Escuela Superior Politécnica de Chimborazo

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 111

ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

IMPLEMENTACIÓN DE UN ALGORITMO PARA EL


SEGUIMIENTO DEL PUNTO DE POTENCIA MÁXIMA EN UN
PANEL SOLAR MEDIANTE UN CONTROL PREDICTIVO POR
MODELO

FRANCISCO JAVIER REYES ALMEIDA

Trabajo de Titulación modalidad Proyectos de Investigación y Desarrollo,


presentado ante el Instituto de Posgrado y Educación Continua de la ESPOCH,
como requisito parcial para la obtención del grado de:

MAGÍSTER EN SISTEMAS DE CONTROL Y AUTOMATIZACIÓN


INDUSTRIAL

RIOBAMBA - ECUADOR
DICIEMBRE 2021
©2021, Francisco Javier Reyes Almeida

Se autoriza la reproducción total o parcial, con fines académicos, por cualquier medio o
procedimiento, incluyendo la cita bibliográfica del documento, siempre y cuando se reconozca el
Derecho de Autor.
ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

CERTIFICACIÓN:

EL TRIBUNAL DE TRABAJO DE TITULACIÓN CERTIFICA QUE:

El Trabajo de Titulación modalidad Proyectos de Investigación y Desarrollo, titulado


“Implementación de un algoritmo para el seguimiento del punto de potencia máxima en un panel
solar mediante un control predictivo por modelo”, de responsabilidad del Sr. Francisco Javier
Reyes Almeida ha sido prolijamente revisado y se autoriza su presentación.

Tribunal:

________________
Ing. Luis Eduardo Hidalgo Almeida. PhD FIRMA
PRESIDENTE

________________
Ing. Diego Gustavo Arcos Aviles. PhD FIRMA
DIRECTOR

_______________
Ing. Edwin Fernando Mejía Peñafiel. Mag FIRMA
MIEMBRO

_______________
Ing. Luis Alejandro Hernández Toala. Mag FIRMA
MIEMBRO

Riobamba, agosto 2021


DERECHOS INTELECTUALES

Yo, Francisco Javier Reyes Almeida, declaro que soy responsable de las ideas, doctrinas y
resultados expuestos en el Trabajo de Titulación modalidad Proyectos de Investigación y
Desarrollo, y que el patrimonio intelectual generado por la misma pertenece exclusivamente a la
Escuela Superior Politécnica de Chimborazo.

______________________
FRANCISCO JAVIER REYES ALMEIDA
No. Cédula: 1722913942

iii
DECLARACIÓN DE AUTENTICIDAD

Yo, Francisco Javier Reyes Almeida, declaro que el presente proyecto de investigación es de mi
autoría y que los resultados del mismos son auténticos y originales. Los textos constantes en el
documento que provienen de otras fuentes están debidamente citados y referenciados.

Como autor, asumo la responsabilidad legal y académica de los contenidos de este Trabajo de
Titulación de Maestría.

_______________________________________
FRANCISCO JAVIER REYES ALMEIDA
No. Cédula: 1722913942

iv
DEDICATORIA

La inmortalidad está en cada una de las acciones que realicemos para convertir a cada nuevo ser
en la garantía de un mundo equitativo y justo.
Con toda el alma y mi corazón dedico el presente trabajo:
A mi amada esposa: quien ha sabido soportar de forma paciente y amorosa todo el proceso.
A mi esperado hijo: consolidación de mis más profundos sueños, quien ha sido y será por
siempre el pilar fundamental en mi vida.
A mis queridos padres: por enseñarme que la clave en la vida es el amor.
A mi adorado hermano: para que al caminar por la vida sienta la compañía y solidez de quien
tanto lo quiere.
A DIOS: ante todo y por, sobre todo.
Gracias por tanto y todo.

