braulio chuco paucar

OTIMIZAO DA POTNCIA DE OPERAO EM SISTEMA ISOLADO FOTOVOLTAICO USANDO

TCNICAS DE INTELIGNCIA ARTIFICIAL

BRAULIO CHUCO

UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL

PROGRAMA DE PS-GRADUAO

EM ENGENHARIA ELTRICA

OTIMIZAO DA POTNCIA DE OPERAO EM

SISTEMA ISOLADO FOTOVOLTAICO USANDO


Dissertao apresentada ao Departamento de Engenharia Eltrica da Universidade Federal de Mato Grosso do Sul como parte dos requisitos para a obteno do ttulo de Mestre em Engenharia Eltrica.

BRAULIO CHUCO

Campo Grande, 2007.




Dissertao de Mestrado submetida banca examinadora designada pelo Colegiado do Programa de Mestrado em Engenharia Eltrica da Universidade Federal de Mato Grosso do Sul, como parte dos requisitos necessrios obteno do grau de Mestre em Engenharia Eltrica.

Joo Onofre Pereira Pinto Dr. Prof. DEL/UFMS - Orientador

Luciana Cambraia Leite Dra.

Profa. DEL/UFMS

Maurcio Beltro de Rossiter Corra Dr.

Prof. DEE/CEEI/UFCG

Aos meus familiares, amigos e professores.

Agradecimentos

A minha Me Cipriana, a minha Esposa Amparo-Milagros, Aos meus irmos Victor/Baslides pelo apoio e compreenso. Aos meus orientadores, Prof. Pinto, Prof Jorge Luis que alm de contribuir intelectualmente, tornou-se grandes amigos. A Sra. Susana Crdova da EDUCA-Per pelo apoio incondicional para vir ao Brasil. A todos meus colegas e amigos do BATLAB tais como: Rene Capitanio, Luigi Galotto, Z Edison Cabral, Gilberto Shimada, Ruben Barros, Faete Jacques, Cristiano Quevedo, Andr Muniz, Mrcio Lorenzoni, Mario Marcos Frank, Alexandre Ataida, Wellington Rocha do Laboratrio de Eficincia Energtica. Tambm no poderia deixar de agradecer aos professores do DEL/UFMS pelo ensino das disciplinas que foram chaves para conseguir finalizar este trabalho. Meus sinceros agradecimentos ao BATLAB e seu coordenador o Prof. Pinto pelo apoio e cooperao para meu trabalho e do CIEEP-Per, ao pas do Brasil pela oportunidade de me permitiram alcanar meus objetivos. Ao todo o pessoal e amigos do CIEEP-Per, que fizeram os esforos necessrios para continuar nas atividades durante os dois anos. Finalmente, agradeo ao CNPq e CIEEP-Per pelo apoio financeiro.

ii



TCNICAS DE INTELIGNCIA ARTIFICIAL Braulio Chuco

Orientadores: Professor Dr. Joo O. Pereira Pinto; Professor Dr. Jorge L. Roel Ortiz.

rea de Concentrao: Energia Eltrica.

Palavras-chave: Sistema de Energia Solar, Tenso tima, Potncia Mxima, Sistemas Fuzzy,

Redes Neurais.

Nmero de Pginas: 112.

RESUMO: Este trabalho apresenta um sistema de aproveitamento timo da potncia de um

sistema isolado fotovoltaico usando tcnicas de inteligncia artificial, mediante um sistema

estimador da tenso tima, razo cclica do conversor D, ndice de modulao ma e o SOC

do banco de baterias, que permite manter operando o sistema Arranjo Fotovoltaico no ponto

da mxima potncia. Um sistema Fuzzy foi implementado para estimar a tenso tima

instantnea de operao do Arranjo Fotovoltaico a partir dos dados de irradiao e

temperatura instantnea para encontrar o ponto da potncia mxima instantnea. Para manter

a operao no ponto mximo da potncia encontrada, foi usado um controlador Neural que

atua sobre o conversor Buck-Boost para condicionar a tenso nos terminais do Arranjo

Fotovoltaico e em perodo de carga ou descarga da bateria com o objetivo de compensar ou

aproveitar a corrente instantnea excedente ou deficiente dependendo da irradiao e

demanda instantnea, do equilbrio entre o consumo e a potncia gerada. O controlador

Neural usa as grandezas da tenso tima estimada pelo estimador Fuzzy, a corrente da carga

em CA e a corrente da bateria para o controle do conversor CC-CC (Buck-Boost), para

estimar o SOC da bateria e o ndice de modulao do inversor. O mtodo proposto mostrou-

se eficiente de acordo com as simulaes feitas, observando vantagens como aplicaes

prticas e simples.

POWER OPERATION OPTIMIZATION OF

PHOTOVOLTAIC STAND ALONE SYSTEM USING

ARTIFICIAL INTELLIGENCE TECHNIQUES

Braulio Chuco

Advisors: Professor Joo O. Pereira Pinto, PhD., Professor Jorge L. Roel Ortiz, Dr.

Area of Concentration: Electrical Energy.

Keywords: Fuzzy Systems, Neural Systems, Optimum Voltage, Maximum Power,

Photovoltaic Systems.

Number of Pages: 112.

ABSTRACT: This work presents a power operation optimization of photovoltaic stand

alone system using artificial intelligence techniques, via a optimum voltage estimator and

control systems to maintain the photovoltaic generator in the maximum power point. A

Fuzzy Systems is implemented to estimate from instantaneus radiation and room

temperature, the optimum voltage of operation of photovoltaic generator. In order to maitain

in this found optimum power point, independent of load variations, is used a neural

controller that acts at the charge/discharge of the battery with the objective at compensating

or absorving the exceeding or deficiency instantaneous current calculated from balance of

the consumption and the photovoltaic generator. The neural controller use optimum voltage

from Fuzzy estimator, load current and battery current, to control the DC-DC converter, to

estimate the battery SOC and inverter modulation indice. Based on simulation results, the

method was found to be effective. It also has advantages such as simplicities and easy

implementation.

SUMRIO

1. Introduo........................................................................................................................1

1.1. Energias Renovveis............................................................................................ 1

1.1.1. Histria das Clulas Fotovoltaicas.................................................................2

1.1.2. Novas Tecnologias Solares ............................................................................3

1.2. Sistemas de Otimizao da Potncia do Painel Solar ..............................................4

1.2.1. Estado de Arte na Otimizao da Potncia Gerada.......................................5

1.2.2. Tcnicas de Inteligncia Artificial em Otimizao da Potncia do Painel

Solar .........................................................................................................................6

1.3. Tcnicas de Inteligncia Artificial.......................................................7

1.3.1. Redes Neurais .................................................................................................7

1.3.2. Sistemas de Lgica Fuzzy..............................................................................9

1.4. Objetivo.....................................................................................................................9

1.5. Metodologia ............................................................................................................10

2. Elementos Tpicos do Gerador Solar............................................................................11

2.1. Conversores Estticos de Energia Urilizados em Acondicionamento de Eltrica

Para o Consumo...................................................................................................................11

2.1.1. Conversor CC-CC Abaixador-Elevador (Buck-Boost)...............................11

2.1.2. Sistema de Controle do Conversor Buck - Boost........................................14

2.1.3. Inversor Trifsico Fonte de Tenso ............................................................15

2.1.4. Sistema de Controle do Inversor Trifsico Fonte de Tenso (IFT) ............15

2.2. Componente de Armazenamento de Energia.........................................................18

2.2.1. Armazenadores Eletroqumicos ...................................................................18

2.2.2. Bateria e Suas Caractersticas ......................................................................20

2.3. Gerador Fotovoltaico (Celula, Painel e Arranjo) ...................................................22

2.3.1. Modelo da Clula Solar................................................................................22

2.3.2. Parmetros de uma Clula Solar. .................................................................23

2.3.3. Painel Solar. ..................................................................................................24

2.3.4. Arranjo Fotovoltaico ....................................................................................26

3. Redes Neurais Artificiais e Lgica Fuzzy...................................................................27

ii

3.1. Introduo................................................................................................................27

3.2. Redes Neurais Artificiais ................................................................................. .27

3.3. Rede Neural de Funo Base Radial......................................................................29

3.4. Lgica Fuzzy...........................................................................................................35

3.4.1. Definio.......................................................................................................36

4. Modelo Proposto Para Operao tima do Sistema Fotovoltaico Isolado ............. .. 38

4.1. Modelo de Controle Otimizado..............................................................................38

4.1.1. Operao Caracterstica do Arranjo Fotovoltaico.......................................38

4.1.2. Estimador Fuzzy de Vmax Para Estimar o Ponto da Potncia Mxima de

Operao (PPMO).........................................................................................................39

4.1.3. Estimador do SOC da Bateria ......................................................................46

4.1.4. Controlador da Carga/Descarga da Bateria ................................................48

4.1.5. Controlador do Buck-Boost .........................................................................50

4.1.6. Controlador do Inversor ...............................................................................55

4.1.7. Projeto, Treinamento e Configurao da RN-RBF....................................58

4.2. Estratgia de Controle Proposto .............................................................................59

4.2.1. Primeiro Teste do Modelo Proposto ............................................................62

4.2.2. Segundo Teste do Modelo Proposto ............................................................66

5. Aplicao do Modelo Proposto ....................................................................................69

5.1. Configurao do Sistema de Aplicao .................................................................69

5.2. Caractersticas Tcnicas do Sistema Para Estudo de Caso....................................70

5.2.1. Sistema Isolado com Carga Constante .......................................................70

5.2.2. Sistema Isolado com Carga Varivel..........................................................73

6. Concluses.....................................................................................................................79

7. Possveis Trabalhos Futuros e Publicaes Relacionadas ...........................................81

7.1. Possveis Trabalhos Futuros ...................................................................................81

7.2. Publicaes Relacionadas.......................................................................................81

Referncias.83

Apndice A - 1...86

Parmetros Eltricos do Painel Solar..................................................................................87

