indicado, se puede realizar desde el ad-
ministrador de toolboxes dentro del propio MATLAB o siguiendo el siguiente enlace
de descarga: https://es.mathworks.com/pricing-licensing.html?prodcode=SL&
intendeduse=comm.
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:
El uso de Simulink permite desarrollar modelos de manera rápida y a la escala

necesaria para el trabajo a realizar mediante el uso de todo tipo de componentes
como módulos solares, convertidores DC-DC, pero también con bloques que
permiten el cálculo de energı́a obtenida mediante el módulo fotovoltaico.
Los resultados de las simulaciones son fácilmente exportables a MATLAB, lo

que permite disponer directamente de los datos al terminar la simulación, sin
ningún tratamiento posterior necesario.
Simulink es un software mucho más polivalente que cualquier otro programa

centrado en el modelado circuital como PSPICE, esto permite que haya un ele-
vado número de add-ons que permiten añadir funcionalidades al modelo cons-
truido. Como el bloque que implementa el algoritmo P&O, que será explicado
posteriormente.
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
Figura 3.5: Logotipo de Python
único lenguaje de programación. Algunas de las aplicaciones en las que Python

destaca como lenguaje de programación preferente son las siguientes [6]:
Inteligencia artificial: Gracias a la existencia de librerı́as especı́ficas como Ten-

sorflow (de la que se hablará más adelante), Keras, sci-kit learn, etc... Se permite
que la programación de inteligencia artificial sea más accesible y potente.
Análisis de datos: Mediante el uso de librerı́as como Pandas o NumPy, el manejo
de grandes conjuntos de datos es sencillo y rápido.
Visualización de datos: Mediante el uso de librerı́as como Matplotlib.
Desarrollo de páginas web: Mediante el uso de librerı́as como Django.
Desarrollo de aplicaciones.
En el trabajo se utilizó Python para el desarrollo de los modelos de redes neurona-

les como algoritmo MPPT mediante el uso de Tensorflow, Keras, Pandas y Numpy.
Se eligió Python por encima de otros lenguajes de programación como C++ o Ja-
vascript por varias razones:
Pese a que se tenı́an conocimientos previos de programación en C++, Python

es el lenguaje elegido por su fácil sintaxis, mucho más fácil que otros lenguajes.
Python es el lenguaje lı́der en el desarrollo de modelos de inteligencia artificial
mediante el uso de librerı́as como Tensorflow, explicadas posteriormente.
Finalmente, Python era el único lenguaje con el que se tenı́a algo de experiencia
previa en el desarrollo de modelos de inteligencia artificial.
Enlace de descarga de Python: https://www.python.org/downloads/
Tensorflow
TensorFlow es una librerı́a de código abierto para aprendizaje automático de-

sarrollada por Google para Python. Es utilizada para aplicaciones de aprendizaje
automático tanto a nivel de investigación como por grandes empresas.
TensorFlow ofrece varios niveles de abstracción según las necesidades del usuario.
La compilación y entrenamiento de modelos de redes neuronales (Deep learning) se
realiza mediante la librerı́a Keras, incluı́da en TensorFlow.
Figura 3.6: Logotipo de TensorFlow
Para la instalación de TensorFlow se debe tener previamente instalada la última

versión de pip (package installer for Python) y se instalará introduciendo los siguien-
tes comandos en una sesión de terminal dentro del sistema, el primero actualizará
pip a la última versión y el segundo instalará TensorFlow:
p i p i n s t a l l ==upgrade pi p
pip i n s t a l l t e n s o r f l o w
Keras
Figura 3.7: Logotipo de Keras
Keras es una interfaz de programación de aplicaciones (API, Application Pro-

gramming Interfaces) enfocada en el desarrollo de redes neuronales minimizando las
actividades a realizar por el usuario en el desarrollo de las mismas. Es el entorno de
trabajo más utilizado para el desarrollo de proyectos de aprendizaje profundo (deep
learning) por su velocidad y facilidad de uso. Se encuentra construida a partir de
TensorFlow 2.0 lo que hace que sea fácilmente escalable. Keras es utilizado tanto
por investigadores como por grandes empresas que buscan soluciones de aprendizaje
profundo.
La instalación de Keras viene incluida en el paquete TensorFlow.
Existen numerosas librerı́as de inteligencia artificial para el desarrollo de redes
neuronales en Python como Tensorflow (Keras), Pytorch, Neurolab... Pero se decidió
utilizar Tensorflow al ser la librerı́a más popular, con una gran comunidad detrás,
con una programación más sencilla que el resto de librerı́as y, principalmente, porque
era la única librerı́a que era compatible con MATLAB.
pandas
pandas es una librerı́a de código abierto para el análisis y manipulación de datos

de manera rápida, fácil y poderosa. Está construida utilizando como base Python.
Al igual que TensorFlow, se instala introduciendo los siguientes comandos:
Figura 3.8: Logotipo de pandas
p i p i n s t a l l pandas
NumPy
Figura 3.9: Logotipo de 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 numpy
PyCharm
Figura 3.10: Logotipo de PyCharm
PyCharm es un entorno de desarrollo integrado (IDE, Integrated Development

Environment) para el desarrollo de aplicaciones mediante Python. Se encuentra
3.2. MODELADO DEL SISTEMA FOTOVOLTAICO 45
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.
3.2. Modelado del sistema fotovoltaico

Para la realización del modelo del sistema FV en el vehı́culo eléctrico se hizo uso
de Simulink, el entorno de programación visual que funciona utilizando como base
MATLAB. Esta toolbox es utilizada para el diseño y simulación de modelos, lo que
resultó ideal para el presente trabajo.
3.2.1. Modelo de sistema FV

El análisis de los algoritmos MPPT en condiciones de sombreado parcial se realizó
mediante un modelo que hacı́a uso de cinco módulos fotovoltaicos conectados en
serie, con un diodo de paso entre módulos.
Este montaje se realizó simulando una instalación de cinco módulos fotovoltaicos
sobre la superficie de un vehı́culo como se puede observar en la figura 3.11.
Figura 3.11: Disposición de los paneles en la parte superior de un vehı́culo.
El módulo elegido es el SunPower SPR-305E-WHT-D, este módulo está simulado

de manera completa en Simulink, incluyendo los diodos de paso. Al ser un trabajo
puramente teórico, se eligió este módulo al estar disponible en el bloque que simula
un módulo fotovoltaico real en Simulink, esta elección fue totalmente arbitraria, de
manera que los datos pueden ser obtenidos en cualquier otro módulo fotovoltaico o
en un sistema real instalado en la superficie de un vehı́culo. Sus parámetros eléctricos
son los siguientes:
Potencia pico: Wp = 305W .

Tensión de máxima potencia: Vmpp = 54,7V .
Intensidad de máxima potencia: Impp = 5,58A.

Tensión de circuito abierto: VOC = 64,2V .
Intensidad de cortocircuito: ISC = 5,96A.
Coeficientes de temperatura:
Potencia: −0,38 %/K.
Tensión: −176,6mV /K.
Corriente: 3,5mA/K.
Temperatura NOCT (Nominal Operating Cell Temperature): N OCT
= 45°C.
Estos módulos se han implementado en el modelo realizado en Simulink, de ma-

nera que se conectan los cinco módulos en serie con un diodo de paso entre módulos.
Posteriormente, como señal de irradiancia incidente se utiliza un generador de señales
para ası́ poder variar el valor de irradiancia en cada módulo y temperatura a lo lar-
go del tiempo. Permitiendo la simulación de los casos presentados más adelante. El
modelo de los 5 módulos fotovoltaicos se puede observar en la figura 3.12.
Figura 3.12: Módulos fotovoltaicos en Simulink.
3.2.2. Evaluación de los modelos

Para la evaluación de los modelos previamente entrenados y su comparación
con el algoritmo clásico P&O, se prepararon varios casos prácticos con diferentes
variaciones con el tiempo de la irradiancia incidente, simulando ası́ un trayecto
urbano breve (60 segundos) en diferentes escenarios. Tras la simulación de cada uno
de los casos, se evaluó la potencia instantánea generada a lo largo de la simulación,
ası́ como la energı́a total generada mediante cada algoritmo MPPT utilizado.
3.3. ALGORITMOS MPPT BASADOS EN ANN 47
3.3. Algoritmos MPPT basados en ANN

A continuación se van a explicar de manera detallada los pasos seguidos para el
entrenamiento y validación de los algoritmos MPPT basados en redes neuronales.
3.3.1. Variables para el entrenamiento de los modelos

Como entradas para las redes neuronales se pueden usar una gran cantidad de
variables. Estas variables pueden ser parámetros del módulo fotovoltaico como su
tensión de circuito abierto (VOC ), corriente de cortocircuito (ISC ), datos de ten-
sión/intensidad en cada módulo o total del sistema FV, etc... ası́ como datos at-
mosféricos como irradiancia, temperatura,... o cualquier combinación de éstos.
Del total de variables disponibles, y siguiendo el artı́culo realizado por Rizzo
and Scelba [14], se decidió que el uso de la tensión individual de cada módulo era
imprescindible para el correcto funcionamiento de los modelos. Por lo que estas
variables fueron añadidas en todos los conjuntos de variables evaluados.
Se decidió explorar un total de cuatro conjuntos de variables diferentes con dife-
rentes combinaciones de variables para poder obtener el conjunto de variables que
ofrece mejores resultados. Los conjuntos de variables elegidos fueron los siguientes:
El primer conjunto utiliza la tensión de cada módulo FV (5V) y la intensidad

total del sistema (I).
El segundo conjunto utiliza la tensión de cada módulo FV (5V), la intensidad
total del sistema (I) y la temperatura ambiente (Ta).
El tercer conjunto utiliza la tensión de cada módulo FV (5V) y la irradiancia
incidente en cada módulo FV (5Ir).
El cuarto conjunto utiliza la tensión de cada módulo FV (5V), la intensidad
total del sistema (I), la irradiancia incidente en cada módulo FV (5Ir) y la
temperatura ambiente (Ta).
3.3.2. Construcción de las redes neuronales