Francisco.

v
AGRADECIMIENTO

Mi eterno agradecimiento a la Escuela Superior Politécnica de Chimborazo, quien me ha acogido


como uno más de sus tantos hijos, a cada uno de los maestros que formaron parte del presente
proyecto de maestría, cada gramo de conocimiento queda atesorado y con la consigna de ser
replicado. A cada compañero con los que cada momento compartido los ha convertido en grandes
amigos. Así mismo al estimado Dr. Diego Arcos, tutor del presente proyecto de titulación, quien
se convirtió en parte esencial del desarrollo efectivo de este proceso investigativo. Un
agradecimiento sincero a los ingenieros Fernando Mejia Peñafiel; Msc y Luis Hernandez Toala;
Msc, por la apertura y cordialidad al aceptar ser miembros de tribunal y facilitadores del
conocimiento y guías necesarias.
Gracias a cada uno de los que se tomó el tiempo para regalarme una palabra de aliento, energía
necesaria para la culminación exitosa de esta ardua tarea.

Francisco.

vi
CONTENIDO

Páginas

ÍNDICE DE TABLAS ................................................................................................................xi

ÍNDICE DE FIGURAS ............................................................................................................. xii

RESUMEN ................................................................................................................................ xv

ABSTRACT..............................................................................................................................xvi

CAPÍTULO I ...............................................................................................................................1

1. INTRODUCCIÓN ...........................................................................................................1

1.1. Situación problemática .....................................................................................................1

1.2. Formulación del problema................................................................................................3

1.3. Preguntas directrices ........................................................................................................3

1.4. Justificación de la investigación .......................................................................................3

1.5. Objetivos de la investigación ............................................................................................5

1.5.1. Objetivo General ..................................................................................................5

1.5.2. Objetivos Específicos ...........................................................................................5

1.6. Hipótesis ..........................................................................................................................5

CAPÍTULO II ..............................................................................................................................6

2. MARCO TEÓRICO .........................................................................................................6

2.1. Antecedentes del problema...............................................................................................6

2.2. Bases Teóricas ..................................................................................................................9

2.2.1. Control Predictivo: ...............................................................................................9

2.2.2. Dependencia de las acciones en las predicciones ..................................................9

vii
2.2.3. Las predicciones se basan en un modelo ............................................................ 10

2.2.4. Selección de la entrada correcta .......................................................................... 10

2.2.5. Horizonte deslizante ........................................................................................... 11

2.2.6. Rendimiento óptimo o seguro ............................................................................. 11

2.2.7. Tuning ................................................................................................................ 12

2.2.8. Restricciones ...................................................................................................... 12

2.2.9. Control DMC...................................................................................................... 12

2.2.10. Horizonte de predicción...................................................................................... 16

2.2.11. Respuesta libre y respuesta forzada .................................................................... 16

2.2.12. Representación matricial del DMC ..................................................................... 17

2.2.13. Función objetivo ................................................................................................. 18

2.2.14. Representación matricial de la función de costo ................................................. 18

2.2.15. Control GPC ....................................................................................................... 19

2.2.16. Función de costo ................................................................................................. 20

2.2.17. Modelo ............................................................................................................... 20

2.2.18. Desarrollando la expresión de predicción ........................................................... 22

2.2.19. Programación cuadrática .................................................................................... 23

2.2.20. Señal de control .................................................................................................. 24

2.2.21. Sistema GPC con perturbaciones y restricciones ................................................ 24

2.2.22. Restricción en el incremento de la acción de control .......................................... 24

2.2.23. Restricción en la señal de control ....................................................................... 25

2.2.24. Restricciones en la salida .................................................................................... 25

viii
2.2.25. Restricción de sobre impulso .............................................................................. 26

2.2.26. Comportamiento monotónico ............................................................................. 27

2.2.27. Restricción terminal ............................................................................................ 27

2.2.28. Software de implementación .............................................................................. 28

2.2.29. Comparativa existente entre diversos sistemas de control .................................. 30

CAPÍTULO III ........................................................................................................................... 35

3. METODOLOGÍA DE LA INVESTIGACIÓN .............................................................. 35

3.1. Identificación y caracterización del panel solar .................................................. 35

3.1.1. Determinando 𝑰𝑳 ................................................................................................ 36