Equacionamentos do Modelo de Painel Solar ....................................................................88

Modelo do Painel Solar no Matlab/Simulink .....................................................................89

iii

Modelo da Bateria. ..............................................................................................................90

Controlador da Chave de Carga/Descarga da Bateria........................................................91

Modelo do RN-RBF no Matlab/Simulink ..................................................................... 92

Modelo Completo do Sistema em Matlab/Simulink93

Apndice A- 2...........................................................................................................................94

Exemplo de projeto solar....................................................................................................94

Dados de Treinamento da RN-RBF...................................................................................96

ACRNIMOS

CA Corrente Alternada

CC Corrente Continua

IFT Inversor Fonte de Tenso

RN Rede Neural

SOC State Of Charge

RMS Root Mean Square (Valor Meio Quadratico)

ANN Artificial Neural Network

RBF Radial Basic Function

LF Lgica Fuzzy

MLP Modulao de Largura de Pulso

PWM Pulse Width Modulation

SPWM Sinusoidal Pulse Width Modulation

CCD Corrente Constate de Descarga

OPEC Organization of the Petroleum Exporting Countries

AF Arranjo Fotovoltaico

LISTA DE SIMBOLOS

V Tenso

I Corrente

D, Vav, Iav Razo Cclica, tenso e corrente de sada do conversor Buck-Boost

ma ndice de modulao

T Perodo

Imax Corrente no ponto mximo da potncia

[W] Watts

[V] Volts

[I] Amperes

Vs, Vo Tenso de entrada e sada no conversor Buck-Boost

Vab, Van Tenso linha-linha, Tenso linha-neutro

Ah Ampere-hora

, c Sinal portadora, Sinal de fundamental

max Razo de corte (conversor cc-cc) q, qmax Carga instantanea, carga mxima da bateria

k Constante de Boltzmann

c Relao da capacidade de carga disponvel entre a capacidade

total.

Iph Corrente fotovoltaico

ID Corrente no Diodo

Vmax Tenso tima imposta nos terminais da clula

Ga Irradiao Solar

Tc Temperatura ambiente

Io Corrente de saturao inversa

Mp Nmero de painis em paralelo

Ms Nmero de painis em serie

Np Nmero de clulas em paralelo

Ns Nmero de clulas em serie

Pmax Ponto mximo da potncia

ii

LISTA DE FIGURAS

Nmero Pgina

Fig. 2.1. Conversor Buck Boost ...............................................................................................13

Fig. 2.2. Controle do conversor CC-CC....................................................................................14

Fig. 2.3. Topologia de um inversor trifsico (IFT)...................................................................15

Fig. 2.4. Modulao de Largura de Pulso Senoidal..................................................................17

Fig. 2.5. Densidade tpicas de energia a 5 h tempo nominal de descarga para clulas

eletroqumicas conhecidas. ...........................................................................................19

Fig. 2.6. Circuito equivalente de uma bateria simples..............................................................20

Fig. 2.7. Modelo de uma clula solar. .......................................................................................22

Fig. 2.8. Efeito das conexes das clulas idnticas. .................................................................25

Fig. 2.9. Representao grfica tpica V-I de um painel solar e a potncia V*I......................25

Fig. 3.1. Neurnio biolgico .....................................................................................................28

Fig. 3.2. Representao de um neurnio artificial. ...................................................................29

Fig. 3.3. Rede neural tipo RBF..................................................................................................30

Fig. 3.4. Neurnio oculto...........................................................................................................33

Fig. 3.5. Campo receptivo. ........................................................................................................34

Fig. 3.6. Etapas de um sistema Fuzzy.......................................................................................37

Fig. 4.1. Configurao do sistema Arranjo Fotovoltaico isolado...39

Fig. 4.2. Variao da tenso mxima em funo da temperatura, irradiao, e potncia

mxima durante o dia. ...................................................................................................41

Fig. 4.3. Sistema Fuzzy. ............................................................................................................43

Fig. 4.4. Funes de pertinncia................................................................................................44

Fig. 4.5. Clculo dos antecedentes e dos conseqentes de cada regra pelo mtodo de

inferncia composicional max-min. .............................................................................45

Fig. 4.6. Mapeamento das regras de controle do estimador Fuzzy...........................................46

Fig. 4.7. Predio do SOC pelo RN-RBF .................................................................................48

Fig. 4.8. Variao da tenso durante o processo em funo da variao da carga Ah da

bateria. ...........................................................................................................................50

Fig. 4.9. Tenso na sada do Buck-Boost ..................................................................................51

iii

Fig. 4.10. Corrente na sada do Buck-Boost..............................................................................51

Fig. 4.11. Potncia na entrada e saida do Buck-Boost. .............................................................52

Fig. 4.12. Razo cclica do conversor Buck-Boost estimado pela RN-RBF............................53

Fig. 4.13. Controle do conversor Buck-Boost. .........................................................................54

Fig. 4.14. Sistema de controle convencional do ndice de modulao do inversor m.............56

Fig. 4.15.Teste de sensibilidade dp estimador de ma................................................................57

Fig. 4.16. Estrutura do RN-RBF, Aplicado neste trabalho.......................................................58

Fig. 4.17. Teste do RN-RBF treinada. ......................................................................................59

Fig. 4.18. Representao grfica da estratgia de controle proposto. ......................................61

Fig. 4.19. Potncia gerada pelo painel solar e a consumida pela carga. ..................................62

Fig. 4.20. Comparao da tenso no sistema isolado. ..............................................................63

Fig. 4.21. Corrente Imax no gerador solar e a corrente na sada do conversor. .........................63

Fig. 4.22. Corrente na carga comparado com a corrente disponvel........................................64

Fig. 4.23. Balance de corrente Carga-Bateria-Gerador. ...........................................................65

Fig. 4.24. Variao da tenso estimada pelo Sistema Fuzzy. ...................................................66

Fig. 4.25. Potncia e energia produzida pelo sistema...............................................................68

Fig. 5.1. Configurao do sistema Arranjo Fotovoltaico isolado. ...........................................70

Fig. 5.2. Resultados de simulao para aplicao em um sistema isolado com carga

constante. .......................................................................................................................71

Fig. 5.3. Resultados de simulao para aplicao em um sistema isolado com carga

constante. ......................................................................................................72

Fig. 5.4. Potncia gerada pelo sistema Arranjo Fotovoltaico e a potncia de demanda . .......74

Fig. 5.5. Variao da demanda. .................................................................................................74

Fig. 5.6. Comportamento das tenses na barra CC...................................................................75

Fig. 5.7. Correntes no sistema. ..................................................................................................76

Fig. 5.8. Parmetros da Bateria. ................................................................................................78

LISTA DE TABELAS

Nmero Pgina

Tabela 4.1. Regras do estimador Fuzzy...................................................................................41

Tabela A.2. Dados de treinamento da RN-RBF......................................................................97

CAPTULO 1 - INTRODUO 1

1 . I N T R O D U O

Neste captulo feita uma introduo aos sistemas de energias renovveis e aos

processos de otimizao para o mximo aproveitamento das mesmas, concentrando-se nos

sistemas fotovoltaicos, e nas principais ferramentas hoje em dia usadas para compensar as

baixas eficincias ainda atingidas pelos coletores de irradiao solar, para se transformar em

energia eltrica.

1.1. ENERGIAS RENOVVEIS

Desde o incio da histria do homem as energias renovveis foram utilizadas na forma de

Biomassa, Vento, gua e Sol, por isso estas energias so consideradas a base energtica

do desenvolvimento humano. Todas as energias vm do sol, o carbono, o petrleo, entre

outras, so energias solares armazenadas.

Na atualidade as energias renovveis se tornam mais importantes que as energias fsseis.

Para fazer frente demanda crescente e com acessibilidade econmica, as energias

renovveis assumem o papel da substituio por questes ambientais (efeito de

aquecimento do planeta) e esgotamento de recursos fsseis.

Dentro das energias renovveis a Solar Fotovoltaica a forma mais limpa e mais

confivel (no envolve movimento de massa nem processo qumico na produo, s

processo quntico) de produzir a energia eltrica em pequena ou mdia escala. Em uma

tecnologia usada para o aproveitamento eltrico da energia solar, derivado das clulas

fotovoltaicas e atravs das clulas supracitadas (baseada em propriedades de materiais

semicondutores), a irradiao transforma-se diretamente em eletricidade.


A configurao em conjunto das clulas forma o painel solar e a configurao destes

formam as PV-Arrays (Arranjo Fotovoltaico) [1]. Estas podem ser usadas de muitas

formas: em sistemas isolados, em sistemas hbridos isolados (gerador elico, clula de

combustvel,...), entre outros. Todos os sistemas baseados em energia solar fotovoltaica

precisam de armazenadores de energia normalmente do tipo eletroqumico ou

eletromecnico. Isto porque a irradiao solar s ocorre durante algumas horas durante o

dia, portanto o aproveitamento mximo consiste em armazenar energia durante o tempo

da irradiao solar para fornecer energia na carga durante os horrios sem irradiao.

Alm de aproveitar ao mximo a irradiao solar, otimizar a energia gerada pelo AF, de

muita importncia o fato de pesquisadores do mundo inteiro concentrarem esforos,

visando obter tcnicas eficientes para aproveitar esta energia. Importantes resultados que

tentam complementar a deficincia tpica das clulas fotovoltaicas incluem a obteno do

Silcio concentrado com eficincia de 14% no ano 1999, alcanando 25% para o ano 2000

e com projees de at 30% para o ano 2010.

1.1.1. Histria das Clulas Fotovoltaicas

Ano 1839 O francs Edmundo Becquerel, descobriu o Efeito Fotovoltaico quando

efetuava testes com a pilha eletroltica de dois eletrodos submergidos em

uma substncia eletroltica.

Ano 1873 Willoughby Smith descobriu a fotocondutividade do Selnio. Esta

propriedade faz variar a condutividade deste elemento em funo da

intensidade luminosa que recebe.

