Neural Control for Photovoltaic Panel Maximum Power Point Tracking

• Autores: Jorge Loza López, Tania B. López García, Riemann Ruíz Cruz, Edgar N. Sánchez
• Localización: Revista Científica de Ingeniería Electrónica, Automática y Comunicaciones, ISSN-e 0258-5944, ISSN 1815-5928, Vol. 38, Nº. 1, 2017, págs. 79-89
• Idioma: inglés
• Títulos paralelos:
  • Control Neuronal para el Seguimiento del Máximo Punto de Potencia de un Panel Fotovoltaico
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Dado el aumento en el uso de energía renovable, los paneles solares han demostrado ser de confianza y tener una proporción costo-beneficio favorable, produciendo energía libre de ruido y contaminación del aire. Los paneles solares están sujetos a variaciones considerables en sus condiciones de trabajo debido a cambios en niveles de irradiación solar y en temperatura, esto afecta sus propiedades como semiconductor. Para poder aprovechar lo más posible esta fuente de energía, control de los módulos y rechazo a perturbaciones es muy importante para obtener la máxima cantidad disponible de poder eléctrico. Este trabajo está centrado en la identificación y el control en-línea de un sistema fotovoltaico, usando redes neuronales con el filtro de Kalman como algoritmo de entrenamiento. Al tener identificación y control en-línea, el sistema se vuelve más adaptable a cambios en el clima y a otras variaciones en comparación con métodos fuera de línea que son más comunes.

  • English

    With the rise in the use of renewable energies, solar panels have proven to be reliable and have a favorable cost-benefit ratio, producing energy free of noise and air pollution. Solar panels are subject to considerable variations in working conditions due to changes in solar irradiation levels and temperature that affect its semiconductor properties. To be able to profit as much as possible from this source of energy, control of the modules and perturbation rejection is very important to obtain the highest viable amount of electrical power. This work is concerned with the on-line identification and control of a photovoltaic system using neural networks with the Kalman Filter as training algorithm. Having on-line identification and control allows the system to be more adaptable to changes in weather and other variations than with common off-line methods.