3.1.2. Determinando Io ................................................................................................. 37

3.1.3. Determinando Rs ................................................................................................ 37

3.1.4. Determinando el valor “a” .................................................................................. 38

3.1.5. Conversor elevador boost ................................................................................... 39

3.2. Uso del control Perturb & Observe ..................................................................... 42

3.2.1. Diagrama de flujo del control P&O .................................................................... 43

3.2.2. Implementación del control P&O en Simulink ................................................... 43

3.3. Programación del controlador MPC ................................................................... 47

3.3.1. Algoritmo Control Predictivo por Modelo .......................................................... 47

3.3.2. Modelo basado en DMC ..................................................................................... 48

3.3.3. Modelo basado en GPC ...................................................................................... 50

3.3.4. Modelo GPC con restricciones ........................................................................... 56

3.3.5. Modelo propuesto como solución ....................................................................... 60

ix
CAPÍTULO IV........................................................................................................................... 64

4. RESULTADOS Y DISCUSIÓN .................................................................................... 64

4.1. Análisis de los resultados del control P&O......................................................... 64

4.2. Análisis de los resultados utilizando el control MPC .......................................... 70

4.2.2. Algoritmo GPC................................................................................................... 71

4.2.3. Algoritmo GPC con restricciones ....................................................................... 74

4.3. Comprobación de la hipótesis ............................................................................. 77

4.3.1. Análisis estadístico ............................................................................................. 80

4.3.1.1. Prueba de Hipótesis para POT MPC - POT P&O ............................................... 82

4.3.1.2. Prueba t............................................................................................................... 83

4.3.1.3. Prueba de los signos ........................................................................................... 84

4.3.1.4. Intervalos de Confianza para POT MPC - POT P&O ......................................... 84

CAPÍTULO V ............................................................................................................................ 86

5. PROPUESTA ................................................................................................................. 86

CONCLUSIONES ..................................................................................................................... 88

RECOMENDACIONES ............................................................................................................ 90

RESPUESTA A LA FORMULACIÓN DEL PROBLEMA ...................................................... 91

BIBLIOGRAFÍA ....................................................................................................................... 92

x
ÍNDICE DE TABLAS

.......................................................................................................................................... Páginas

Tabla 1-4: Valores de irradiancia y la potencia generada por el panel ...................................... 66

Tabla 2-4: Potencia obtenida IDEAL vs MPC .......................................................................... 80

Tabla 3-4: Resumen estadístico para el SISTEMA IDEAL – POT MPC .................................. 80

Tabla 4-4: Potencia MPC vs P&O ............................................................................................ 82

Tabla 5-4: Resumen estadístico para POT MPC – POT P&O ................................................... 83

xi
ÍNDICE DE FIGURAS

.......................................................................................................................................... Páginas

Figura 1-1: Consumo energético en el Ecuador por sectores ......................................................7

Figura 2-1: Estructura del consumo energético en el Ecuador ....................................................7

Figura 3-2: Principios del control DMC ................................................................................... 13

Figura 4-2: Predicción t+k pasos hacia el futuro ....................................................................... 13

Figura 5-2: Modelo para establecer las perturbaciones ............................................................. 14

Figura 6-2: Inicio en M del estado estacionario del sistema ...................................................... 15

Figura 7-2: Horizonte de predicción ......................................................................................... 16

Figura 8-2: Respuesta libre ....................................................................................................... 17

Figura 9-2: Respuesta libre y repuesta forzada ......................................................................... 17

Figura 10-2: Acciones de control .............................................................................................. 20

Figura 11-2: Modelo en bloques CARIMA .............................................................................. 22

Figura 12-2: Ecuaciones diofantinas ......................................................................................... 22

Figura 13-2: Respuesta de la temperatura ante variaciones de entrada ..................................... 30

Figura 15-2: Comportamiento frente al cambio de SetPoint PID Fuente: (P. Diaz, 2010) ....... 31