Ano 1905 Albert Einstein, props a idia dos "Quantum de Luz" (os atuais ftons) e

mostrou como que poderiam ser utilizados para explicar fenmenos como

o efeito fotoeltrico. Em 1921, recebeu o premio Nobel pelo seu trabalho

sobre o efeito fotoeltrico.

Ano 1941 Foi construdo um dispositivo que pode ser denominado Clula Solar, o

qual foi fabricado de Selnio e tinha uma eficincia de 1 %.

Ano 1955 A Companhia Western Electric foi a primeira a comercializar as Clulas

solares com uma eficincia de 4,5%.


Ano 1958 Foi lanado ao espao o primeiro satlite Vanguard I, que utilizava Clulas

Fotovoltaicas com apenas 0,1 W/100cm2.

Ano 1960 Hoffman Electronics, conseguia fabricar uma clula com 14% de eficincia.

Ano 1973 Se realiza o embargo de petrleo imposto pela OPEC (Organization of the

Petroleum Exporting Countries), com o qual se inicia uma poltica de

pesquisa do uso de clulas solares na Terra.

Ano 1980 A companhia ARCO Solar fabricou mais de 1 MW em clulas solares por

ano.

A produo mundial de clulas no ano de 1982 foi de 9,3 MW e em 1983 de 21,3 MW,

fazendo duplicar a produo em um s ano, e alcanou vendas de aproximadamente US$

250 milhes, e em 1985 atingiu 20 % de eficincia em clulas fotovoltaicas.

Hoje em dia as clulas fotovoltaicas so usadas em todo o mundo, geram 2,1 % da energia

necessria para mover a mundo. Esta uma indstria que em 25 anos passou a produzir

entre 70 80 MW anuais com um custo de US$50/W reduzido a US$5/W com uma

media de 40 MW ligados rede [2].

1.1.2. Novas Tecnologias Solares

A seguir tem-se o resumo de diferentes pesquisas editadas em sistemas isolados previstos

na escala do tempo 2008-2015 [3]:

Desenvolvimento de componentes de eletrnica de potncia para aplicaes em sistemas isolados (com nfase em compatibilidade de componentes; novos

inversores otimizados para diferentes sistemas modulares de AF; desenvolvimento

a baixo custo; hardware de alta eficincia para sistemas AF isolados e hbrido).

Melhoria na confiabilidade e tempo de vida dos componentes complementais, (com nfase em inversores e bancos de baterias; sistema isolado com

componentes complementais para que o tempo de vida alcance 20 anos; sistemas

isolados com aplicaes em desenvolvimento, para que o tempo das baterias

incremente em 10 anos).


Desenvolvimento e teste de novas tecnologias para armazenar energia (os componentes que armazenam energia sero tratados como uma parte integrada do

sistema solar).

O sistema de gerenciamento das baterias (adaptado no mesmo nvel da nova gerao de bateria).

Baixo custo dos componentes complementais (deseja-se o custo de U$$1,32/W para o ano de 2010).

O gerenciamento dos micro-sistemas (com nfase em sistemas isolados usados em ilhas com alta presena de geradores AF; controle e estabilidade desejada;

regulao da freqncia e da tenso; harmnicos).

Valor da eletricidade por AF (com programao na base da matriz energtica pelo baixo custo do kW-h).

Desenvolvimento de Standard ou Normas (caractersticas durante o funcionamento; nveis de energia; regulamentao de normas de segurana;

normas de regulamentao nas ligaes de sistemas de potncia distribudos).

Controle e monitoramento das sadas dos sistemas (novas opes de baixo custo e dispositivos de medies avanados, baseados em novos protocolos de

comunicao).

1.2. SISTEMAS DE OTIMIZAO DA POTNCIA DO PAINEL SOLAR

Nos ltimos anos, os estudos de sistemas de otimizao da potncia gerada tornaram-se

muito importantes para o mximo aproveitamento da energia produzida pelo painel solar,

consideram-se duas as principais razes: o incremento da viabilidade tcnica dos sistemas

de gerao baseada em AF, considerando a baixa eficincia prpria das clulas solares; o

aproveitamento ao mximo da irradiao solar durante o dia, independentemente da

demanda existente.


1.2.1. Estado da Arte na Otimizao da Potncia Gerada

Nas ltimas dcadas, um grande nmero de trabalhos de pesquisas foram publicados na

rea de otimizao de geradores solares, tanto pesquisas tericas quanto experimentais

baseadas em ferramentas de computao convencional [3].

T. Senjyu e K. Uezato [4] apresentaram um trabalho que controla o rastreador do ponto

de mxima potncia no AF usando um controlador Fuzzy. O uso do controlador Fuzzy s

aplicado na sada da potncia, adaptando-se rapidamente s mudanas na irradiao

solar. A tcnica proposta foi implementada, e alcanaram-se resultados alentadores,

entretanto, s foi aplicada a um sistema de carga resistiva constante.

J. H. R. Enslin e outros [5] integraram um sistema de rastreamento do ponto de mxima

potncia no sistema de AF, atingindo at 25% a mais na energia obtida em relao aos

sistemas convencionais. Foi usada uma bateria para fixar o nvel da tenso na carga, e o

sistema de conversor e rastreador foi integrado diretamente ao painel solar.

O sistema rastreador do ponto mximo muda quando as condies do meio ambiente

mudam, tais como a irradiao solar, temperatura ambiente, etc. Uma considerao

importante no eficiente desenho do rastreador do ponto mximo so as tcnicas utilizadas

no passado. Estas tcnicas se basearam principalmente em microprocessadores com

algoritmos de rastreamento apropriados, que foram favorveis devido flexibilidade e a

compatibilidade com diferentes sistemas de AF [6]. No obstante, a eficincia desses

algoritmos cai consideravelmente com as mudanas bruscas nas condies atmosfricas.

Os mtodos descritos, em sua maioria, so baseados na estimao do valor de tenso ou

mediante o ajuste da tenso nos terminais do painel solar [7], usando algoritmos de

estimao da tenso tima, baseados em perturbaes produzidas no conversor. A

principal limitao das tcnicas convencionais o gasto de tempo considervel para

atingir o ponto de mxima potncia. Todas aquelas propostas requerem um grande nvel

de conhecimento na rea de painis solares durante a implementao e manuteno do

sistema de rastreamento implementado.


1.2.2. Tcnicas de Inteligncia Artificial em Otimizao da Potncia do

Painel Solar

Nos anos recentes, as principais estratgias de controle de otimizao foram abordadas

usando as tcnicas de inteligncia artificial [8]. Isto tem permitido que os sistemas de

otimizao sejam mais confiveis no caso de variaes bruscas tanto nos parmetros do

sistema eltrico ou nos nveis de irradiao e temperatura do ambiente. Para revisar a

evoluo da aplicao das tcnicas de inteligncia artificial, a seguir, mostram-se algumas

publicaes na rea.

I.H. Altas e A.M. Sharaf [9] apresentaram em 1994 um trabalho de implementao de um

controlador baseado em lgica Fuzzy para maximizar a potncia gerada por um sistema de

AF. O uso de Fuzzy foi diretamente no controle da gerao do MLP para o inversor, isto

, a partir das entradas do erro na mxima potncia real calculada, mediante a diferena

entre a potncia mxima estimada e o valor da potncia mxima obtida do painel solar. O

resultado foi o aumento da potncia durante a acelerao do motor de induo como carga

ligada ao painel solar. T. L. Kottas e outros [10] analisaram um processo de maximizao

da potncia gerada no painel solar usando um sistema de Rede Cognitiva Fuzzy, o qual,

em malha fechada com um controlador Fuzzy.

De acordo com as pesquisas publicadas, a tendncia da tcnica a ser utilizada o controle

fixando a tenso nos terminais do painel solar. A tendncia no uso de tcnicas de

inteligncia artificial principalmente de redes neurais e lgica Fuzzy. Sistemas hbridos

so usados para estimar o nvel da tenso no ponto de mxima potncia na curva

caracterstica V-I, geralmente se considera a variao dos nveis de irradiao solar e em

alguns casos a variao da temperatura do ambiente. As cargas foram consideradas

constantes, sendo esta a que fixa a corrente e esta variao da corrente refletido na curva

caracterstica do painel solar.


1.3. TCNICAS DE INTELIGNCIA ARTIFICIAL

Do ponto de vista global, as tcnicas de inteligncia artificial (ou computao flexvel)

so tcnicas de nvel superior em relao das tcnicas tradicionais ou clssicas, e as

tcnicas tradicionais tm limitaes aos problemas de menor complexidade. Uma das

desvantagens importantes das tcnicas tradicionais em relao s tcnicas de inteligncia

artificial o requerimento de informao de gradientes de ordem um ou ordem dois, que

nem sempre so disponveis [11] e [12].

As tcnicas de inteligncia artificial so ferramentas cuja aplicao na rea de engenharia

tem crescido exponencialmente. Elas consistem basicamente em tentar dar caractersticas

da inteligncia humana ou da natureza para as mquinas, portanto, podem resolver

problemas de forma aproximada e mais rpida.

1.3.1. Redes Neurais

Em 1943, McCulloch e Pitts apresentaram um trabalho no qual propuseram uma

descrio do modelo matemtico de um crebro humano [13], introduzindo uma lei de

aprendizado bsico:

Quando um axnio ou clula A se encontra consideravelmente perto para excitar uma

clula B e atinge repetidamente ou persistentemente sobre a clula B, ocorre algum

processo ou muda o processo de metabolismo seja em uma ou ambas as clulas, tal que a

eficincia de A, como uma clula que atinge B, incrementado [14].

O ajuste na fora de conexo entre a clula A e B ocorre em proporo ao produto de suas

ativaes simultneas.

Um neurnio consiste de um ncleo, um axnio, e um grande nmero de dendritos. O

sinal de entrada coletado via os dendritos. As colees dos sinais so processadas dentro

do ncleo, e os sinais de sadas geradas so distribudos via o axnio.