También se quiso tener en consideración la influencia del número de capas neuro-
nales en la eficacia del algoritmo MPPT. Por lo que, a partir de los cuatro conjuntos
de variables mencionados en el anterior apartado, se construyeron un total de 12 mo-
delos, siendo la diferencia entre ellos el número de capas y el conjunto de variables
utilizado en su entrenamiento.
Se realizaron modelos con 64 neuronas por capa, este número de neuronas fue
elegido al ser un número de neuronas bastante estándar en aplicaciones similares a
la realizada en el trabajo [18]. Además, un número de neuronas más elevado podrı́a
requerrir de una potencia de cómputo demasiado elevada, la cual no era posible
adquirir. Del mismo modo, un número de neuronas inferior podrı́a ser insuficiente
para la utilización de las redes neuronales como algoritmo MPPT.
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:
En el primer conjunto (5V, I), se utilizaron un total de seis neuronas en la capa

de entrada.
En el segundo conjunto (5V, I, Ta), se utilizaron un total de siete neuronas en
la capa de entrada.
En el tercer conjunto (5V, 5Ir), se utilizaron un total de diez neuronas en la
capa de entrada.
En el cuarto conjunto (5V, 5Ir, I, Ta), se utilizaron un total de doce neuronas
en la capa de entrada.
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.
3.3.3. Entrenamiento de la ANN

El entrenamiento de las redes neuronales se realizó obteniendo datos del siste-
ma FV en condiciones obtenidas de la base de datos del PVGIS y posteriormente
entrenando los modelos a partir de dichos datos, haciendo uso de las variables in-
dicadas previamente. En la figura 3.13 se puede ver un diagrama de bloques del
entrenamiento de las redes neuronales.
Figura 3.13: Diagrama de bloques del entrenamiento de las redes neuronales como algoritmo MPPT.
El entrenamiento de las redes neuronales como algoritmo MPPT se llevó a cabo

a través de los siguientes pasos:
1. Se obtuvieron datos horarios de la ciudad de Madrid a través del PVGIS, to-

mando datos de irradiancia global, irradiancia difusa y temperatura ambiente.
2. Se creó una base de datos lo suficientemente grande para el entrenamiento de

las redes neuronales. Dicha base de datos estaba compuesta de curvas I-V de
todos los módulos y los datos de irradiancia y temperatura que han producido
dichas curvas.
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.
3.3.4. Toma de datos para el entrenamiento
Para el entrenamiento de la red neuronal se utilizaron un gran número de curvas

I-V obtenidas con valores de temperatura e irradiación procedentes de la base de
datos del PVGIS.
Preparación de los datos obtenidos del PVGIS
El entrenamiento de la red neuronal se efectuó utilizando los datos procedentes

del Photovoltaic Geographical Information System (PVGIS) (https://ec.europa.
eu/jrc/en/pvgis). Los datos se han obtenido de la ciudad de Madrid, para lo cual,
se descargó desde la citada web el año meteorológico tı́pico introduciendo los valores
de latitud y longitud de la ciudad (latitud: 40.420, longitud: -3.692). Se elegió el año
meteorológico tı́pico entre los años 2007 y 2016 siguiendo el procedimiento descrito
en el capı́tulo anterior.
Un año meteorológico tı́pico consta de una recopilación de datos climatológicos
representativos de la meteorologı́a de un lugar concreto para un periodo de tiem-
po determinado. Se encuentra estructurado en valores horarios con sus parámetros
meteorológicos correspondientes a lo largo de un año. Es una herramienta de gran
utilidad para modelar y evaluar el comportamiento térmico y la energı́a producida
por sistemas fotovoltaicos a lo largo de un año. Un fragmento del archivo .csv des-
cargado conteniendo el año meteorológico de la ciudad de Madrid se puede observar
en la figura 3.14.
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.
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:
T2m [°C]: Temperatura de bulbo seco (aire).
G(h) [W/m2]: Irradiancia global horizontal.
Gd(h) [W/m2]: Irradiancia difusa horizontal.
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).
Figura 3.15: Fragmento del archivo .mat preparado para la simulación.
Modelo para obtención de datos
Para la obtención de las curvas I-V del conjunto de módulos fotovoltaicos se

realizó el siguiente modelo en el entorno de programación visual Simulink (ver figura
3.16). El modelo está compuesto por 5 módulos fotovoltaicos, cada uno con una
entrada distinta de irradiancia (para simular la condición de sombreado parcial) pero
para la simplificación del modelo se considera que todos los módulos se encuentran a
la misma temperatura al estar situados en la misma superficie del vehı́culo. Además,
el efecto de la temperatura en el rendimiento del módulo es mucho menor que la

irradiancia.
El procedimiento para la obtención de los datos es el siguiente:
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.
Figura 3.16: Modelo para la obtención de curvas I-V.
En el modelo se pueden observar dos subsistemas:
El primero se denomina STOP y su función es la detención de la simulación si

se mide un valor de corriente negativa en los módulos (ver figura 3.17).
Figura 3.17: Subsistema para la detención de la simulación.
El segundo se denomina SOURCE y su función es la de generar una señal de

tensión ascendente para obtener la curva I-V del panel (ver figura 3.18).
Figura 3.18: Subsistema para la fuente de tensión variable.
Como se ha indicado anteriormente, el objetivo del modelo es la obtención de

las curvas I-V de todo el sistema. Para ello se eleva lentamente la tensión a la
que se encuentran polarizados los módulos fotovoltaicos desde 0 V hasta que la
intensidad que circula por los módulos es negativa. Los valores de tensión y corriente
(tanto totales como en cada módulo) son enviados a MATLAB para que puedan ser
almacenados como tablas de resultados.
Algoritmo para la obtención de datos
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.
Algorithm 1 Data generation.m

Require:
Archivo .mat con los datos de irradiancia
Tablas resultado de anteriores simulaciones (si existen)
Ensure:
Tablas resultado de las simulaciones
1: Introducción de los parámetros de configuración
2: Lectura de las tablas de resultados anteriores
3: Se seleccionan los valores de irradiancia global (máxima), irradiancia difusa (mı́nima) y tem-
peratura de la base de datos a simular de manera que no se repita ningún conjunto.
4: for 1:número de iteraciones do
5: Se asigna a cada módulo un valor de irradiancia entre el valor mı́nimo y el máximo
6: Se elige un módulo y se le asigna el valor máximo de irradiancia.
7: Se calcula la temperatura de la célula a partir de la temperatura ambiente y de la irradiancia
media
8: Se realiza la simulación
9: Los resultados de la simulación son almacenados en tablas
10: end for
11: Se guardan todas las tablas de resultados
La ejecución del script devuelve las siguientes tablas:
Vmodtable.csv : Tabla que contiene los valores de tensión de cada módulo a lo

largo de cada simulación.
Imodtable.csv : Tabla que contiene los valores de intensidad de cada módulo a
lo largo de cada simulación.
VItable.csv : Tabla que contiene los valores de tensión e intensidad totales del
sistema fotovoltaico a lo largo de cada simulación.
Resultstable.csv : Tabla que contiene los valores de tensión e intensidad de máxi-
ma potencia en cada simulación. Se crea de manera que la tabla tenga el número
de filas que las otras tablas con el valor de tensión e intensidad de máxima po-
tencia.
Irtable.csv : Tabla que contiene los valores de irradiancia incidente en cada
módulo utilizada en cada simulación.
Ttable.csv : Tabla que contiene los valores de temperatura ambiente y tempe-
ratura en la célula en cada simulación.
3.3.5. Entrenamiento de modelos

Una vez obtenidos los datos de simulación se procedió al entrenamiento de los
modelos. Para la construcción y el entrenamiento de los modelos se utilizó la librerı́a
Keras. Se entrenaron varios modelos cambiando las entradas para evaluar que con-
junto de parámetros ofrecı́an un mejor resultado. Las diferentes variaciones de los
datos de entrenamiento utilizados son los siguientes:
Los valores de tensión de cada módulo y la intensidad total del sistema foto-
voltaico.
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.
Parámetros e hiperparámetros del modelo
En el entrenamiento de todos los modelos se utilizaron los mismos parámetros

e hiperparámetros para que los únicos factores que alterasen el resultado fueran el
número de capas ocultas y las entradas del modelo. Los parámetros e hiperparáme-
tros utilizados fueron los siguientes:
Los datos utilizados se dividieron de manera aleatoria, un 80 % de los datos se

utilizaron para el entrenamiento del modelo y el 20 % restante para la evaluación
del mismo.
Como función de pérdida se utilizó la medición del error mediante MSE (Mean
Squared Error ) descrito en el capı́tulo anterior.
Como optimizador se utilizó RMSprop. RMSprop es una técnica de optimiza-
ción basada en gradientes que se desarrolló como una técnica estocástica para
el aprendizaje por mini lotes. En pocas palabras, RMSprop utiliza una tasa
de aprendizaje adaptativa en lugar de tratar la tasa de aprendizaje como un
hiperparámetro. Esto significa que la tasa de aprendizaje cambia con el tiem-
po siguiendo el gradiente, con una disminución del paso para gradientes muy
grandes y un aumento del paso en gradientes pequeños.
Keras permite el uso de funciones que detienen el entrenamiento del modelo si
se cumple cierta caracterı́stica. En este caso se hizo uso de la función EarlyStop-
ping, que detiene el entrenamiento de la red neuronal si se detecta overfitting,
es decir, que el modelo se adapte únicamente a los datos de entrenamiento y
rinda peor al exponerse a nuevos datos. Esta función analizaba el valor del error
medio evaluado en el conjunto de test, si ese valor no disminuı́a un valor de 0.05
en un determinado número de iteraciones (15 en este caso), el entrenamiento
de la red neuronal en cuestión se detenı́a para evitar overfitting.
El número de batch size (hiperparámetro que define el número de muestras
procesadas antes de que se actualicen los parámetros del modelo). Un valor
pequeño provocarı́a que el proceso de aprendizaje convergiera más rápidamente