Figura 16-2: Comportamiento frente a un cambio en perturbación DMC ................................. 32

Figura 17-2: Comportamiento frente a cambio de SetPoint DMC ............................................ 32

Figura 18-2: Comportamiento frente a un cambio en perturbaciones FLC ............................... 33

Figura 19-2: Comportamiento frente a cambio de SetPoint FLC .............................................. 33

Figura 20-3: Modelo de panel solar, a) Modelo General b) Modelo Simple ............................. 35

xii
Figura 21-3: Circuito equivalente de un panel solar .................................................................. 39

Figura 22-3: Conversor Boost ................................................................................................... 39

Figura 23-3: Modelo en simulink de conversor boost ............................................................... 42

Figura 24-3: Diagrama de flujo del control P&O ...................................................................... 43

Figura 25-3: Verificación de voltaje y potencia P&O ............................................................... 44

Figura 26-3: Etapa de decisión P&O......................................................................................... 44

Figura 27-3: Etapa de generación de los pasos para alcanzar el MPP ....................................... 45

Figura 28-3: Generación del disparo con P&O ......................................................................... 46

Figura 29-4: Algoritmo DMC ................................................................................................... 47

Figura 30-4: Datos del panel solar simulink ............................................................................. 65

Figura 31-4: Grafica corriente vs voltaje .................................................................................. 65

Figura 32-4: Gráfica potencia vs voltaje ................................................................................... 66

Figura 33-4: Resultado al utilizar el control P&O ..................................................................... 67

Figura 34-4: Voltaje del panel vs Voltaje en el boost ............................................................... 68

Figura 35-4: Corriente del panel vs Corriente en el boost ......................................................... 68

Figura 36-4: Potencia del panel vs Potencia en el boost ........................................................... 69

Figura 37-4: Valores en el panel y en el boost con variación en la irradiancia .......................... 69

Figura 38-4: Condiciones de irradiancia para DMC.................................................................. 70

Figura 39-4: Respuesta del control DMC a las variaciones de irradiancia ................................ 70

Figura 40-4: Respuesta del DMC ante cambios de irradiancia .................................................. 71

Figura 41-4: Función de transferencia caso 01 GPC ................................................................. 71

Figura 42-4: Respuesta GPC al caso 01 .................................................................................... 72

xiii
Figura 43-4: Función de trasferencia caso 02............................................................................ 72

Figura 44-4: Respuesta GPC al caso 02 .................................................................................... 73

Figura 45-4: Función de transferencia caso 03.......................................................................... 73

Figura 46-4: Respuesta GPC al caso 03 .................................................................................... 74

Figura 47-4: Respuesta a la restricción del incremento de control ............................................ 74

Figura 48-4: Respuesta a la restricción en la señal de control ................................................... 75

Figura 49-4: Respuesta a la restricción en la salida ................................................................... 75

Figura 50-4: Respuesta a la restricción de sobre impulso ......................................................... 76

Figura 51-4: Respuesta a la restricción de monotónica ............................................................. 76

Figura 52-4: Irradiancia para comparativa entre controles ........................................................ 77

Figura 53-4: Resultado de control P&O .................................................................................... 78

Figura 54-4: Resultado control MPC ........................................................................................ 79

Figura 55-4: Potencia registrada MPC vs P&O ........................................................................ 82

Figura 56-4: Histograma comparativa MPC - P&O .................................................................. 85

Figura 57-4: Densidad comparativa MPC - P&O ..................................................................... 85

Figura 58-5: Diagrama de propuesta de solución ...................................................................... 86

Figura 59-5: Capacidad instalada desde el 2007 hasta el 2017 ................................................. 87

xiv
RESUMEN

xv
ABSTRACT

The objective was to implement a model of the maximum power point follower algorithm for a
photovoltaic panel, seeking to improve the efficiency in electricity generation, through the use of
a predictive control by model, it seeks to generate a referential framework towards the reason of
the power generation systems to alternative the energy production and the importance of control
systems as an alternative to the freedom of resources, trying to explain with data the benefits
based on the growing energy need.