A rede neural artificial derivada a partir do modelo de um crebro humano e a estrutura

e operao so similares. O elemento bsico de um crebro humano o neurnio. O

processo interno dentro do neurnio so os responsveis por responder quando um sinal

aplicado, o qual pode vir de outros neurnios e/ou dos arredores do crebro. Estes sinais

contem s informaes que so processadas. A conectividade, associada ao processo

dentro dos neurnios, proporciona a possibilidade de armazenagem e lembrana de

informao. A pequena fissura entre o axnio do neurnio emissor e o dendrito de um

neurnio receptor chamada sinapse. A fora da transmisso, da potncia de um sinal que

o ncleo recebeu, regulada pela sinapse. A sinapse ajustvel. Durante o aprendizado e

armazenagem da informao, a sinapse ajustada por um mecanismo de aprendizado. O

conhecimento de um crebro pode ser considerado essencialmente armazenado na

sinapse.

Os sinais coletados pelo neurnio so gerados pelos sensores do corpo e/ou por outros

neurnios. Os sensores so do ambiente no qual o crebro opera. A conectividade o

caminho interligado entre os neurnios e o ambiente, e determina a funo de

desempenho do crebro. possvel dividir o crebro em vrias unidades funcionais, cada

uma com sua prpria operao [15].

Os sentidos do corpo contem o exemplo dos sensores. As informaes coletadas pelos

sentidos so transmitidas ao crebro via os nervos. Logo que o crebro processa a

informao, os sinais de sada so gerados e enviados aos msculos e outras partes do

crebro que so responsveis pelos mecanismos de atendimento. Isto como um brao

e/ou um p so movidos, o atendimento iniciado e as reaes so geradas.

Uma das mais notveis propriedades do crebro a habilidade para aprender. A

informao coletada processada por um mecanismo de aprendizado o qual ajusta as

sinapses. A informao ento armazenada e pode ser lembrada. O ajuste das sinapses

envolve no s a modificao da fora de transmisso, mais tambm a criao ou

eliminao das conexes.


1.3.2. Sistemas de Lgica Fuzzy

A partir da publicao de Conjuntos Fuzzy por Lotfi A. Zadeh em 1965 [22], Lgica

Fuzzy foi utilizada com sucesso em diferentes aplicaes, sendo estas, majoritariamente

na rea de controle. Um sistema de controle Fuzzy tpico pode substituir o controle PID

em muitas aplicaes. As vantagens do controle Fuzzy consistem em ser mais robusto que

os PID, pelo que satisfaze uma ampla faixa de condies de operao e pode operar em

condies de rudo e perturbaes de diferentes naturezas. Desenvolver um controlador

Fuzzy muito mais barato que desenvolver um controlador convencional; os

controladores Fuzzy so simples de mudar, fcil de entender e modificar suas regras. Isso

porque ele no apenas se baseia na estratgia de um operador humano, mas tambm suas

variveis so expressas em termos de linguagem natural; fcil de entender como o

controlador opera, como ele pode ser projetado e aplicado a problemas especficos.

Nas ltimas duas dcadas, a teoria de conjunto Fuzzy tem se estabelecido com uma nova

metodologia para representar ambigidades e incertezas. Uma das filosofias de suporte da

teoria a matemtica, onde os fenmenos de impreciso em modelagem e tomada de

deciso podem ser rigorosamente estudados.

1.4. OBJETIVO

Seguindo a linha da pesquisa na rea de otimizao da potncia gerada por um AF ou por

um painel solar, usando tcnicas de inteligncia artificial para simplificar e garantir a

funcionalidade em qualquer condio de operao do sistema, o objetivo deste trabalho :

Otimizar o sistema do gerador AF, mediante a extrao da mxima potncia

continuamente, num contexto de irradiao, temperatura e cargas variveis no processo de

otimizao e incluindo um sistema de banco de baterias. Para esse processo sero usados

componentes de eletrnica de potncia com controle baseado nas tcnicas de inteligncia

artificial: Rede Neural Artificial e Lgica Fuzzy. A avaliao de desempenho do sistema

ser feita via Matlab/Simulink.


1.5. METODOLOGIA

Para atingir o objetivo proposto, este trabalho organizado nos seguintes captulos:

Captulo 2: Este captulo trata da descrio terica dos principais componentes do sistema

gerador isolado, tais como: o Conversor CC-CC, o Inversor Fonte de Tenso Trifsica, o

Sistema de Armazenagem, o Modelo da Bateria, a Clula Fotovoltaica, o Painel Solar, e

finalmente do AF.

Captulo 3: Este captulo descreve a teoria e avaliao das tcnicas para otimizao, e das

Tcnicas de Inteligncia Artificial, Redes Neurais Artificiais, Rede Neural de Funo de

Base Radial e Lgica Fuzzy.

Captulo 4: O objetivo do captulo fazer a descrio do modelo de otimizao proposto,

considerando a descrio do processo de implementao, o controle e os estimadores das

variveis consideradas na estratgia proposta. Este captulo concludo com testes dos

controles implementados e mostra os resultados obtidos nestes testes.

Captulo 5: Aps validar os modelos com testes e anlise de resultados, neste captulo ser

aplicado o modelo de controle proposto para um sistema de AF isolado, cuja modelagem

foi baseada em dados reais e caractersticos. Resultados de simulaes so mostrados.

Na ltima parte deste trabalho so apresentas s concluses finais e as propostas de

possveis trabalhos futuros. Os anexos apresentam dados complementares.

CAPTULO 2 ELEMENTOS TPICOS DO GERADOR SOLAR 11

2 . E L E M E N T O S T P I C O S D O G E R A D O R

S O L A R

A integrao de conversores estticos de potncia, sistemas armazenadores de

energia e os sistemas de controle dos componentes do sistema isolado eltrico tornam

possvel o acondicionamento da energia eltrica para o consumo. Neste captulo sero

descritas todos os componentes necessrios do sistema em estudo.

2.1. CONVERSORES ESTTICOS DE ENERGIA UTILIZADOS EM

ACONDICIONAMENTO DE ENERGIA ELTRICA PARA O CONSUMO

2.1.1. Conversor CC-CC Abaixador-Elevador (Buck-Boost)

um conversor esttico de potncia no isolado, o qual consiste de uma entrada de fonte

CC Vs, uma chave controlada S, um indutor L, um diodo D, um filtro capacitivo C, e r A

carga. Com a chave em estado condutivo on, a corrente no indutor incrementada,

entretanto o diodo mantido em estado no condutivo off. Quando a chave S muda ao

estado no condutivo off, o diodo permite o caminho para a corrente no indutor.

O circuito representativo e as formas de onda do conversor Buck-Boost so visualizados

na Figura 2.1 [16]. A Equao (2.1) relaciona as tenses de entrada e sada, e o tempo de

controle das chaves.

TDVoVsDT )1( = (2.1)

Sendo Vs e Vo as tenses de entrada e sada, respectivamente; T o perodo de

amostragem, e D a razo cclica. A partir da Equao (2.1), a funo de transferncia do

conversor Buck-Boost mostrada na Equao (2.2).


DD

VsVo

= 1 (2.2)

A sada Vo negativa em relao referncia, resultando em uma magnitude maior ou

menor que a tenso de entrada, dependendo do valor da razo cclica. A magnitude da

tenso de sada Vo igual a da tenso de entrada Vs para a razo cclica D=0,5. A Figura

2.1 (a) mostra o diagrama do circuito, enquanto a Figura 2.1 (b) mostra as tenses de

sada e entrada do conversor para os modos de operao Buck e Boost. Por sua vez, a

Figura 2.1 (c) mostra as principais formas de onda do conversor no modo Buck.

V0=-Vs(D/(1-D))

Vo

+

-

Vs

g

12

S

L

D

C

(a)

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

x 105

0

5

10

15

20

25

30

35

40

45

50

Time(us)

Volt

Vo Boost Mode

Vo Buck Mode

Vs

(b)


0.1 0.1005 0.101 0.1015 0.102 0.1025 0.103 0.1035 0.1040

1

2

3

4

5

6

7

8

Time (s)

BUCK-BOOST Converter

IsAmp.

0.1 0.1005 0.101 0.1015 0.102 0.1025 0.103 0.1035 0.104-4

-3

-2

-1

0

1

2

3

4

Time (s)

Amp.

Ic

0.1 0.1005 0.101 0.1015 0.102 0.1025 0.103 0.1035 0.104

36

37

38

39

40

41

42

43

44

Time (s)

Volt.

Vo

0.1 0.1005 0.101 0.1015 0.102 0.1025 0.103 0.1035 0.104

34

35

36

37

38

39

40

41

42

Time (s)

Volt.

Vs

(c) Fig. 2.1 - Conversor Buck-Boost. (a) diagrama de circuito (b) Sada modo Buck e Boost (c) Formas de onda principal - modo de operao Buck


2.1.2. Sistema de Controle do Conversor Buck - Boost

Existem muitas estratgias para o controle do conversor Buck-Boost, a tcnica usada neste

trabalho baseado no controle de MLP - Modulao de Largura de Pulso (PWM: Pulse

Width Modulation) de controle do modo da tenso [17]. A Fig. 2.2 mostra

esquematicamente um exemplo do controle MLP.

(a)

8.5 9 9.5 10 10.5

x 104

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Time(us)

Un

PWM, From Voltage Mode controller

PWM D Reference Carrier

(b)

Fig. 2.2 - Controle do conversor CC-CC: (a) Topologia de controle modo tenso; (b) Sada MLP do comparador.