a costa de ruido en el proceso de entrenamiento. Mientras que un valor más
grande proporciona un proceso de aprendizaje que converge de manera más
lenta pero con estimaciones precisas del gradiente del error. En este caso se
eligió un batch size de 100, que es un número elevado pero permite una precisión
mayor en la estimación del error.
El número de epochs (hiperparámetro que define el número de veces que el

algoritmo de aprendizaje actualiza los parámetros del modelo con los datos
de entrenamiento). En este caso se eligió realizar un total de 300 epochs. Este
número es muy excesivo y puede producir overfitting, por ello se hace uso de la
función que detiene el entrenamiento del modelo si es detectado.
Algoritmo para la creación de las redes neuronales
Para la creación y entrenamiento de las redes neuronales se utilizó el script lla-

mado Training.py, este script prepara los datos para el entrenamiento, crea la red
neuronal con los parámetros descritos anteriormente y realiza el entrenamiento de
todos los modelos con un determinado número de capas ocultas.
El algoritmo que seguı́a el script se puede observar en el algoritmo 2.
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
Una vez realizado el entrenamiento de los modelos se puede proceder a su integra-

ción y evaluación en Simulink. Se puede ver una visualización de una red neuronal
entrenada en la figura 3.19. Esta imagen ha sido generada gracias a la herramienta
Netron (https://netron.app/), creada por Lutz Roeder (https://github.com/
lutzroeder/netron).
Figura 3.19: Representación de una red neuronal de 6 capas ya entrenada.
3.3.6. Integración de ANN en Simulink

Para la implementación de las redes neuronales entrenadas en Python se deben
convertir los modelos entrenados creados en archivos .mat, de modo que puedan ser
leı́dos y utilizados por MATLAB/Simulink. Para la conversión de los modelos se hizo
uso de la función importTensorFlowNetwork, dicha función se encuentra dentro de
la Toolbox de Deep Learning Toolbox Converter for TensorFlow models que permite
la obtención directa de la red neuronal entrenada en Keras y su conversión a una
red de tipo DAG (Directed Acyclic Graph), que es el formato de red que utiliza
MATLAB/Simulink.
Posteriormente, se guarda la red como un archivo .mat que puede ser leı́do por
Simulink. En la figura 3.20 se puede ver el script que realiza el guardado de la red
neuronal como un archivo .mat.
Figura 3.20: Función que convierte la función creada en Keras a un archivo .mat que pueda ser
leido por Simulink.
Finalmente, esas redes neuronales convertidas en archivos .mat serán leı́das en el

fragmento del modelo donde se realiza la obtención de la tensión de máxima potencia.
Para obtener el valor de tensión se introducen todas las variables utilizadas en el
entrenamiento de cada red. En la figura 3.21 se puede obervar la implementación de
los algoritmos MPPT basados en redes neuronales en el modelo de Simulink.
En color verde se puede observar la parte del modelo que se encarga de elegir
que red neuronal realizará la función del MPPT en cada simulación y realizar la
predicción de la tensión del punto de máxima potencia cada milisegundo.
En cada cuadrado de color azul se puede observar la implementación de cada

uno de los modelos según sus variables de entrada, junto a ellos se encuentra la red
neuronal como tal.
En color rojo se puede ver la unión de todas las salidas de todas las redes neuro-
nales. Es un bloque sumador de manera que, si la red neuronal no está seleccionada,
su salida será cero, no aportando ningún valor. Cuando sı́ se encuentra seleccionada
la red neuronal, su valor de salida será la tensión de máxima potencia predicha por el
algoritmo. Por lo tanto, la suma de todas las salidas de todos los algoritmos siempre
será el valor de tensión de máxima potencia predicho por la red neuronal seleccio-
nada. A la salida del bloque sumador se encuentra un bloque goto que se encuentra
enlazado con el generador de tensión para polarizar a los módulos fotovoltaicos a la
tensión de referencia predicha por el algoritmo seleccionado.
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.
Color verde: Selector y constante de tiempo
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.
1. La variable selector tendrá un valor entre uno y cuatro al inicio de la simulación,

este valor determina que conjunto de variables es utilizado como algoritmo
MPPT. Dicho valor entra dentro del siguiente bloque if. El cambio de red
neuronal para evaluar el número de capas ocultas se debe hacer de manera

manual.
2. El bloque principal if habilita uno de los cuatro bloques secundarios if, cada
uno representa un posible valor de la variable selector.
3. El bloque activado permite la conexión entre el generador de pulsos y el bloque

siguiente. Dicho bloque devuelve una señal booleana positiva al detectar un
flanco positivo en el generador de pulsos. Este generador de señal cuadrada es
utilizado para el control del tiempo en la llamada de los algoritmos.
4. La señal que devuelve el bloque detector de flancos positivos determina si se rea-

liza o no la predicción de la tensión en la red neuronal. Ya que dicha predicción
únicamente se produce cuando se detecta un flanco positivo en el generador de
onda cuadrada. Al tener la señal un periodo de 1 ms, ese tiempo es la constante
de tiempo del algoritmo.
Figura 3.22: Fragmento del modelo realizado en Simulink donde se encuentra el selector del algo-
ritmo a utilizar.
Color azul: Aplicación de los modelos ANN en la simulación
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.
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.
Este subsistema realiza la llamada a la red neuronal especı́fica de cada caso y

devuelve la predicción de la tensión del punto de máxima potencia. Este subsistema
únicamente es activado cuando la señal Enable está activa, quedando totalmente
desactivado cuando no. El interior del subsistema se puede observar en la figura
3.25.
Finalmente, el valor de tensión obtenido es introducido como la tensión de refe-
rencia en la fuente de tensión que polariza a los paneles.
Módulos y medición de la potencia en el modelo utilizando ANN
Una vez realizado el modelado de todos los modelos a evaluar se extendió el

modelo para poder medir la potencia generada por los módulos fotovoltaicos usando
los algoritmos MPPT previamente entrenados. Para la medición de la potencia y
la energı́a entregada por los 5 módulos utilizando redes neuronales se conectó una
fuente de tensión que polariza a los módulos a la tensión de salida obtenida mediante
la red neuronal en cuestión.
Para la polarización de los módulos fotovoltaicos no se ha utilizado un conversor
DC-DC por el modo de trabajo con las redes neuronales. El algoritmo P&O realiza
un ajuste iterativo del ciclo de trabajo de la señal PWM que controla el conversor
DC/DC para la variación de la tensión en la carga, modificando ası́ su intensidad
y provocando un aumento de intensidad demandada, aumentando ası́ la intensidad
generada por los módulos fotovoltaicos y, por lo tanto, aumentando la potencia
consumida.
En cambio, al realizar las simulaciones con algoritmos MPPT basdaos en redes
neuronales, se ha decidido centrarse en la obtención de una tensión de máxima
potencia fiable en varios escenarios, sin tenerse en cuenta la electrónica de potencia
necesaria para convertir la tensión del punto de máxima potencia a un ciclo de
trabajo y ası́ modificar una señal PWM que controle el convertidor DC-DC, ya que
es un proceso complejo y queda fuera del alcance de este trabajo.
Asimismo, se pueden observar los bloques que simulan un voltı́metro y amperı́me-
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.
3.4. Modelo P&O de referencia
Para comparar el rendimiento de los algoritmos MPPT basados en redes neuro-

nales se decidió realizar una comparación con el algoritmo clásico P&O.
Se construyó un modelo de Simulink con exactamente los mismos 5 módulos
fotovoltaicos para una comparación directa entre métodos (ver figura 3.28).
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.
3.4.1. Algoritmo P&O
La implementación del algoritmo P&O fue realizada partiendo de la toolbox crea-

da por Tan [16], que presenta el algoritmo realizado a partir de bloques.
En esta primera imagen se puede ver como se ha realizado la implementación
del algoritmo, mostrando las entradas necesarias (corriente y tensión total de los
módulos) y su salida, que es el ciclo de trabajo al que debe trabajar el convertidor
DC-DC para aumentar o mantener la potencia generada en los módulos fotovoltaicos
convertido en una señal PWM. Dentro del bloque se hace uso de la tensión, la tensión
en la iteración anterior, intensidad, intensidad en la iteración anterior y el ciclo de
trabajo resultante en la iteración anterior (ver figura 3.29). La llamada al bloque
que realiza la implementación del algoritmo P&O se ajustó para que realizara cada
iteración con un tiempo de 1 ms entre ellas.
3.4. MODELO P&O DE REFERENCIA 65
Figura 3.29: Interior del bloque que implementa el algoritmo P&O.
3.4.2. Electrónica de potencia
Unido a la salida del bloque aplica el algoritmo P&O se encuentra un circuito

Boost converter.
Este circuito permite el aumento de la tensión a la que se encuentra conectada
la carga para ası́ aumentar la corriente que lo atraviesa, alterando ası́ el punto
del trabajo de los módulos fotovoltaicos. Este cambio en el punto de trabajo se
realiza con el objetivo del aumento de la potencia que entrega el sistema fotovoltaico.
Este aumento de potencia se realizará de manera iterativa hasta poder llegar a
utilizar toda la potencia disponible en los módulos fotovoltaicos. La entrada del
convertidor (puerto g en la figura 3.30) es una señal PWM (Pulse Width Modulation)
que controla el transistor IGBT de la figura 3.30.
Figura 3.30: Convertidor DC-DC en el modelo realizado en Simulink.