A control model has been developed that allows to improve the monitoring of the maximum
power point of a solar panel and establish this point as the starting line in understanding the
strategies for the optimal and efficient production of electrical energy, for this process, Matlab is
used as the simulation engine; To validate the improvement, a comparison is made with a control
system widely used commercially (perturb and observe),due to its low computational resource, is
popular among photovoltaic system controllers.

The variant clouds behavior, the working condition in moments of shade and partial shade, makes
it necessary to have a control system that can anticipate events in order to take the necessary
actions and adjust the strategy that guarantees the highest point power in all conditions, predictive
control, which is the alternative addressed in this document; It is presented with examples and
comparisons, within this way you have the ability to choose the most optimal type of control
based on its functionality and performance.

The results achieved allow us to understand in comparison with one of the commercial control
systems, applying a predictive control by model improves the power stability generated by the
photovoltaic panel, however the heavy computational load makes it clear that from the
commercial point of view this alternative It is not yet entirely feasible, the efficiency of the model
is improved by carefully developing mathematical work, based on the present work it is
recommend, use a functional model.

Keywords: PREDICTIVE CONTROL MODEL, MAXIMUM POWER POINT, DYNAMIC


MATRIX CONTROL, PREDICTIVE CONTROL, PREDICTIVE SYSTEM, SOLAR ENERGY,
EFFICIENCY ENERGETIC, CONTROL SYSTEMS, AUTOMATIC CONTROL,
PHOTOVOLTAIC PANEL, AND MATHEMATICAL MODELING. DISRUPT AND
OBSERVE

xvi
CAPÍTULO I

1. INTRODUCCIÓN

1.1. Situación problemática

El Ecuador es un país de muy variadas características topográficas, con condiciones climáticas


únicas que le confieren un elevado potencial para la utilización de energías renovables y limpias.
Estas características han permitido agregar a los paneles solares como sistemas de electrificación
y energización rural dentro del inventario de los Recursos Energéticos para Producción Eléctrica
del CONELEC. El Plan Nacional del Buen Vivir (PNBV), dentro de sus lineamientos establece
“Cuantificar el potencial de recursos de energías renovables para generación eléctrica”
(SENPLADES, 2013, P. 23) para reestructurar la matriz energética del país (Arcos-Aviles, Pascual, Marroyo,

Sanchis, & Guinjoan, 2016, P.17). El diseño de políticas, estrategias y medidas para incentivar el mayor

uso de estas energías limpias, que promuevan el desarrollo especialmente en zonas rurales, se
fundamentan en su cuantificación, disponibilidad y distribución estacional en el territorio.

Se vuelve entonces una prioridad el asegurar una fuente de energía confiable, segura y asequible
(Dousoky & Shoyama, 2012, P.156) a través de Sistemas de Energías Renovables. En este sentido, los
sistemas fotovoltaicos y su desarrollo en el área de la generación eléctrica han permitido impulsar
la construcción de fuentes de energía libre de contaminantes (Dousoky & Shoyama, 2012, P.156).

El aumento del consumo energético a nivel mundial ha provocado el crecimiento del uso de los
combustibles fósiles que en el año 2013 llegó a ser del 82% del suministro de energía primaria
total (Sotomayor & Proaño, 2015. P.35) (Arcos-Aviles et al., 2016, P.18), que ha causado la preocupación
global debido al aumento de emisiones de gases de efecto invernadero que resultan de esta
combustión. Es por esta razón que diversos países han optado por el uso de energías alternativas
para cubrir parte de la demanda requerida y han incentivado el uso de energías renovables como
la energía solar fotovoltaica (Arcos-Aviles et al., 2016, P.18).