2.1.3. Inversor Trifsico Fonte de Tenso

Como conhecida, a aplicao de inversores de baixa potncia corresponde a inversores

monofsicos e em mdia potncia a inversores trifsicos como fonte de tenso (VSI

Voltage Source Inverter). O principal propsito da topologia VSI permitir controlar a

amplitude, fase e a freqncia da tenso [16]. No obstante, a tenso tem que manter a

forma senoidal para que seja aplicvel como fonte de tenso. A topologia do VSI

mostrada na Figura 2.3, o qual composto pelas chaves S1, S2, S3, S4, S5, e S6. O estado

de tais chaves controlado para se obter a forma desejada na sada Vab (ou Van). Note

que os estados de operao para os elementos semicondutores so os estados on e off.

Alm disso, as chaves no brao de cima sero chamadas de chaves positivas S+ e as

chaves de baixo sero chamadas chaves negativas S-.

S4 S6 S2

S5S3S1

Vi

Ii

vab

C-

C+

Vi/2

Vi/2+

+

-

-

+-

N

ioa +-

Fig. 2.3 - Topologia de um inversor trifsico (IFT).

2.1.4. Sistema de Controle do Inversor Trifsico Fonte de Tenso (IFT)

O sistema de controle do inversor comea a partir da gerao do MLP controlada de

acordo com as necessidades da carga CA. O MLP pode ser baseado na tcnica de gerao

da portadora (carrier), e os estados on e off so definidos para as chaves e gerados por

meio de comparao de um sinal de modulao c (a tenso de sada desejada) e por meio


de uma forma de onda triangular (sinal portadora). So duas as possveis condies que podem acontecer:

c > : As chaves positivas S+ ficam em estado on e as chaves negativas S- em off.

c < : As chaves positivas S+ ficam em estado off e as chaves negativas S- em on.

No caso do sinal de modulao ser uma onda de forma senoidal a uma freqncia c e

amplitude Vc, e a portadora um sinal triangular de freqncia , e amplitude V, tem-se

a chamada modulao por largura de pulso senoidal (SPWM: Sinusoidal PWM).

O ndice de modulao ma (tambm conhecida relao de amplitude de modulao)

definido por (2.3). A Figura 2.4 (a) mostra o sinal da portadora e a fundamental, a Figura

2.4 (b) mostra a modulao da largura do pulso MLP e a Figura 2.4 (c) mostra o espectro

da tenso de sada para m igual a 0,8.

=

VV

m ca (2.3)

0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02

-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

wt

Ideal SPWMVc Vtriangular

(a)


0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02

-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

wt (b)

0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02-1

-0.5

0

0.5

1

TIME [s]

SIG

NA

L

PERIODIC SIGNAL (RMS=0.8239 THD=1.0589)

0 2 4 6 8 10 12 14 16 18 20-0.5

0

0.5

1

HARMONIC ORDER

AM

PLI

TUD

E

FOURIER COMPONENTS

(c)

Fig. 2.4 - Modulao de Largura de Pulso Senoidal: (a) Sinais da portadora e a modulao (b) MLP (c) Espectro da tenso de sada para m = 0,8.


2.2. COMPONENTE DE ARMAZENAMENTO DE ENERGIA

Os sistemas de armazenamento de energia eltrica tm um papel importante em sistemas

de energias renovveis, pelo fato que s possvel aproveitar tal energia em perodos

curtos do dia, seja a fonte elica ou solar. Existem muitos trabalhos orientados para as

pesquisas na rea dos armazenadores. Na atualidade existem duas formas comuns de

armazenamento de energia: armazenadores eletroqumicos e armazenadores

eletromecnicos.

Os armazenadores eletromecnicos so chamados de Flywheel, (sistema de massa girando

em alta velocidade) e o armazenamento feito na forma de energia cintica da massa

girante. A energia armazenada dada pela Equao (2.4):

2JEc = (2.4)

A grande massa girante pode operar de trs modos:

Modo Gerador: Quando a potncia requerida pela carga maior do que a rede eltrica

podendo fornecer ento mediante o torque tpico da massa girante, um acionamento do

gerador eltrico para fornecer energia para a carga.

Modo Armazenador (ou motor): Quando a potncia requerida pela carga menor do que

a rede eltrica pode fornecer ento, este excedente para incrementar a velocidade da

massa girante.

Modo Standby: No caso em que a carga no precisa da energia do flywheel e a velocidade

nominal da massa foi atingida, s necessria a compensao da queda de velocidade por

efeito de atrito tpico no caso de massas girantes mantendo a velocidade nominal.

2.2.1. Armazenadores Eletroqumicos

Dentro da rea de armazenadores eletroqumicos existem muitas alternativas de baterias,

cujas clulas so baseadas em diferentes tipos de elementos qumicos usados no processo


de reao qumica, e em cada uma delas existe a densidade de energia armazenada tal

como mostrado na Figura 2.5 [18].

Fig. 2.5 - Densidades tpicas de energia a 5 h tempo nominal de descarga para clulas

eletroqumicas conhecidas.

A bateria um dos elementos mais importantes em sistemas solares isolados. Sua

importncia se deve por que ela permite a integrao no sistema de controle de otimizao

da potncia mxima gerada no painel solar, durante o processo de condicionamento do

ponto mximo de operao a bateria, intervindo de acordo com o comportamento da

carga.


2.2.2. Bateria e Suas Caractersticas

A representao da bateria mostrada na Figura 2.6, a qual um modelo simples cujo

sentido da corrente em descarga ou carga circula do terminal positivo para o terminal

negativo ou do terminal negativo para o terminal positivo respectivamente. Para mostrar o

modelo matemtico da bateria necessrio conhecer as caractersticas da bateria:

Fig. 2.6 - Circuito equivalente de uma bateria simples.

A tenso terminal do circuito da Figura 2.6 dada por [1]:

0IREV = (2.5)

Capacidade nominal qmax: o numero de AmpreHora (Ah) que se pode extrair da

bateria em diferentes condies de descarga.

Estado de carga da bateria (SOC: State of Charge): a relao entre a capacidade

instantnea e a nominal: SOC = q/qmax resultando ento em SOC = 1, onde a bateria est

completamente carregada, e para SOC = 0, onde a bateria est completamente

descarregada.

Regime de carga ou descarga: a condio de carga ou descarga, isto envolve o tempo,

seja de carga tanto descarga.


Efic trada da bateria em relao a carga total.

Tem

men

desc

Para

capa

capa

Mod

desc

maxq

Send

qmax

k: C

c: R

Mod

nos

tamb

tens

est

E =

incia: a carga expo de vida: o numero de ciclos de carga e descarga, e em cada ciclo diminui pelo

os 20% da vida til (isso aplica no caso em que a bateria completamente

arregada).

modelar matematicamente a bateria existe trs possibilidades de modelos: Modelo de

cidade, modelo de tenso e modelo de tempo de vida. Neste trabalho o modelo de

cidade e de tenso:

elo de capacidade: Descreve a capacidade como uma funo da corrente, qmax(I),

rito em (2.6).

)1(1)( 0max, kTkT ekTce

kcTqI ++= (2.6)

o:

,0: Capacidade mxima Ah.

onstante de relao: 1/hrs.

elao da capacidade de carga disponvel entre a capacidade total.

elo de Tenso: Neste modelo a idia principal determinar a magnitude da tenso

terminais da bateria, e como ela afetada durante a carga e descarga, considerando

m o nvel de corrente. O modelo de tenso permite fazer a predio da queda de

o que lento na primeira parte da descarga e rpido na ltima parte quando a bateria

quase que completamente descarregada. O modelo expressado pela Equao (2.7)

XXDC

XDXCAXEO

)(21 +++ (2.7)

Comportamento no-linear durante descarga

Comportamento no-linear durante a carga


Eo: tenso extrapolada para uma corrente igual a zero em uma bateria completamente

carregada.

A: variao linear da tenso interna da bateria; C e D: parmetros que refletem a no

linearidade da queda de tenso durante a descarga; X: a capacidade normalizada

removvel da bateria para uma corrente de descarga e dada pela relao mostrada na

Equao (2.8):

maxmax )(

qIq

qX out= (2.8)

qmax(I) capacidade da bateria para cada corrente de descarga.

2.3. GERADOR FOTOVOLTAICO (CLULA, PAINEL E ARRANJO)

2.3.1. Modelo da Clula Solar

O modelo da clula solar consiste numa fonte de corrente Iph induzida pela luz solar e um

diodo que representa a unio p-n da clula solar. Rs representa a resistncia dentro de

cada clula e a resistncia da conexo em srie entre as clulas. A resistncia em paralelo

com diodo pode ser ignorada pelo fato de ser muito grande e no influenciar no clculo da

corrente. Conforme mostra a Figura 2.7. A corrente de sada a diferena entre Iph e ID, de

acordo com a Equao (2.9) [1].

V

+

-

Rs

IDIph

Fig. 2.7 - Modelo de uma clula solar.


)1()(

0

max

==+c

SnkT

IRVq

phDph eIIIII (2.9)

Em que:

Iph Corrente induzida pela luz

n Fator de qualidade do diodo.

k Constante de Boltzmann.

Tc Temperatura absoluta da clula.

q Carga de um eltron.

Vmax Tenso tima imposta nos terminais da clula.

I0 Corrente de saturao reversa.

2.3.2. Parmetros de uma Clula Solar.

Corrente de curto-circuito: Isc = Iph, o mximo valor da corrente gerada pela clula

para o caso de curto-circuito.

Tenso de circuito aberto: VOC o valor da tenso mxima para o caso de circuito

aberto. Sendo Iph = ID, e se a corrente de sada igual a zero, ento o valor de VOC, pode

ser estimado a partir da Equao (2.10).

=

=

00

lnlnII

VII

enkTcV pht

phoc (2.10)

Vt conhecida como tenso trmica.

Ponto de mxima potncia: o ponto mximo da potncia para o valor instantneo de

irradiao e temperatura. Assim: Pmax = Imax*Vmax.


Eficincia: a relao entre a mxima potncia e a potncia da luz irradiada mostrada na

Equao (2.11).

ain AGVI

PP maxmaxmax == (2.11)

Fator de suprimento: a relao entre a mxima potncia que pode fornecer a uma

carga e o produto de ISC e VOC, assim como mostrado na Equao (2.12)

SCOCSCOC IVVI

IVPFs maxmaxmax == (2.12)

O fator de suprimento tpico para as clulas 0,7, mas isso atenua com o incremento da

temperatura.