Módulos y medición de la potencia en el modelo utilizando P&O
Para la medición de la potencia y la energı́a entregada por los 5 módulos utilizan-

do el algoritmo P&O se utiliza un conversor DC-DC al controlar el ciclo de trabajo
del mismo. Se mide la potencia y la energı́a entregada por el sistema fotovoltaico
mediante los bloques que simulan un voltı́metro y amperı́metro 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 (ver figura 3.28).
3.5. Comparación entre modelos
Para llevar a cabo la comparación entre modelos se analizarán los resultados de

las simulaciones realizadas en cada uno de los casos mencionados previamente.
Escenarios de iluminación considerados
Se evaluaron un total de 6 escenarios de iluminación, cada uno de ellos imitan

a una situación real que puede experimentar un sistema FV instalado en la su-
perficie de un vehı́culo, especialmente en un trayecto urbano, poniendo a prueba
caracterı́sticas concretas de cada modelo a evaluar:
Uniforme: En estos casos se evalúa la capacidad de cada modelo de reducir

el error en un estado estacionario (al no variar la irradiancia en gran medida
de manera brusca). Estos casos simulan un escenario donde la irradiancia que
alcanza el vehı́culo permanece constante, como en un viaje por carretera o
aparcado. En este caso se simula el recorrido de un vehı́culo por diferentes zonas
con valores de irradiancia constantes. La señal de irradancia en cada módulo
tiene un retraso de 0.1 segundos, simulando ası́ el movimiento del vehı́culo a
una velocidad de 18 km/h, con una separación media entre módulos de 0.5
metros.
Uniforme abrupto: En este caso se evalúa una irradiancia uniforme de

1000 W/m2 en todos los módulos durante 30 segundos, y una irradiancia
uniforme de 200 W/m2 los siguientes 30 segundos.
3.5. COMPARACIÓN ENTRE MODELOS 67
Figura 3.31: Uniforme abrupto.
Uniforme escalonado: En este caso se evalúa una irradiancia uniforme

de 1000 W/m2 en todos los módulos y desciende de manera escalonada
(200 W/m2 cada 15 segundos) como se puede ver en la figura 3.32.
Figura 3.32: Uniforme escalonado.
Uniforme gradual: En este caso se evalúa una irradiancia uniforme de

1000 W/m2 en todos los módulos que desciende de manera gradual con una
pendiente de (1000 W/m2 /15 segundos) como se puede ver en la figura 3.33.
Figura 3.33: Uniforme gradual.
Sombras: En estos casos se evalúa la respuesta del algoritmo ante cambios

rápidos y bruscos del valor de la irradiancia. Estos casos simulan un escena-
rio donde la irradiancia que alcanza el vehı́culo es muy variable, como en un
recorrido urbano o en carreteras con muchos árboles, es decir, se simula el reco-
rrido de un vehı́culo por una zona semisombreada en ambos casos. La señal de
irradancia en cada módulo tiene un retraso de 0.1 segundos, simulando ası́ el
movimiento del vehı́culo a una velocidad de 18 km/h, con una separación media
entre módulos de 0.5 metros. Para los datos de irradiancia máxima (irradiancia
global) e irradiancia mı́nima (irradiancia difusa), se eligió el dı́a 24 de julio en-
tre las 11 y 12 de la mañana de manera aleatoria. Dicho periodo temporal tenı́a
una irradiancia global de 910 W/m2 y una irradiancia difusa de 300 W/m2 .
Sombras lentas: En este casos se evalúan unos cambios entre irradiancia

directa y difusa de manera lenta, con intervalos de mas de 2 segundos entre
cada uno.
Figura 3.34: Sombras lentas.

3.5. COMPARACIÓN ENTRE MODELOS 69
Sombras rápidas: En este casos se evalúan unos cambios entre irradiancia

directa y difusa de manera rápida, con intervalos de tiempo reducidos entre
cada tipo de irradiancia.
Figura 3.35: Sombras rápidas.
Sombreado parcial: En este caso se evalúa la respuesta de cada algoritmo

ante una condición de sombreado parcial entre módulos. Este caso simula un
escenario donde la irradiancia que alcanza el vehı́culo no es uniforme, simulan-
do un vehı́culo aparcado en un lugar donde solo recibe irradiancia de manera
directa una parte del vehı́culo. La irradiación incidente se modelará aplicando
un valor de irradiancia máxima sobre tres módulos durante 30 segundos, invir-
tiéndose los valores de irradiancia pasado ese tiempo. Los datos de irradiancia
mı́nimos y máximos son los mismos que se han utilizado en la simulación de
sombras rápidas y lentas (910 W/m2 y 300 W/m2 )
Figura 3.36: Sombreado parcial.

3.5.1. Métricas de comparación

Para comparar los modelos se evaluarán los valores de potencia instantánea ge-
nerada en el sistema FV, ası́ como la energı́a total generada en cada uno de los
casos en Wh y, finalmente, una comparación entre todos los modelos tomando el
algoritmo con mayor cantidad de energı́a producida como un 100 % y comparándose
con el resto de modelos.
Capı́tulo 4
Resultados y discusiones
En este capı́tulo se presentan los resultados obtenidos tras la aplicación de los

métodos expuestos en el capı́tulo anterior.
En primer lugar se muestran los resultados del entrenamiento de los modelos
que hacen uso de redes neuronales. En segundo lugar se presentan los resultados
de las simulaciones realizadas en los diferentes escenarios para la evaluación del
rendimiento de los modelos.
4.1. Entrenamiento de los modelos

A continuación se exponen los resultados de todo el proceso del entrenamiento
de las redes neuronales utilizadas como algoritmo MPPT.
4.1.1. Datos obtenidos del PVGIS

Primero se realizó la obtención de los datos a través del PVGIS, incluyendo datos
horarios de irradiancia, temperatura, velocidad del viento, humedad, etc... Se han
utilizado un total de 4262 datos horarios. Del total de tipos de datos incluidos en
el TMY, únicamente se hizo uso de la irradiancia global (irradiancia máxima), irra-
diancia difusa (irradiancia mı́nima) y temperatura ambiente. El resto fue suprimido
al no considerarse útiles para el desarrollo del trabajo. También se prescindió de
aquellas horas en las que la irradiancia global era nula y, por lo tanto, no eran datos
útiles para el entrenamiento de los modelos. Finalmente se decidió excluir dichas
horas, conformando asi los 4262 datos horarios utilizados para la obtención de las
curvas I-V de todos los módulos fotovoltaicos en la simulación realizada en la etapa
posterior.
4.1.2. Simulación de los módulos

Posteriormente se realizaron un total de 3000 simulaciones, utilizando en cada
una datos diferentes (sin repetición) procedentes de la base de datos previamente
creada. Dicha base de datos estaba compuesta por el total de 4262 datos horarios
71
72 CAPÍTULO 4. RESULTADOS Y DISCUSIONES
referidos en el apartado anterior.

En total se obtuvieron las siguientes tablas:
Vmodtable.csv : Se obtuvieron un total de 904206 valores de tensión de cada

módulo de manera individual a lo largo del tiempo.
Imodtable.csv : Si bien se obtuvieron un total de 904206 valores de intensidad

de cada módulo, esta variable no fue utilizada al no poder ser medida en un
modelo real con la configuración utilizada en el presente trabajo.
VItable.csv : Se obtuvieron un total de 904206 valores de tensión e intensidad

totales del sistema fotovoltaico a lo largo del tiempo.
Resultstable.csv : Se obtuvieron un total de 3000 valores de tensión e intensidad

de máxima potencia en cada simulación.
Irtable.csv : Se obtuvieron un total de 3000 valores de irradiancia incidente en

cada módulo utilizada en cada simulación.
Ttable.csv : Se obtuvieron un total de 3000 valores de temperatura ambiente y

temperatura en la célula en cada simulación.
4.2. Aplicación de los modelos a los diferentes es-

cenarios
Los resultados de la aplicación de los algoritmos MPPT entrenados en las simu-
laciones de cada uno de los escenarios propuestos se presentan mediante una gráfica
de potencia generada total en los cinco módulos fotovoltaicos con los diferentes mo-
delos evaluados, incluyendo la aplicación del algoritmo P&O en todas las gráficas
como punto de partida. También se incluirá en cada figura un pequeño gráfico de
la irradiancia incidente. Del mismo modo se incluirá una gráfica y una tabla con la
cantidad de energı́a total en Wh generada en cada simulación.
La nomenclatura para designar cada una de las variables utilizadas para el en-
trenamiento de los modelos es la siguiente:
5V: Tensión de cada uno de los cinco módulos.
5Ir: Irradiancia incidente en cada uno de los cinco módulos.
I: Intensidad total del sistema fotovoltaico.
Ta: Temperatura ambiente.
Después de mostrar los resultados de potencia obtenidos mediante cada algoritmo,

se realizará una comparación entre los valores de energı́a totales generados por el
sistema fotovoltaico logrados en el desarrollo de la simulación.
4.2. APLICACIÓN DE LOS MODELOS A LOS DIFERENTES ESCENARIOS 73
4.2.1. Sombreado uniforme abrupto
El sombreado uniforme evalúa la respuesta de los algoritmos MPPT ante un valor