Para utilizar una fuente de energía renovable se debe asegurar su eficiencia. Los paneles solares
son una alternativa en generación de energía limpia, sin embargo, es necesario lograr su máximo
potencial al momento de entrar en funcionamiento; lograr este propósito depende de tres factores:

1
el primero es la eficiencia propia constructiva del panel PV que ronda entre el 8% y el 15%, el
segundo es la eficiencia del inversor que esta entre 95% y el 98% y la eficiencia del algoritmo de
Seguimiento del Punto de Máxima Potencia comprende el 98% (Zakariae, Abdelhadi, Abdelmounaim,
& Omar, 2017, P.86).

El Seguimiento del Punto de Máxima Potencia es un algoritmo de control para obtener la potencia
máxima de un sistema de generación fotovoltaica al balancear los valores de voltaje y corriente
(Hlaili, Mechergui, Gonçalves, Exposto, & Afonso, 2016, P.55).

Existen numerosas técnicas que buscan garantizar el Seguimiento del Punto de Máxima Potencia,
entre las cuales se pueden citar: el método de perturbación y observación, el método de circuito
abierto y cerrado, algoritmo de incremento de la conductividad (Z. Farooqui, 2017, P.15) hasta
sistemas basados en lógica difusa (Zameer Farooqui, 2017, P.16). En el presente trabajo, se propone un
modelo simulado del algoritmo basado en un Control Predictivo por Modelo; que permitirá
utilizar información con un horizonte de predicción, para adelantar las posibles acciones a tomar
y asegurar que el panel solar entregue, durante su operación, el mayor potencial.

El Seguimiento del Punto de Máxima Potencia juega un papel muy importante dentro de la
eficiencia del sistema de generación fotovoltaica, al maximizar la salida para un conjunto de
condiciones dadas (Zameer Farooqui, 2017, P.16). Un correcto algoritmo para garantizar el
Seguimiento del Punto de Máxima Potencia puede reducir el costo total del sistema. En este
sentido, el algoritmo del Seguimiento del Punto de Máxima Potencia busca mantener el mayor
rendimiento del sistema de generación en todo momento (Hohm & Ropp, 2003, P.47). La mayoría de
fabricantes optan por implementar un modelo de algoritmo basado en el método de: “perturbación
y observación” (Hohm & Ropp, 2003, P.47), el mismo que en el presente desarrollo, será utilizado
para realizar una comparativa frente al modelo propuesto.

Según datos del CONELEC para impulsar la producción de energía fotovoltaica el directorio
reformo en el 2011 la regulación 04/11 donde se fijó una tarifa preferencial de USD 0.40 por
kilovatio hora (kWh) en generación fotovoltaica (CONELEC, 2011, P.5), como un incentivo que
intenta efectivizar lo propuesto en el Plan Nacional del Buen Vivir para asegurar la soberanía y
eficiencia de los sectores estratégicos para la transformación industrial y tecnológica. Se suma a
esto las ventajas geográficas que presenta el Ecuador respecto a la incidencia de la radiación solar
(i.e., ángulo de incidencia constante), donde se estima, según el Atlas Solar del Ecuador, que la
energía fotovoltaica posee un alto potencial de aprovechamiento (CONELEC, 2008, P.4), que
favorece en gran manera la implantanción de paneles solares para la producción de energía
eléctrica.

2
Finalmente, en el presente trabajo de titulación se propone un modelo simulado para generar un
control óptimo en el componente medular de los sistemas de generación fotovoltaicos; para
alcanzar el Punto Máximo de Potencia, mediante el uso de técnicas de Control Predictivo por
Modelo, con el uso de información generada por los sistemas meteorológicos del país y la toma
de decisiones con un horizonte de predicción amplio, que permitan generar una posible alternativa

mucho más eficiente respecto a la generación de energía en el Ecuador .

1.2. Formulación del problema

La cantidad de vatios hora generados se incrementará de forma precisa , fiable y anticipada al


utilizar un algoritmo para realizar un Control Predictivo por Modelo en sistemas de generación
fotovoltaica.