2.3.3. Painel Solar.

As clulas idnticas podem ser ligadas em srie ou paralelo, dependendo das necessidades

de tenso e potncia. Os conjuntos de clulas ligadas formam um mdulo solar ou painel

solar, considerado como um sistema modular composto das clulas e os suportes

mecnicos de proteo fsica. Na Figura 2.8 pode-se observar o efeito das conexes em

paralelo e srie das clulas no nvel da corrente e tenso.


0 2 4 6 8 10 120

0.5

1

1.5

2

2.5

3

3.5

4

4.5

Tenso [Volt]

Cor

rent

e [A

mp]

Efeito das conexes das clulas idnticas em srie

1 Clula 5 Clulas 10 Clulas

0 0.5 1 1.5

0

5

10

15

20

25

Tenso [Volt]C

orre

nte

[Am

p]

Efeito das conexes das clulas idnticas em paralelo

1 Clula

5 Clulas

2 Clulas

(a) (b)

Fig. 2.8 - Efeito das conexes das clulas idnticas: (a) conexo em srie (b) conexo em paralelo.

Na Figura 2.9, mostra-se a caracterstica V-I de um painel solar de 60W para irradiao de

1 Sun, o que equivale a 1000W/m2 e uma temperatura constante de 25C.

Fig. 2.9 - Representao grfica tpica V-I de um painel solar e a potncia V*I.


2.3.4. Arranjo Fotovoltaico

O conjunto de Painel ou mdulos solares ligados em srie ou paralelos formam os

Arranjos fotovoltaicos, cuja estimao do nvel da corrente e tenso a partir das relaes

indicadas na Equao (2.13) [1]:

Ns)/(MsVVNpMpII

*Cell

*Cell*

Arranjo

Arranjo

==

(2.13)

Em que:

MP: nmero de painis em paralelo

MS: nmero de painis em srie

NP: nmero de clulas em paralelo

NS: nmero de clulas em srie

As caractersticas tpicas do painel solar so apresentadas no Apndice A-1.

CAPTULO 3 REDES NEURAIS ARTIFICIAS E LGICA FUZZY 27

3 . R E D E S N E U R A I S A R T I F I C I A S E L G I C A F U Z Z Y

Desde os primrdios o homem tem procurado incessantemente a comodidade,

simplicidade, e a segurana nos processos. Assim, nos dias atuais as atividades comuns so

feitas por sistemas automatizados, os quais em muitos casos so sistemas inteligentes. Neste

captulo descrita brevemente a tcnica de inteligncia artificial utilizados neste trabalho:

Redes Neurais Artificiais, Redes Neural de Funo Base Radial e Lgica Fuzzy.

3.1. INTRODUO

Do ponto de vista global, as tcnicas de inteligncia artificiais tendem a serem mais fceis

de usar. Podem resultar em melhor desempenho que as tcnicas convencionais. Embora

muitas destas tcnicas j foram bem descritas na literatura, neste captulo ser apresentada

uma breve descrio, de redes neurais artificiais, redes neurais artificiais de funo base

radial, e lgica Fuzzy, com o objetivo de situar o leitor. Descries mais completas podem

ser obtidas nas referncias citadas.

3.2. REDES NEURAIS ARTIFICIAIS

Muitos esforos foram feitos na rea de psicologia, para conseguir o modelo de um

crebro humano. Em 1943, McCulloch e Pitts apresentaram um trabalho no qual eles

propuseram uma descrio do modelo matemtico de um crebro humano [13]. Este

primeiro modelo serviu de exemplo para os modelos posteriores de Jhon Von Neumann,

Frank Rosenblatt, Marvin Minsky, entre outros.

As redes neurais artificiais so derivadas dos modelos de crebro humano, e sua operao

e estrutura so similares ao neurnio biolgico como elemento bsico do crebro humano.


O mecanismo de aprendizado presente dentro do crebro pode ser dividido em trs

categorias [19]. Aprendizado supervisionado, Aprendizado por Reforo, Auto

Aprendizado.

A Figura 3.1 mostra uma estrutura de rvore do neurnio biolgico.

Fig. 3.1 - Neurnio biolgico.

Existem trs partes em um neurnio:

1. O corpo (Ncleo) do neurnio.

2. Ramos de extenso conhecidos como Dendritos para receber as entradas.

3. Um Axnio que intercomunica a sada do Neurnio aos Dendritos de outros Neurnios.

O Ncleo do elemento de processamento consiste de um coletor de dados, uma

memria local e uma funo de transferncia. Os Dendritos so as conexes de

entradas, e o Axnio representado por a conexo das sadas. Os sinais de entrada so

coletados atravs das conexes de entradas. Os sinais de entrada coletados so

processados de acordo com a funo de transferncia dos elementos de processamento

interno e na sada, levando em considerao a memria local interna. Finalmente, as

sadas dos sinais so distribudas. As conexes das entradas trabalham como Sinapses,


significando que cada sinal de entrada ponderado por um peso de acordo com o fator do

peso da conexo associada antes de ser coletado. Estes fatores de pesos podem ser

ajustados. Durante o treinamento da rede neural artificial, tais fatores so ajustados

usando um algoritmo de treinamento. O Conhecimento da rede neural artificial pode ser

considerado como a essncia armazenada nos fatores dos pesos.

A Figura 3.2 mostra a representao esquemtica de um neurnio artificial. Neste

neurnio, Xi representa as entradas, Wzj os pesos sinpticos e f(z)j as funes de

ativao, a interconexo dos neurnios artificiais resulta na camada da rede neural

artificial.

W1j

W2j

W3j

WZj

.

.

.

jij XW jzf )(

DENDRITOS

AXNIO

CORPO

AXNIOS SINPSES

1X

2X

3X

nX

Fig. 3.2 - Representao de um neurnio artificial.

3.3. REDE NEURAL DE FUNO BASE RADIAL

A rede neural de funo base radial ou RBF-NN (Radial Basic Function Neural Network)

foi proposto pela primeira vez por Powell em 1985 [20].

Uma RN-RBF em forma mais simples composta de trs camadas, e os terminais de

sada formam uma combinao linear das funes de base radial (Kernel), estimados

pelos terminais da camada oculta conforme mostra a Figura 3.3. A funo de base radial

na camada oculta produz uma resposta localizada para o estmulo (padro) de entrada.


Eles produzem uma resposta significativamente diferente de zero s quando o padro de

entrada se encontrar dentro de uma regio pequena localizada no espao de entradas. A

entrada feita desde as fontes. Cada funo de ativao requer um "centro" e um

parmetro escalar. A funo de Gauss geralmente usada como a funo de ativao, que

pode ser usada para tomar decises de semelhana, determinando qual dos vrios centros

mais semelhante entrada.

Camada de entrada Camada escondida Camada de sada

C WU1

U2

Un

Y1

Y2

Yn

Funo desomatoria

FunoGaussiana

Funolinear

Fig. 3.3 - Rede Neural Tipo RBF.

A teoria que d o suporte da RBF baseada em funo de base radial a seguir:

Funo de Base Radial

Considere o problema de implementao de mapeamento com entradas em

e os valores das sadas em

)()1( ,..., pxxn )()1( ,..., pyy , com

.,...,1,)()( piyx ii =6


Procura-se um h o qual no s realiza a associao Mas que

possa fazer mapeamento de dados diferentes dos dados de treinamento, desde que os

mesmos estejam dentro da faixa dos dados do treinamento. A esta caracterstica

denomina-se Capacidade de generalizao. Quando se procura uma funo da forma

.,...,1,)( )()( piyxh ii ==

( ))(ixx , a funo das distncias entre e a entrada prottipo chamado funo base.

x )(ix

Assim, tem-se:

(=

=p

i

ii xxwxh

1

)()( ) (3.1) Que requereu ( )

===

p

i

iji

jj xxwxhy1

)()()()( )( . Considerando-se

( )( ) pxpijijji xxAA == )()()()( , ento o requisito : que , . Se for possvel achar o inverso de A, obtm-se e conseqentemente h

encontrado.

( ) jpi

ijij AwwAy

===

1

)(

Awy = yAw 1=

Uma funo muito geral para a Funo Gaussiana:

2

2

2)( s

es= , Chamado Funo Base Localizado.

Para uma combinao de vrias funes radiais pode-se indicar:

(=

==p

i

ijki

jk

jk xxwxhy

1

)()()()( )( ) (3.2) Da considerao acima:

( )kjpi

jikij

kj

k WAAwxhy === =1

)()( )( (3.3)


Onde

WAY = , ( ) mxnpyyY = )()1( ,..., . A combinao das funes radiais construda para que possam transferir todos os pontos

de entradas a sadas. Isto significa que h aprendeu dos pares de pontos particulares e em

essncia as entradas/sadas so associadas permitindo-se aprender a relacionar pares de

pontos.

Rede de Base Radial

Uma rede de base radial tem a habilidade de generalizao e tem as seguintes

caractersticas:

O nmero M de funes base deve ser menor que o nmero p de entradas.

Os centros das funes base no so necessariamente forados a serem exatamente os vetores de dados de entrada. Na verdade eles podem ser determinados durante o

processo de treinamento pela prpria rede.

As funes base so permitidas a ter diferentes larguras ( ), e isto pode tambm ser determinado pelo dado de treinamento.

Assim sendo, pode-se tambm considerar o mapeamento da forma:

.,...,2,1,)()( 01

mkwxwxyx kM

jjikjk =+=

=6 (3.4)

Em que:

= 22

2exp)(

j

jxx , e . (3.5) nj


a sada do neurnio oculta, sendo:

x vetor de entrada

- centro da funo radial (regio chamada campo receptivo)

- largura da funo radial (campo receptivo)

0kw : Termo de polarizao (bias) do neurnio de sada.

kjw : Pesos das conexes das redes.

ji : Funo no-linear

x : Vetor de entrada.

j : Centro da RBF.