de irradiancia constante y un cambio brusco del mismo pasado un tiempo.
En la figura 4.1 se pueden observar las gráficas de irradiancia incidente en cada
uno de los módulos a lo largo de la simulación.
Figura 4.1: Gráfica de los valores de irradiancia en el escenario uniforme abrupto.
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.
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.
En la figura 4.2 se pueden observar los resultados de potencia obtenidos mediante

los algoritmos ANN realizados utilizando como variables la tensión de cada módu-
lo y la intensidad del sistema fotovoltaico. En la primera mitad de la simulación,
cuando la irradiancia es máxima (1000 W/m2 ), los resultados son mejores a medida
que disminuye el número de capas, llegando al valor de potencia máxima el algo-
ritmo compuesto por tres capas neuronales. Esto puede suceder por haber ocurrido
overfitting en el entrenamiento de los modelos, viéndose incrementado cuanto mayor
sea el número de capas. También se puede observar como en el valor de irradiancia
menor (200 W/m2 )(segunda mitad de la simulación), todos los algoritmos ANN se
estabilizan con seguimiento del punto de máxima potencia óptimo, exceptuando el
algoritmo compuesto por tres capas neuronales, que se mantiene inestable.
Modelo 2: 5V, I, Ta
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.
Modelo 3: 5V, 5Ir
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.
En la figura 4.4 se observan los resultados de potencia obtenidos mediante los

algoritmos ANN en los que se han utilizado como variables la tensión de cada módulo
y la irradiancia incidente en cada uno de los mismos. En la primera mitad de la
simulación, cuando la irradiancia tiene valor máximo (1000 W/m2 ), los resultados
son mejores cuanto mayor sea el número de capas, pudiéndose observar como los
algoritmos compuestos por tres y seis capas neuronales ofrecen un valor de potencia
inferior que el algoritmo compuesto por doce capas, que queda muy próximo al
valor de máxima potencia ideal. En la segunda mitad de la simulación, cuando la
irradiancia es mı́nima (200 W/m2 ), todos los algoritmos evaluados logran generar la
máxima 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.
Modelo 4: 5V, 5Ir, I, Ta
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.
Energı́a generada en el escenario uniforme abrupto
A continuación se evalúa la energı́a generada por el sistema fotovoltaico utilizando

cada uno de los algoritmos presentados anteriormente. Estos resultados de energı́a
se pueden observar en forma de tabla (tabla 4.1) y en forma de gráfica (figura 4.6).
Como se puede observar en los valores de energı́a generada, todas las variables
evaluadas generan valores de energı́a similares, destacando el modelo que utiliza
la tensión de cada módulo, la intensidad del sistema fotovoltaico y la temperatura
ambiente, que es el conjunto de variables que generan el mayor valor de energı́a (15.2
Wh). Este valor de energı́a es 0.5 Wh superior al obtenido mediante el algoritmo
P&O. Esta diferencia es debida principalmente al tiempo que tarda el algoritmo
P&O en realizar un seguimiento correcto del punto de máxima potencia y también
por la falta de capacidad del algoritmo en el seguimiento del punto exacto de máxima
potencia. Esto es ocasionado por la imposibilidad de reducir el valor de tensión que
aumentaba/disminuı́a en cada iteración.

En este caso la adición de los valores de irradiancia individuales no aporta nin-
guna mejora respecto al resto de algoritmos, ya que serı́a preciso el entrenamiento
de un modelo con un mayor número de capas para conseguir los resultados obteni-
dos utilizando modelos con un menor número de variables y un menor número de
capas, requiriendo por lo tanto, de una mayor cantidad de tiempo y de capacidad
de procesamiento.
En este escenario se puede observar como el modelo 5V, I con tres capas gene-
ra un valor de energı́a prácticamente igual al generado mediante el modelo 5V, I,
Ta con doce capas. Si el algoritmo únicamente fuera a estar expuesto a este esce-
nario podrı́an considerarse cualquiera de los dos modelos como algoritmo MPPT.
El algoritmo 5V, I con tres capas consume menos recursos de cálculo, permitiendo
un entrenamiento mucho más rápido del modelo y una respuesta ligeramente más
rápida que el otro algoritmo, aunque con una generación de energı́a inferior. Mien-
tras que el modelo 5V, I, Ta con doce capas consume más recursos de cálculo, con
un entrenamiento más lento y una respuesta ligeramente más lenta, pero con una
generación de energı́a mayor. Por lo que se deberı́a elegir uno de los dos según los
recursos energéticos requeridos y los recursos de cálculo disponibles.
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.
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.
4.2.2. Sombreado uniforme escalonado
El sombreado uniforme escalonado evalúa la respuesta de los algoritmos MPPT

ante un valor de irradiancia constante, ası́ como cuando se producen cambios bruscos
del mismo pasado un tiempo. Estos cambios serán realizados de manera escalonada.
Figura 4.7: Gráfica de los valores de irradiancia en el escenario uniforme escalonado.

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
cada módulo y la intensidad total del sistema fotovoltaico en el escenario uniforme escalonado.

los algoritmos realizados utilizando como variables la tensión de cada módulo y la
intensidad del sistema fotovoltaico. Se puede ver como los resultados obtenidos uti-
lizando el algoritmo compuesto por tres capas neuronales son óptimos, igualándose
al valor de potencia generada ideal en los tres primeros valores de irradiancia (1000
W/m2 , 800 W/m2 y 600 W/m2 ), pero mostrando inestabilidad cuando la irradiancia
es mı́nima (200 W/m2 ). El algoritmo compuesto por seis capas, genera una potencia
ligeramente inferior a la potencia ideal cuando la irradiancia tiene el valor máximo,
siendo inestable cuando la irradiancia tiene un valor de 800 W/m2 . En el resto de
valores de irradiancia realiza el seguimiento del punto de máxima potencia de ma-
nera satisfactoria, aunque con valles en los cambios de irradiancia. Finalmente, se
puede observar como el algoritmo compuesto por doce capas es muy inestable cuan-
do la irradiancia es máxima (1000 W/m2 ), siguiendo el punto de máxima potencia
de manera aceptable en el resto de valores de irradiancia. Son destacables los valles
de potencia observados en este algoritmo, ya que son mucho más pronunciados que
en el resto de algoritmos.
Modelo 2: 5V, I, Ta
uniforme escalonado.

algoritmos en los que se han utilizado como variables la tensión de cada módulo, la
intensidad del sistema fotovoltaico y la temperatura ambiente. En este caso, el algo-
ritmo compuesto por doce capas genera un valor de potencia muy cercano al valor
máximo teórico en todas los valores de irradiancia. En cambio, el algoritmo formado
por seis capas genera una potencia inferior a la ideal cuando el valor de irradiancia
es máximo, mostrando también inestabilidad en el segundo valor de irradiancia (800
W/m2 ). En la simulación del algoritmo de tres capas, los valores de potencia son
anómalamente bajos cuando el valor de irradiancia es máximo, aumentando cuando
el valor de irradiancia disminuye a 800 W/m2 . En este algoritmo es reseñable lo pro-
nunciados que son los valles de potencia en los cambios de irradiancia. En los valores
de irradiancia inferiores (600 W/m2 y 400 W/m2 ) todos los algoritmos evaluados
logran generar la máxima potencia teórica.
Modelo 3: 5V, 5Ir
la irradiancia incidente en cada módulo en el escenario uniforme escalonado.

algoritmos realizados utilizando como variables la tensión de cada módulo y la irra-
diancia incidente en cada uno de ellos. En este caso, el algoritmo compuesto por
doce capas genera un valor de potencia cercano al valor máximo teórico en todas los
valores de irradiancia aunque no llega a generar el valor ideal de potencia cuando
los valores de irradiancia son máximos (800 W/m2 y 1000 W/m2 ). El resto de algo-
ritmos de ANN se comportan prácticamente de la misma manera, generando valores
de potencia inferiores a la obtenida en el algoritmo de doce capas en todos los valo-
res de irradiancia exceptuando el valor mı́nimo (400 W/m2 ). En estos algoritmos es
reseñable que prácticamente no hay valles de potencia en los cambios de irradiancia.
En el valor de irradiancia inferior (400 W/m2 ) todos los algoritmos evaluados logran
generar la máxima potencia teórica.
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.

algoritmos realizados utilizando como variables la tensión de cada módulo y la irra-
diancia incidente en cada uno de ellos. En este caso, todos los algoritmos ANN
generan prácticamente los mismos valores de potencia, destacando ligeramente los
algoritmos compuestos por tres y seis capas, que generan un valor de potencia supe-
rior al generado utilizando el algoritmo compuesto por doce capas cuando el valor
de la irradiancia es máximo, pero sin llegar a generar la potencia ideal. En el res-
to de valores de irradiancia, todos los algoritmos generan prácticamente la misma
potencia, sin llegar a la potencia ideal excepto cuando el valor de irradiancia es
mı́nimo.
Energı́a generada en el escenario uniforme escalonado

Del mismo modo que en el escenario anterior, todas las variables evaluadas gene-
ran valores de energı́a similares (excepto el algoritmo de tres capas con variables 5V,
I y Ta, en los que se ha generado un valor de energı́a anormalmente bajo), destaca
el algoritmo que utiliza únicamente la tensión de cada módulo y la intensidad del
sistema fotovoltaico con tres capas neuronales, siendo éste el algoritmo más senci-
llo y el que genera la mayor cantidad de energı́a (17.8 Wh). Esto puede deberse
a la sencillez del escenario evaluado, que no requiere de un conocimiento extenso
del sistema fotovoltaico evaluado, ya que dicho conocimiento irı́a reflejado en un
mayor número de variables. También es destacable cómo la energı́a generada con
este conjunto de variables disminuye a medida que aumenta el número de capas, no
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
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
uniforme escalonado. Se ha resaltado el algoritmo que genera la mayor cantidad de energı́a.
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.
4.2.3. Sombreado uniforme gradual