1.3. Preguntas directrices

¿Existe en la actualidad un sistema altamente comercial basado en algoritmos MPC que permita
alcanzar el punto de máxima potencia (MPP) producido por la radiación solar?

¿Cuáles son los principales componentes teóricos que permitirán el desarrollo de un sistema para
alcanzar el MPP en generación fotovoltaica, basados en MPC?

¿Cuál es el proceso para establecer un sistema de seguimiento del punto de máxima potencia con
un control basado en MPC, que mejore la eficiencia en “Watts” hora de generación?

¿Cómo integrar el modelo y su funcionalidad para conseguir una reducción de las pérdidas
generadas al convertir la energía solar fotovoltaica en energía eléctrica?

1.4. Justificación de la investigación

El presente trabajo de titulación se centra en la necesidad global de energía que a diario se


pretende suplir desde soluciones como la quema de combustible fósil, plantas de generación
hidroeléctricas entre otras. La alternativa que aquí se apuntala y sobre la cual se desarrolla la
presente investigación es sin duda la fuente energética más representativa por el volumen de

3
vatios que podrían ser generados a diario; la energía fotovoltaica está presente en todos los países
y en cada región alrededor del mundo, es accesible desde cualquier ubicación a cielo abierto
evitando sistemas complejos de transporte y distribución energética que son requeridos con
sistemas de generación usuales.

Aun cuando la energía fotovoltaica es en volumen de presencia en la tierra, la más significativa,


el poco desarrollo en su utilización hace que no sea aprovechada de manera eficiente y en su
totalidad, lo estocástico del comportamiento del cielo y la sombra que esto provoca junto con el
poco avance logrado sobre la construcción de celdas solares le dan un tono cada vez más oscuro
a la utilización optima de energía solar. Sin poder controlar el comportamiento de las nubes en el
cielo y sin la posibilidad de presentar un modelo constructivo de panel que aproveche en totalidad
la irradiancia generada por el sol; nos queda solamente optimizar los algoritmos para la obtención
del punto de máxima potencia con las condiciones que se presenten.

En esta investigación se presenta una alternativa importante de control para la obtención del punto
de máxima potencia basada en un Control Predictivo por Modelo, estrategia que ha empezado a
tener auge gracias a los avances logrados sobre los sistemas para procesamiento de datos, este
recurso está ligado a una carga significativa de información lo cual lo vuelve difícil de
implementar sin la ayuda de potentes procesadores matemáticos como Matlab. El algoritmo aquí
propuesto no tiene aplicaciones existentes en el campo de las energías renovables, lo cual vuelve
a este proceso investigativo una útil fuente de consulta; misma que se validará haciendo una
comparativa con técnicas muy utilizadas al momento de intentar dar seguimiento al punto de
potencia máxima.

El mayor beneficio al utilizar de forma óptima energía fotovoltaica es el entorno, ya que con el
presente trabajo de titulación se busca dar una alternativa sustentable para suplir la creciente
necesidad de energía en el mundo.

Los contenidos entregados dentro del programa de la maestría en Sistemas de Control dotan a la
presente investigación de las herramientas necesarias para el óptimo desarrollo.

4
1.5. Objetivos de la investigación
1.5.1. Objetivo General

Implementar un modelo de algoritmo seguidor del punto de máxima potencia para un panel
fotovoltaico, buscando mejorar la eficiencia en generación eléctrica, mediante el uso de un control
predictivo por modelo.

1.5.2. Objetivos Específicos

• Realizar una investigación sobre los algoritmos para la consecución del Seguimiento del
Punto de Máxima Potencia, basados en un Control Predictivo por Modelo.
• Determinar cuáles son los principales componentes teóricos que permitirán el desarrollo
de un sistema para alcanzar la mayor potencia en generación fotovoltaica, basados en un
Control Predictivo por Modelo.
• Proponer un algoritmo que permita alcanzar la mayor potencia producida por un sistema
de generación fotovoltaica.
• Contrastar el modelo propuesto para alcanzar el Seguimiento del Punto de Máxima
Potencia frente a sistemas con un distinto tipo de control.