. : Norma Euclidiana.

As correspondentes trs camadas da rede so mostradas na Figura 3.3. O neurnio oculto

e o campo receptivo so mostrados nas Figuras 3.4 e 3.5.

h(.) h(x)x

Fig. 3.4 - Neurnio oculto.


-5 -4 -3 -2 -1 0 1 2 3 4 5

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

- + [x]

h max

- +

Fig. 3.5 - Campo receptivo.

Geralmente, as fases de treinamento das redes RBF, consistem de duas partes,

posicionamento dos centros j e estimao dos pesos , representados nas equaes (3.1) e (3.2).

jw

Para o posicionamento dos centros das redes, o algoritmo de clusterizao muito

utilizado. Em [21], mostrada uma regra de atualizao dos centros na rede RBF,

aplicando ou derivando a regra de aproximao de gradiente descendente, fazendo os

centros mveis dependendo dos dados de entrada. Os trs algoritmos convencionais de

clusterizao so: centro k (Kernel) adaptativo, centro k no-adaptativo, centro fuzzy.

Normalmente, tm-se trs problemas bsicos durante o processo de clusterizao: centros

fixos (dead centres), centros redundantes e centros atracados em mnimos locais. Tais

problemas degradam o desempenho adequado da rede RBF. Em [21], foi proposto um

algoritmo de clusterizao no-adaptativo que minimiza os dois primeiros problemas

indicados, e diretamente minimiza o efeito de terceiro problema. O algoritmo

denominado de clusterizao de centro-k com mudanas. Em tais estudos, os resultados

de simulao revelam dois sistemas evidenciando todo o desempenho da rede RBF e

melhorando qualquer outro algoritmo de clusterizao, cuja Equao mostrada a seguir:


( ) ( ) ( )=

+=+d

l

ill

il

ijl

ij

ij xktutu

11

(3.6)

i: neurnio oculto

j: componente do vetor meio

l: componente do corrente vetor de entrada x

d: nmero de componentes no vetor de entrada

k: neurnio de sada

Kijl o valor do componente (j,l) da inversa da matriz de covarincia da funo base i.

A rede neural de base radial pode ser considerada como uma ferramenta muito til dentro

dos sistemas de redes neurais artificiais. Em geral, RN-RBF, a qual teria muitas

aplicaes, pode oferecer um rpido e correto meio de aproximar um processo no-linear

de mapeamento baseado em dados observados. Devido natureza de ao local de RN-

RBF, a mesma pode ser treinada rapidamente, com treinamento on-line ou treinamento

off-line, supervisionado ou no-supervisionado.

3.4. LGICA FUZZY

O incio da Lgica Fuzzy foi a partir da publicao do artigo Fuzzy Sets [22] por Lotfi A.

Zadeh. Desde ento as pesquisas na rea continuaram resultando em muitas publicaes

de aplicaes, particularmente concentrados na rea de controle Fuzzy. Neste trabalho

apresentada mais uma aplicao de lgica Fuzzy na rea de engenharia eltrica. Como

este tpico j foi abordado intensamente na literatura, a teoria sobre conjuntos Fuzzy no

ser abordada aqui. Para completa descrio deste tpico, pode-se referir a KLIR &


YUAN [23], Fuzzy Controllers por Leonid Reznik [24], o trabalho de doutorado de

Barros [25], entre outras. Os conceitos essenciais para sua aplicao so descritos a seguir

[26].

3.4.1. Definio

Seja A um subconjunto do conjunto U, pode-se considerar A um subconjunto Fuzzy de U

se for descrito como um conjunto de pares ordenados de acordo com:

}( )( ) ( ) [ ]{ 1,0,;, = xUxxxA AA (3.7) Em que ( )xA a funo de pertinncia que determina o grau x de relacionamento em A: Ento se tem a seguinte possibilidade:

( )xA =1. x pertence completamente ao conjunto A; 0< ( )xA


Fig. 3.6 Etapas de um sistema Fuzzy.

A construo da funo consta dos seguintes mdulos, tal como mostrado na Figura 3.6:

Mdulo de fuzzyficao: mdulo utilizado para modelar matematicamente a informao

das variveis de entrada por meio de um conjunto Fuzzy. Consiste na atribuio de termos

lingsticos a cada varivel que representam os estados destas variveis e a cada termo

lingstico, e associado um conjunto Fuzzy por meio de uma funo de pertinncia.

Mdulo de base de regras: mdulo onde se armazenam as variveis e suas classificaes

lingsticas.

Mdulo de inferncia: mdulo onde se definem os conectivos lgicos usados para

estabelecer a relao Fuzzy que modela o conjunto de regras. O xito do sistema depende

da qualidade de implementao do mdulo.

Mdulo de defuzzyficao: o mdulo traduz o estado da varivel de sada Fuzzy a um

real numrico.

Da mesma forma que h vrias formas de inferncia, existem muitos mtodos de

defuzzyficao. Neste trabalho vai ser usado o mtodo do centro de gravidade (centride).

CAPTULO 4 MODELO PROPOSTO PARA OPERAO TIMA DO SISTEMA FOTOVOLTAICO ISOLADO

38

4 . M O D E L O P R O P O S T O P A R A O P E R A O T I M A D O S I S T E M A F O T O V O L T A I C O

I S O L A D O

A otimizao da potncia gerada pelo Arranjo Fotovoltaico (AF), fazendo uso das

tcnicas de inteligncia artificial descrita neste captulo. Tambm feita a descrio do

processo de modelagem e as implementaes dos controladores baseados em RN-RBF e

sistemas Fuzzy descritos. Alm disso, feito um teste do modelo considerando casos

extremos de operao de um sistema isolado.

4.1. MODELO DE CONTROLE OTIMIZADO

4.1.1. Operao Caracterstica do Arranjo Fotovoltaico

A operao caracterstica do AF uma generalizao da operao da clula solar,

mostrada na Figura 2.9 do Captulo 2, curva caracterstica V-I, em que a corrente varia

proporcionalmente irradiao solar Ga (W/m2), como se observa na modelagem

matemtica da clula. A tenso nos bornes da clula varia em proporo inversa a

temperatura do meio. Os nveis de corrente e tenso desejados so atingidos configurando

as clulas em srie ou paralelo e os painis para o caso do AF. O produto da tenso e

corrente instantnea o valor da potncia ativa instantnea no painel produzida para o

valor instantneo de Ga e temperatura TC. O ponto mximo da curva da potncia a

potncia mxima atingida para o valor Ga e TC, os dois instantneos. Os valores de

corrente e tenso que gera a potncia mxima do AF sero denominados Imax e Vmax, que

so impostos pelo conversor Buck-Boost. A estratgia que permite o conversor fazer tal

imposio independente da carga que so atendidas ser descrita na Seo 4.2. Como

observa-se na Figura 2.9, o valor da corrente da carga na curva caracterstica V-I, fixado

pela demanda, nesse instante diferente do Imax, em conseqncia, o valor de Vmax


39

acondicionado pelo conversor Buck-Boost controlado. Tal como foi revisado no Captulo

1, as diferentes tcnicas de controle para a operao no ponto mximo da potncia so

usadas para fazer o rastreamento.

Neste trabalho so usados dois componentes importantes, alm do conversor Buck-Boost,

para manter o ponto mximo da potncia de operao num contexto de Ga, TC e carga

varivel: o estimador Fuzzy de Vmax e o controlador de interao do sistema armazenador

de energia (banco de baterias). A representao do sistema isolado mostrada na Figura

4.1.

ConversorCC-CC

BancoBateriasRNA Cotrolador

Vmax D VbattSOC

PWM

de

RN

A

Ga

Tc

Ibatt

Estimadorde potncia

Estimador decarga ideal

ArranjoFotovoltaico Re

f. 24

V

Balano decorrente = ~3

Controle Chave

EstimadorFuzzy

Ilac

Vbatt

V-ccV-ccIlac

I-cc

Vmax

Pmax

Imax

Ibatt

Carga =Ilcc

Fig. 4.1- Configurao do sistema Arranjo Fotovoltaico isolado.

4.1.2. Estimador Fuzzy de Vmax Para Estimar o Ponto da Potncia Mxima de

Operao (PPMO)

Em um gerador AF, a potncia instantnea de sada, dada pelo produto de corrente e

tenso instantnea mostrada na Figura 2.9, logo para um determinado valor da irradiao,

a funo do estimador Fuzzy procurar a tenso que possa manter no ponto mximo na

curva da potncia.

maxmaxmax * IVP = (4.1)


40

Assim a carga necessria para extrair a mxima potncia do AF dada por:

max

maxmax I

VR = (4.2)

No entanto importante salientar que essa carga no necessariamente igual carga

alimentada pelo conversor Buck-Boost.

As regras do estimador Fuzzy, indicadas na Tabela 4.1, esto baseadas no princpio de

mudanas de irradiao solar e da temperatura, ou seja, mantendo o ponto de operao no

ponto de potncia mxima encontra-se o valor de Vmax. Para estabelecer as regras foi feita

a simulao baseada no modelo matemtico do sistema fotovoltaico, considerando

diferentes nveis de irradiao e temperaturas tpicas. As variaes da tenso em funo

da temperatura, irradiao e a potncia mxima so mostradas na Figura 4.2. Note que as

variveis independentes na Figura 4.2 no esto em escala, dada a distribuio irregular

dos dados, pois tais figuras foram utilizadas para gerar a base de regras do sistema

nebuloso.