El sombreado uniforme gradual evalúa la respuesta de los algoritmos MPPT ante
un valor de irradiancia descendente de manera gradual a lo largo del tiempo.
Figura 4.13: Gráfica de los valores de irradiancia en el escenario uniforme gradual.
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.
Modelo 1: 5V, I
cada módulo y la intensidad total del sistema fotovoltaico en el escenario uniforme gradual.

intensidad del sistema fotovoltaico. Se puede ver como los resultados no son óptimos
con ninguno de los algoritmos ANN utilizados. El algoritmo con tres capas funciona
bien con valores de irradiancia altos pero sus resultados de potencia comienzan a
inestabilizarse con el descenso de los valores de irradiancia. El algoritmo con seis
capas presenta una gran inestabilidad en la primera mitad de la simulación, no
llegando a generar la máxima potencia hasta el segundo 30. Finalmente, el algoritmo
de doce capas neuronales ofrece los peores resultados, con un valor de potencia
generada muy inferior al ideal con altos valores de irradiancia, pero, a partir del
segundo 18 aproximadamente, genera la máxima potencia.
Modelo 2: 5V, I, Ta
uniforme gradual.

los algoritmos realizados utilizando como variables la tensión de cada módulo, la
intensidad del sistema fotovoltaico y la temperatura ambiente. En este caso, el único
algoritmo de ANN que ofrece resultados óptimos es el algoritmo compuesto por
doce capas neuronales. Dicho algoritmo realiza un seguimiento perfecto del punto
de máxima potencia a lo largo del tiempo. Los algoritmos compuestos por tres y
seis capas neuronales no ofrecen buenos resultados al ser fuertemente inestables al
inicio de la simulación y con una generación de potencia muy inferior a la ideal,
especialmente en el algoritmo formado por tres capas neuronales.
Modelo 3: 5V, 5Ir
la irradiancia incidente en cada módulo en el escenario uniforme gradual.

irradiancia incidente en cada uno. En este caso, los resultados son mejores en el
algoritmo formado por doce capas, generando valores de potencia muy cercanos a la
máxima potencia teórica, igualándose a partir del segundo 30. En cambio, el resto
de algoritmos generan prácticamente los mismos valores de potencia. Éstos valores
son inferiores al valor de potencia generada por el algoritmo compuesto por doce
capas hasta el segundo 45 aproximadamente, donde todos los algoritmos evaluados
logran generar la máxima potencia teórica.
ambiente en el escenario uniforme gradual.
En la figura 4.17 se pueden observar los resultados de potencia obtenidos median-

te los algoritmos realizados utilizando como variables la tensión de cada módulo, la
irradiancia incidente en cada uno, la intensidad del sistema fotovoltaico y la tempe-
ratura ambiente. En este caso los tres algoritmos generan valores de potencia muy
similares, todos ellos inferiores a la potencia máxima teórica hasta el segundo 40
aproximadamente.
Energı́a generada en el escenario uniforme gradual

Como se puede observar en los valores de energı́a generada, todas las variables
evaluadas generan valores de energı́a similares, destacando dos algoritmos al generar
ambos la mayor cantidad de energı́a. El primer modelo utiliza la tensión de cada
módulo, la intensidad del sistema fotovoltaico y la temperatura ambiente. El segundo
modelo utiliza la tensión de cada módulo y la irradiancia incidente en cada uno de
ellos. En ambos modelos el algoritmo que genera mayor cantidad de energı́a es el
algoritmo con doce capas. La energı́a total generada es de 15.2 Wh. Este valor difiere
en únicamente 0.4 Wh respecto a la energı́a generada mediante el algoritmo P&O,
esto es debido a que, al ser un escenario en el que la irradiancia cae de manera
progresiva, el algoritmo puede seguir sin dificultad el punto de máxima potencia.
En este escenario es destacable la inestabilidad de los algoritmos que únicamente
utilizan las variables 5V, I y 5V, I, Ta (excepto el algoritmo con doce capas). Estos
algoritmos son muy inestables con valores de irradiancia altos o bajos, no siendo
constantes y produciendo grandes pérdidas de potencia.
º
Uniforme gradual
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
uniforme gradual. Se ha resaltado el algoritmo que genera la mayor cantidad de energı́a.
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.
4.2.4. Sombras lentas
El escenario de sombras lentas evalúa la respuesta de los algoritmos MPPT an-

te cambios de irradiancia a lo largo del tiempo, considerando un máximo de diez
segundos con un valor de irradiancia constante.
Figura 4.19: Gráfica de los valores de irradiancia en el escenario sombras lentas.
Algoritmo P&O
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.
Modelo 1: 5V, I
cada módulo y la intensidad total del sistema fotovoltaico en el escenario sombras lentas.

te los algoritmos realizados utilizando como variables la tensión de cada módulo y la
intensidad del sistema fotovoltaico. Se puede ver como los resultados no son óptimos
con ninguno de los algoritmos ANN utilizados. El algoritmo con tres capas consigue
obtener la potencia máxima con el valor de irradiancia superior (910 W/m2 ), pero
los valores de potencia obtenidos son inestables con el valor de irradiancia inferior
(300 W/m2 ), como se puede ver especialmente al final de la simulación. El algoritmo
con seis capas presenta una gran inestabilidad en el valor de irradiancia superior,
alcanzando la máxima potencia teórica en la irradiancia inferior, mientras que el
algoritmo con doce capas es inestable al principio de la simulación, generando va-
lores de potencia muy inferiores al valor óptimo cuando la irradiancia es elevada,
generando la máxima potencia teórica en las zonas de baja irradiancia.
Modelo 2: 5V, I, Ta
sombras lentas.

intensidad del sistema fotovoltaico y la temperatura ambiente. En este caso, el único
algoritmo de ANN que ofrece resultados aceptables es el algoritmo compuesto por
doce capas neuronales. Dicho algoritmo realiza un seguimiento casi perfecto del
punto de máxima potencia a lo largo del tiempo, aproximándose mucho en el valor
de irradiancia máximo (910 W/m2 ) y siguiéndolo de manera óptima en el valor de
irradiancia mı́nimo (300 W/m2 ). El único inconveniente que se ha detectado en este
caso sucede en los cambios de mayor a menor irradiancia. En éstos se produce una
pérdida considerable de potencia de manera instantánea. Los algoritmos compuestos
por tres y seis capas generan valores de potencia alejados de la potencia máxima
teórica en el valor de irradiancia superior (910 W/m2 ), especialmente el algoritmo
de tres capas, con una pérdida de potencia en los cambios de irradiancia mayor que
en el resto de algoritmos. Cuando el valor de irradiancia es bajo (300 W/m2 ), todos
los algoritmos generan la potencia máxima teórica.
Modelo 3: 5V, 5Ir
la irradiancia incidente en cada módulo en el escenario sombras lentas.

irradiancia incidente en cada uno de ellos. Al igual que en el modelo anterior, el único
algoritmo que ofrece resultados aceptables es el algoritmo compuesto por doce capas.
Dicho algoritmo genera un valor de potencia muy cercano a la máxima potencia
teórica en el valor de irradiancia superior (910 W/m2 ), aunque la potencia vuelve a
diminuir mucho de manera instantánea en los cambios de mayor a menor irradiancia.
En cambio, el resto de algoritmos ANN generan prácticamente los mismos valores
de potencia, siendo estos valores inferiores al valor de potencia generado por el
algoritmo formado por doce capas. Todos los algoritmos evaluados generan la la
máxima potencia cuando la irradiancia es mı́nima (300 W/m2 ).
ambiente en el escenario sombras lentas.

irradiancia incidente en cada uno, la intensidad del sistema fotovoltaico y la tempe-
ratura ambiente. En este caso, los tres algoritmos ANN generan valores de potencia
muy similares, siendo todos inferiores a la potencia máxima teórica en condiciones
de irradiancia máxima (910 W/m2 ), volviendo a observarse picos donde se produce
una disminución de potencia instantánea en los cambios de mayor a menor irradian-
cia, especialmente pronunciados en el algoritmo compuesto por seis capas. Con el
valor de irradiancia mı́nima (300 W/m2 ), todos los algoritmos evaluados generan la
máxima potencia ideal.
Energı́a generada en el escenario sombras lentas

Como se puede ver en los valores de energı́a generada, todas las variables eva-
luadas vuelven a generan valores de energı́a similares, destacando dos modelos al
generar ambos la mayor cantidad de energı́a. El primer modelo utiliza la tensión de
cada módulo, la intensidad del sistema fotovoltaico y la temperatura ambiente. El
segundo modelo utiliza la tensión en cada módulo y la irradiancia incidente en cada
módulo. En ambos modelos el algoritmo que genera mayor cantidad de energı́a es
el algoritmo compuesto por doce capas. La energı́a total generada es de 15.4 Wh.
Este valor difiere en 1.1 Wh con la energı́a generada mediante el algoritmo P&O,
esta diferencia es mucho mayor respecto a la diferencia encontrada en el escenario
anterior al evaluar los cambios continuos de irradiancia a lo largo del tiempo, don-
de el algoritmo P&O emplea mucho tiempo realizando el seguimiento del punto de

máxima potencia, lo que ocasiona una pérdida de una gran cantidad de energı́a.
En este escenario vuelve a ser destacable la inestabilidad de los algoritmos que
únicamente utilizan las variables 5V, I y 5V, I, Ta (excepto el algoritmo con doce
capas), aunque en menor medida que en el escenario anterior.
º
Sombras lentas
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.
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.
4.2.5. Sombras rápidas