Variao da tenso em funo da temperatura

30,0031,0032,0033,0034,0035,0036,0037,0038,0039,00

10 25 50 75

Temperatura[C]

Tens

o m

xim

a [V

olt]


41

Variao da tenso em funo da potncia mxima durante o da

35.50

36.00

36.50

37.00

37.50

38.00

29.46 71.54 105.60 122.17 123.88

Potncia mxima [W]

Tens

o m

xim

a [V

olt]

Variao da tenso em funo da irradiao durante o da

35.50

36.00

36.50

37.00

37.50

38.00

256 487 680 776 786

Irradiao [W/m2]

Tens

o m

xim

a [V

olt]

Fig. 4.2 - Variao da tenso mxima em funo da temperatura, irradiao, potncia mxima

durante o dia.

Tabela 4.1 Regras do estimador Fuzzy.

I[W/m2] / T [C] TB TM TA TMA TMUAIMB VUB VUB VUB VUB VUBIB VMA VMA VMA VA VA

IBM VA VA VA VMMA VMMAIAM VMMA VMMA VMMA VMMA VMMAIA VMMA VMMA VMMA VMMA VMMA

IMA VMMA VMMA VMMA VM VMIMUA VM VM VM VBM VBMIUA VBM VBM VBM VBM VB

IEUA VB VB VB VB VMMBIEUAE VMMB VMMB VMMB VMMB VMUB


42

Um exemplo das regras o seguinte:

Se Irradiao muito alta e Temperatura baixa, ento Tenso Meio Muito Alta

Em termos da varivel usada :

IF IMA AND TB THEN VMMA

O estimador Fuzzy possui duas entradas: irradiao e temperatura. A irradiao possui 10

funes de pertinncia na faixa [0,0 1000W/m2] e a temperatura possui cinco funes de

pertinncia na faixa [0,0 32C], o que resultou em 50 regras. A sada a tenso para a

potncia mxima, de 10 funes de pertinncia na faixa [0,0 38 V]. A Figura 4.3 mostra o

sistema completo e suas funes de pertinncia e as variveis do estimador Fuzzy so

mostradas na Figura 4.4. As funes de pertinncia de irradiao so: Irradiao Muito

Baixa (IMB), Irradiao Baixa (IB) Irradiao Baixa Mdia (IBM), Irradiao Alta Mdia

(IAM), Irradiao Alta (IA), Irradiao Mdia Alta (IMA), Irradiao Mdia Ultra Alta

(IMUA), Irradiao Ultra Alta (IUA), Irradiao Extra Ultra Alta (IEUA), Irradiao

Extra Ultra Alta Extremo (IEUAE). As funes de pertinncia de temperatura so:

Temperatura Baixa (TB), Temperatura Mdia (TM), Temperatura Alta (TA),

Temperatura Muito Alta (TMA), Temperatura Mdia Ultra Alta (TMUA). As funes de

pertinncia da tenso (sada) so: Tenso Ultra Baixa (VUB), Tenso Muito Ultra Baixa

(VMUB), Tenso Muito Baixa (VMB), Tenso Mdia Muito Baixo (VMMB), Tenso

Baixo (VB), Tenso Baixa Mdia (VBM), Tenso Mdia (VM), Tenso Mdia Muito

Alta (VMMA), Tenso Alta (VA), Tenso Muito Alta (VMA).


43

Fig. 4.3 - Sistema Fuzzy.

(a)

(b)


44

(c)

Fig. 4.4 - Funes de pertinncia: (a) Irradiao solar (b) Temperatura de ambiente (c) Tenso para a potncia mxima.

O mtodo composicional de inferncia usado max-min, o qual consiste em escolher o

operador min (Mandani) para as implicaes Fuzzy e o operador max (Unio) para a

agregao. A Figura 4.5 ilustra a agregao de todos os conseqentes, a unio dos

subconjuntos obtidos em cada regra pelo mtodo de inferncia composicional max-min.


45

Fig. 4.5 - Clculo dos antecedentes e dos conseqentes de cada regra pelo mtodo de inferncia

composicional max-min.

Como se pode observar, foram usadas funes de pertinncia triangular tanto para as

variveis de entrada quanto para a varivel de sada.


46

A Figura 4.6 mostra a superfcie de tenso para potncia mxima. Nesta figura, Ga a

irradiao instantnea varivel baseada nos nveis de irradiao tpica de vero na zona de

Campo Grande MS, Tamb a variao da temperatura e Vmax sada do estimador.

Fig. 4.6 - Mapeamento das regras de controle do estimador Fuzzy.

4.1.3. Estimador do SOC da Bateria

Em muitos sistemas onde so usadas baterias, o estado de carga de bateria (SOC: State-

Of-Charge), o parmetro que descreve a quantidade de energia que a bateria possui

armazenada, ou o tempo que a energia armazenada poder durar. Existem muitas

definies para o SOC, o mtodo simples e mais usado baseado na Equao (4.3),

chamado de mtodo de Ampere-Hora [29], usando-se a Equao (4.3) foi construda a

base de dados para o treinamento da rede neural.


47

( = tt

perdbatN

dIIC

SOCSOC0

1*0 ) (4.3) Em que:

CN: capacidade de descarga disponvel da bateria quando a mesma est completamente

carregada, considerado constante.

Ibatt: corrente da bateria

Iperd: corrente consumida pelas perdas de reao durante a recarga da bateria.

SOC0: ponto inicial da carga/descarga

Existem tcnicas para estimar o SOC, os quais so resumidos em [29], e a complexidade

do mtodo depende do tipo da bateria e da sua aplicao. A complexidade dos mtodos se

deve ao comportamento no-linear da bateria.

Os problemas mais importantes a considerar durante o processo da estimao do SOC

aplicado a uma rede neural artificial so: (1) quando o SOC0 no 100% do SOC,

usualmente causado pelo processo de auto-descarga em longos perodos, o processo de

descarga intermitente ou quando a bateria no foi carregada completamente na primeira

vez; (2) adaptao e seleo dos dados de treinamento da rede, quando se tem acesso a

uma grande base de dados recolhidos durante diferentes condies de operao para

treinamento.

Na literatura apresentada uma rede neural tipo RBF que treinada usando grandezas

caractersticas de tenso terminal da bateria, corrente de carga/descarga da bateria, e o

Ah da bateria (tempo), para diferentes condies de carga e descarga [30].

A RN-RBF da Figura 3.3, usada para a estimao dos seguintes parmetros: a razo

cclica, o ndice de modulao e SOC, tais variaes so calculadas a partir de Vmax,

corrente da carga em AC, e da corrente na bateria.


48

.3,2,1,)()( 03

1=+=

=kwxwxSOC k

jjikj (4.4)

Em que

= 22

2exp)(

j

jxx , , e . nj

=

bat

Ilac

IIV

xmax

Os resultados do comportamento do SOC, mostrados na Figura 4.7 em funo do tempo

so obtidos considerando correntes de descarga constante de 3.6A, 10A, 18A, 25A, 36A

[31].

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Tempo (h)

SOC

3.6A CCD

10A CCD

18A CCD

25A CCD

36A CCD

SOC0

Fig. 4.7 - Predio do SOC pela RN-RBF.

4.1.4. Controle da Carga/Descarga da Bateria

O controle da carga/descarga da bateria consiste no controle de liga e desliga do banco de

baterias a rede, vai depender de duas possveis condies (duas restries):

a) a bateria fica ligada para compensar a corrente faltante por causa de incremento de

carga no instante de queda da irradiao, mais s pode permanecer ligado at o limite de


49

descarga da bateria fixado pelo SOC com valor igual a 40%. Se passar este limite, a

bateria desligada de forma automtica.

b) a bateria fica ligada para se carregar, prevendo o excesso de corrente quando a

irradiao solar aumente ou demanda diminui. Porm ela s pode permanecer ligada at o

limite de carga completa fixado pelo SOC com o valor igual a 100%. Se ainda existir

corrente disponvel, a bateria desligada de forma automtica.

No caso em que exista o equilbrio no sistema Arranjo Fotovoltaico - Carga a bateria fica

desligada.

O modelo da bateria detalhado no apndice A-1 descreve o comportamento tpico da

tenso durante o processo de carga e descarga. A Figura 4.8 mostra tal comportamento.

(a)


50

(b)

Fig. 4.8 - Variao da tenso durante o processo em funo da variao na carga Ah da bateria: (a) Carga. (b) Descarga.

O resultado de liga-desliga do banco de baterias observa-se na seo dos resultados do

controle, Captulo 5.

4.1.5. Controlador do Buck-Boost

Na Seo 2.1.1, a Equao 2.2 mostra a relao das tenses entrada/sada, se o conversor

considerado ideal, a tenso Vav e corrente Iav (para uma carga ideal timo) de sada do

conversor para uma razo de corte (Chopping ratio) no ponto mximo da potncia

instantnea max , so relacionadas com a tenso Vmax e corrente Imax do AF de acordo com as seguintes equaes [32]:

maxmaxmax 1V

DDVVav == (4.5)

max

maxmax

1I

DDII av == (4.6)


51

Em que D razo cclica [0 1], max a razo de corte, e se D0.5.

As Figuras 4.9 e 4.10 mostram a sensibilidade de resposta do controle de conversor Buck-

Boost, o teste consiste na resposta para uma tenso de referncia varivel. Observa-se a

corrente e a tenso respectivamente.

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2-10

0

10

20

30

40

(s)

Tens

o [V

]

Referncia

Tenso na Sada

Fig. 4.9 - Tenso na sada do Buck-Boost.

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2

-5

0

5

10

(s)

Cor

rent

e [I]

Fig. 4.10 - Corrente na sada do Buck-Boost.


52

A Figura 4.11 mostra a variao da potncia na entrada e sada do conversor. Observa-se

que as potncias geradas pelo AF e a potncia consumida na carga so iguais. Isto

evidenciado pela Equao (4.7).

maxmaxmax IVIVP avav == (4.7)

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2

0

50

100

(s)

Pot

ncia

[W]

Potncia na entrada do Buck-Boost

Potncia na saida do Buck-Boost

Fig. 4.11 - Potncia na entrada e sada do Buck-Boost.

A caracterstica da carga resistiva, ento a relao matemtica dada por:

RIV avav = (4.8)

Usand

braulio chuco paucar

Documents