El escenario de sombras rápidas evalúa la respuesta de los algoritmos MPPT ante
cambios de irradiancia a lo largo del tiempo, con un máximo de seis segundos con
un valor de irradiancia constante. También hay picos de irradiancia para comprobar

si en esos picos de irradiancia se genera algo de potencia.
Figura 4.25: Gráfica de los valores de irradiancia en el escenario sombras rápidas.
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.
Modelo 1: 5V, I
cada módulo y la intensidad total del sistema fotovoltaico en el escenario sombras rápidas.

te los algoritmos realizados utilizando como variables la tensión de cada módulo y
la intensidad del sistema fotovoltaico. Los resultados conseguidos son prácticamente
iguales a los obtenidos en el escenario anterior (sombras lentas), con diferencias en
los picos de irradiancia, en los que prácticamente ningún algoritmo consigue obtener
la potencia máxima. Asimismo, se puede observar como, al igual que en el escenario
anterior, los valores de potencia generados no son óptimos con ninguno de los algo-
ritmos utilizados. El algoritmo compuesto por tres capas funciona bien con el valor
de irradiancia superior (910 W/m2 ), pero vuelve a empeorar en valores de irradian-
cia bajos (300 W/m2 ), como se puede ver al final de la simulación. El algoritmo con
seis capas presenta una gran inestabilidad en el valor de irradiancia superior (910
W/m2 ), mientras que el algoritmo con doce capas es inestable al principio de la si-
mulación, generando valores de potencia muy inferiores al valor de potencia óptimo
cuando la irradiancia incidente es máxima. Todos los algoritmos consiguen generar
la potencia máxima ideal en las condiciones de irradiancia mı́nimas (300 W/m2 )
excepto el algoritmo compuesto por tres capas.
Modelo 2: 5V, I, Ta
sombras rápidas.

intensidad del sistema fotovoltaico y la temperatura ambiente. Al igual que en el
escenario anterior, el único algoritmo de ANN que ofrece resultados casi óptimos
es el algoritmo compuesto por doce capas neuronales. Dicho algoritmo realiza un
seguimiento casi perfecto del punto de máxima potencia a lo largo del tiempo, apro-
ximándose mucho en el valor de irradiancia máximo (910 W/m2 ) y siguiéndolo de
manera perfecta en el valor de irradiancia mı́nimo (300 W/m2 ). El único inconve-
niente detectado se produce en los cambios de mayor a menor irradiancia, donde se
producen grandes pérdidas de potencia de manera instantánea. Los algoritmos de
tres y seis capas se encuentran alejados de la potencia máxima teórica en el valor
máximo de irradiancia (910 W/m2 ), especialmente el algoritmo compuesto por tres
capas, con una pérdida de potencia en los cambios de irradiancia mayor que en el
resto de algoritmos.
Modelo 3: 5V, 5Ir
la irradiancia incidente en cada módulo en el escenario sombras rápidas.

te los algoritmos realizados utilizando como variables la tensión de cada módulo y la
irradiancia incidente en cada uno de ellos. Como se puede ver, los resultados vuelven
a ser muy similares entre ambos escenarios de sombras. Los mejores resultados son
obtenidos mediante el algoritmo compuesto por doce capas, siendo éstos muy simila-
res al anterior algoritmo. Dicho algoritmo llega a un valor muy cercano a la máxima
potencia teórica en todas los valores de irradiancia, aunque la potencia vuelve a
bajar mucho de manera instantánea en los cambios de mayor a menor irradiancia.
Sin embargo, el resto de algoritmos ANN generan menores valores de potencia, muy
similares entre sı́, siendo estos valores inferiores al valor de potencia máxima gene-
rado mediante el algoritmo de doce capas cuando el valor de irradiancia incidente
es máximo (910 W/m2 ), llegando a la máxima potencia cuando la irradiancia es
mı́nima (300 W/m2 ).
ambiente en el escenario sombras rápidas.

irradiancia incidente en cada uno de ellos, la intensidad del sistema fotovoltaico y la
temperatura ambiente. Al igual que en el resto de modelos, los resultados vuelven
a ser muy parecidos, se puede observar como los tres algoritmos ANN generan va-
lores de potencia muy similares, inferiores a la potencia máxima teórica cuando la
irradiancia es máxima (910 W/m2 ), volviendo a observarse picos de disminución de
potencia en los cambios de mayor a menor irradiancia. Todos los algoritmos generan
la potencia máxima teórica en el valor de irradiancia inferior (300 W/m2 ).
Energı́a generada en el escenario sombras rápidas

Al igual que en el escenario anterior, todas las variables evaluadas vuelven a gene-
rar valores de energı́a similares, aunque en este caso únicamente un modelo consigue
generar la energı́a máxima. Dicho modelo utiliza la tensión de cada módulo y la
irradiancia incidente en cada módulo. El algoritmo que genera la máxima cantidad
de energı́a es el que está compuesto por doce capas. La energı́a total generada es de
14.8 Wh. Este valor difiere en 1.3 Wh con la energı́a producida mediante el algoritmo
P&O, esta diferencia es mayor respecto a la diferencia encontrada en el escenario
anterior al evaluar los cambios continuos de irradiancia de manera más rápida a
lo largo del tiempo, donde el algoritmo P&O utiliza mucho tiempo para realizar el
seguimiento del punto de máxima potencia, lo que ocasiona una pérdida de una gran
cantidad de energı́a.
Al igual que en el escenario anterior, vuelve a ser destacable la inestabilidad de

los algoritmos que únicamente utilizan las variables 5V, I y 5V, I, Ta (excepto el
algoritmo con doce capas), aunque en menor medida que en el escenario anterior.
º
Sombras rápidas
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
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.
4.2.6. Sombreado parcial

El escenario de sombreado parcial evalúa la respuesta de los algoritmos MPPT
ante valores de irradiancia diferentes entre módulos. Durante la primera mitad de
la simulación el valor de irradiancia incidente será máximo sobre tres de los cinco
módulos, mientras que el resto de módulos recibirá el valor de irradiancia mı́nimo
(irradiancia difusa). A la mitad de la simulación se intercambiarán los valores de

irradiancia en todos los módulos.
Figura 4.31: Gráfica de los valores de irradiancia en el escenario sombreado parcial.
Algoritmo P&O
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.
Modelo 1: 5V, I
cada módulo y la intensidad total del sistema fotovoltaico en el escenario sombreado parcial.

intensidad del sistema fotovoltaico. Se puede ver como ninguno de los algoritmos
ANN realizan un buen seguimiento del punto de máxima potencia, siendo inestables
en toda la simulación.
Modelo 2: 5V, I, Ta
sombreado parcial.

intensidad del sistema fotovoltaico y la temperatura ambiente. En este caso, vuelve
a ocurrir lo mismo que en el modelo anterior, con una inestabilidad muy pronunciada
de todos los algoritmos ANN, especialmente en el algoritmo con doce capas, como
se puede ver en la imagen.
Modelo 3: 5V, 5Ir
la irradiancia incidente en cada módulo en el escenario sombreado parcial.

te los algoritmos realizados utilizando como variables la tensión de cada módulo y
la irradiancia incidente en cada uno. En la primera parte de la simulación, los algo-
ritmos consiguen generar un valor de potencia estable durante toda la simulación.
Es destacable el algoritmo compuesto por seis capas, que realiza un seguimiento casi
óptimo del punto de máxima potencia, mientras que los algoritmos con doce y tres
capas no llegan a generar la potencia esperada en la primera mitad de la simulación,
especialmente el algoritmo compuesto por tres capas. En la segunda parte de la si-
mulación todos los algoritmos consiguen generar valores de potencia muy similares
y cercanos a la máxima potencia teórica.
ambiente en el escenario sombreado parcial.

irradiancia incidente en cada uno de ellos, la intensidad del sistema fotovoltaico y la
temperatura ambiente. Comparando los resultados con el modelo anterior, se puede
destacar que los resultados de potencia son mejores a nivel general en la primera
mitad de la simulación, donde los tres algoritmos generan valores de potencia próxi-
mos al valor de máxima potencia, siendo el algoritmo compuesto por tres capas el
más cercano, seguido por el algoritmo compuesto por doce capas y finalmente, el
algoritmo compuesto por seis capas. En cambio, en la segunda mitad de la simula-
ción, el algoritmo compuesto por tres capas genera un valor de potencia alejado del
punto de máxima potencia, mientras que los algoritmos compuestos por seis y doce
capas consiguen generar un valor de potencia cercano al valor de potencia ideal.
Energı́a generada en el escenario sombreado parcial

En este escenario se evalúa la respuesta del algoritmo ante una situación de som-
breado parcial sobre los cinco módulos fotovoltaicos. Pueden observarse los valores
de energı́a obtenidos, pudiéndose deducir que en esta situación es necesario dispo-
ner de los datos de irradiación incidente sobre cada uno de los módulos, ya que,
todos los algoritmos que no utilizan esta información presentan valores de energı́a
generada muy bajos y son muy inestables durante toda la simulación. En cambio,
los algoritmos que hacen uso de los valores de irradiancia presentan valores buenos.
El algoritmo que genera la mayor cantidad de energı́a es el algoritmo que utiliza la
tensión de cada módulo y la irradiancia incidente en cada uno de ellos. El algoritmo

que genera la máxima cantidad de energı́a es el que está compuesto por seis capas.
La energı́a total generada es de 11.2 Wh. Este valor difiere en 0.4 Wh respecto a
la energı́a generada mediante el algoritmo P&O, esta diferencia es debida al tiempo
que tarda el algoritmo P&O en estabilizarse siguiendo al punto de máxima potencia.
º
Sombreado parcial
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
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.
4.3. Análisis de los modelos

Finalmente, se realiza un análisis de los modelos utilizados. Para este análisis se
suman todos los valores de energı́a obtenidos por cada algoritmo evaluado en cada
uno de los seis escenarios. Estos resultados se encuentran reflejados en la tabla 4.7.
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
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
valores de energı́a más representativos respecto al objetivo que se intenta alcanzar.

Se podrı́an definir distintos ”trayectos de referencia” teniendo en cuenta distintos
minutos (o pesos) para cada escenario en función de lo que el diseñador quiera
comparar.
Capı́tulo 5
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.
1. La creación de una base de datos con valores de irradiancia directa, difusa y

temperatura ambiente permitió la utilización de datos reales de la ciudad de
Madrid, cuyo uso permite la demostración de que los algoritmos se pueden
aplicar en condiciones de irradiancia y temperatura similares a las condiciones
que se pueden encontrar en un modelo real. El algoritmo se podrı́a adaptar a
cualquier zona del mundo según la base de datos utilizada, posibilitando un
entrenamiento totalmente personalizado.
2. La toma de datos a través de las simulaciones permitió la obtención de un
gran número de valores de corriente y tensión a través del cálculo de curvas
I-V. Estas curvas representan la respuesta de los módulos fotovoltaicos ante los
valores de irradiancia y temperatura del lugar elegido en la creación de la base
de datos.
3. Al ser una simulación, se pueden obtener las curvas I-V de cualquier módu-
lo fotovoltaico, obteniendo ası́ su respuesta en unas condiciones determinadas
y permitiendo el entrenamiento de nuevos modelos con diferentes módulos o
células fotovoltaicas.
4. El entrenamiento de los modelos es el paso con mayor margen de mejora, pu-
diendo experimentar con un mayor número de capas o diferentes parámetros
en el entrenamiento de los modelos, permitiendo ası́ un seguimiento del punto
de máxima potencia mucho más preciso y sin pérdidas.
El objetivo principal de la realización del trabajo era la obtención de un algoritmo

de cálculo del punto de máxima potencia del sistema fotovoltaico compuesto por
varios módulos instalados sobre la superficie de un vehı́culo eléctrico.
En total se han desarrollado doce algoritmos de cálculo del punto de máxima
potencia, siendo seis el número de algoritmos con resultados de potencia generada
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:
El desarrollo de un prototipo real y su instalación en la superficie de un vehı́culo

113
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
[1] D. M. Atia. Global Maximum Power Point Tracking-Based Computational

Intelligence Techniques, pages 131–163. Springer International Publishing,
Cham, 2020. ISBN 978-3-030-05578-3. doi: 10.1007/978-3-030-05578-3 5. URL
https://doi.org/10.1007/978-3-030-05578-3_5.
[2] E. Comission. Photovoltaic geographical information system. https://re.
jrc.ec.europa.eu/pvg_tools/es/.
[3] P. Cooper. The absorption of radiation in solar stills. Solar Energy, 12(3):
333–346, 1969. ISSN 0038-092X. doi: https://doi.org/10.1016/0038-092X(69)
90047-4. URL https://www.sciencedirect.com/science/article/pii/
0038092X69900474.
[4] A. Einstein. On a heuristic point of view about the creation and conversion
of light. On a Heuristic Point of View about the Creation and Conversion
of Light, 1905. URL https://en.wikisource.org/wiki/Translation:
On_a_Heuristic_Point_of_View_about_the_Creation_and_Conversion_
of_Light.
[5] A. M. Eltamaly and H. M. H. Farh. PV Characteristics, Performance and
Modelling, pages 31–63. Springer International Publishing, Cham, 2020. ISBN
978-3-030-05578-3. doi: 10.1007/978-3-030-05578-3 2. URL https://doi.org/
10.1007/978-3-030-05578-3_2.
[6] FutureLearn. What is python used for? 10 practical python uses. https:
//www.futurelearn.com/info/blog/what-is-python-used-for.
[7] I. Goodfellow, Y. Bengio, and A. Courville. Deep Learning. MIT Press, 2016.
http://www.deeplearningbook.org.
[8] M. Kordestani, A. Mirzaee, A. A. Safavi, and M. Saif. Maximum power point
tracker (mppt) for photovoltaic power systems-a systematic literature review.
In 2018 European Control Conference (ECC), pages 40–45, 2018. doi: 10.23919/
ECC.2018.8550117.
[9] J. Larminie and J. Lowry. Electric Vehicle Technology Explained, chapter 1,
pages 1–21. John Wiley & Sons, Ltd, 2003. ISBN 9780470090701. doi: https://
doi.org/10.1002/0470090707.ch1. URL https://onlinelibrary.wiley.com/
doi/abs/10.1002/0470090707.ch1.
[10] S. Messalti, A. G. Harrag, and A. E. Loukriz. A new neural networks mppt
controller for pv systems. In IREC2015 The Sixth International Renewable
Energy Congress, pages 1–6, March 2015. doi: 10.1109/IREC.2015.7110907.
115
116 BIBLIOGRAFÍA
[11] N. A. Owen, O. R. Inderwildi, and D. A. King. The status of conventional world

oil reserves?hype or cause for concern? Energy Policy, 38(8):4743–4749, 2010.
ISSN 0301-4215. doi: https://doi.org/10.1016/j.enpol.2010.02.026. URL https:
//www.sciencedirect.com/science/article/pii/S0301421510001072.
[12] O. Perpiñán. Energı́a Solar Fotovoltaica. 2020. URL https://oscarperpinan.
github.io/esf/.
[13] N. Ponce de León Puig, L. Acho, and J. Rodellar. Design and experimental
implementation of a hysteresis algorithm to optimize the maximum power point
extracted from a photovoltaic system. Energies, 11:1866, 07 2018. doi: 10.3390/
en11071866.
[14] S. A. Rizzo and G. Scelba. Ann based mppt method for rapidly variable shading
conditions. Applied Energy, 145:124–132, 2015. ISSN 0306-2619. doi: https://
doi.org/10.1016/j.apenergy.2015.01.077. URL https://www.sciencedirect.
com/science/article/pii/S0306261915001130.
[15] L. Sun and M. Wang. Global warming and global dioxide emission: An em-
pirical study. Journal of Environmental Management, 46(4):327–343, 1996.
ISSN 0301-4797. doi: https://doi.org/10.1006/jema.1996.0025. URL https:
//www.sciencedirect.com/science/article/pii/S0301479796900250.
[16] R. Tan. Mppt perturb and observe interactive demo.
https://www.mathworks.com/matlabcentral/fileexchange/
72796-mppt-perturb-observe-interactive-demo, August 2021. MATLAB
Central File Exchange. Retrieved August 8, 2021.
[17] Y. Tan and D. Kirschen. Impact on the power system of a large penetration of
photovoltaic generation. pages 1 – 8, 07 2007. doi: 10.1109/PES.2007.385563.
[18] J. Torres. Python Deep Learning: Introducción práctica con Keras y TensorFlow
2. 2020. URL https://torres.ai/python-deep-learning/.
Apéndice A
ANEXO: Repositorio del trabajo y

hoja de caracterı́sticas del módulo
fotovoltaico utilizado
A.1. Repositorio del trabajo

En el siguiente enlace (https://github.com/GuilleIllana/TFG_E_Demo) se pue-
de acceder a todo el código empleado en la realización del trabajo.
A.2. Hoja de caracterı́sticas del módulo fotovol-

taico utilizado
En este apéndice se encuentra la hoja de caracterı́sticas del módulo solar utilizado
en el presente trabajo.
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.
Reduced Installation Cost

More power per panel means fewer
panels per install. This saves both time
and money.
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.
SunPower’s High Efficiency Advantage - Up to Twice the Power
Thin Film Conventional SunPower
Peak Watts / Panel 65 215 305
Efficiency 9.0% 12.8% 18.7%
Peak Watts / ft2 (m2) 8 (90) 12 (128) 17 (187)
About SunPower
SunPower designs, manufactures and delivers high-performance

solar electric technology worldwide. Our high-efficiency solar cells
generate up to 50% more power than conventional solar cells.
Our high-performance solar panels, roof tiles and trackers deliver
significantly more energy than competing systems.
SPR-305-WHT-D
305 SOLAR PANEL
EXCEPTIONAL EFFICIENCY AND PERFORMANCE
Electrical Data I-V Curve

Measured at Standard Test Conditions (STC): irradiance of 1000W/m², AM 1.5, and cell temperature 25° C
Peak Power (+/-5%) Pmax 305 W

1000 W/m² at 50° C
Rated Voltage Vmpp 54.7 V
1000 W/m²
Rated Current Impp 5.58 A
Current (A)
800 W/m²
Open Circuit Voltage Voc 64.2 V
Short Circuit Current Isc 5.96 A 500 W/m²
Maximum System Voltage UL 600 V
Temperature Coefficients 200 W/m²
Power -0.38% / K
Voltage (Voc) -176.6mV / K Voltage (V)
Current (Isc) 3.5mA / K Current/voltage characteristics with dependence on irradiance and module temperature.
NOCT 45° C +/-2° C

Tested Operating Conditions
Series Fuse Rating 15 A
Temperature -40° F to +185° F (-40° C to + 85° C)
Mechanical Data 50 psf 245 kg/m2 (2400 Pa) front and back – e.g.
Max load
Solar Cells 96 SunPower all-back contact monocrystalline wind
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

Redes Neuronales Artificiales para El Seguimiento Del Punto de Maxima Potencia de Paneles Solares Integrados en Veh Iculo El Ectrico

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Redes Neuronales Artificiales para El Seguimiento Del Punto de Maxima Potencia de Paneles Solares Integrados en Veh Iculo El Ectrico

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD POLITÉCNICA DE MADRID

ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA Y

Grado en Ingenierı́a Eléctrica

TRABAJO FIN DE GRADO