1.6. Hipótesis

El desarrollo de un modelo de control basado en un Control Predictivo por Modelo permitirá


alcanzar una mayor eficiencia de potencia en generación fotovoltaica para sistemas de Generación
Distribuida basados en energía renovables.

5
CAPÍTULO II

2. MARCO TEÓRICO

2.1. Antecedentes del problema

El asegurar la soberanía y eficiencia de los sectores estratégicos para la transformación industrial


y tecnológica (SENPLADES, 2013, P.9), contempla el objetivo 11 del Plan Nacional del Buen Vivir,
y define a los sectores estratégicos como aquellos que, por su trascendencia y magnitud, tienen
decisiva influencia económica, social, política o ambiental en el país, y que están orientados al
pleno desarrollo de los derechos de los ciudadanos y al interés general (ANC, 2008, P.6), cita además
la clasificación de los mismos en donde se consideran sectores estratégicos: la energía en todas
sus formas, las telecomunicaciones, los recursos naturales no renovables, el transporte y la
refinación de hidrocarburos, la biodiversidad y el patrimonio genético, el espectro radioeléctrico,
el agua, y los demás que determine la ley (ANC, 2008, P.14).

El Ministerio de Electricidad y Energía Renovable en su documento del Plan Nacional de


Eficiencia Energética, considera a la producción de energía fotovoltaica como una alternativa al
incremento del consumo eléctrico en el Ecuador. La ilustración 1 presenta un detalle del consumo
energético del Ecuador por sectores, desde el año 2004 hasta el 2014. La ilustración 2 detalla la
estructura del consumo energético (MEER, 2016, P.8).

Por un lado, en lo referente al recurso solar, se han instalado seis mil sistemas fotovoltaicos,
principalmente en la Amazonía, que representan 0,1 MW generados. Adicionalmente, se
encuentran suscritos títulos habilitantes para el desarrollo de proyectos fotovoltaicos por 282 MW
(SENPLADES, 2013, P.4).

6
Figura 1-1: Consumo energético en el Ecuador por sectores
Fuente: (Senplades, 2013).

Por otro lado, los principales energéticos consumidos en los diferentes sectores identificados
fueron: diésel (31%), gasolinas y naftas (28%), electricidad (13,5%), gas licuado de petróleo
(GLP) (8,5%) y fuel oil (8,1%) (MEER, 2016, P.8).

Figura 2-1: Estructura del consumo energético en el Ecuador


Fuente: (Senplades, 2013).

Países pertenecientes al G8 (Rusia, Japón, Italia, Alemania, Francia, Reino Unido, Canadá y
EEUU) de los cuales EEUU y Canadá representan los mayores emisores de CO2 en América
establecen como política publica el realizar la transición del consumo centralizado de energía

7
proveniente de fuentes fósiles hacia el uso de sistemas descentralizados de generación con energía
renovable (Ebe, Idlbi, Morris, Heilscher, & Meier, 2017, P.13). Al saber que la energía fotovoltaica es una
de las más abundantes, el uso de paneles solares se convierte en una opción muy válida para la
reducción de la creciente necesidad de producción de electricidad.

El desarrollo de un sistema eficiente de aprovechamiento de la energía producida por la radiación


solar depende de tres factores importantes (Zakariae et al., 2017, P.8):

1. La eficiencia propia constructiva del panel, que ronda entre el 8% y 15% del total de un
sistema optimo
2. La eficiencia del inversor que esta entre el 95% y el 98%.
3. El desarrollo del algoritmo pare el Seguimiento del Punto de Máxima Potencia que
comprende el 98% del total de un sistema optimo

El desarrollo del algoritmo pare el Seguimiento del Punto de Máxima Potencia que comprende el
98% del total de un sistema optimo, es deseable entonces, el consolidar un algoritmo que garantice
fiabilidad para generar electricidad de forma eficiente con los mayores beneficios posibles. Es
muy aceptado el algoritmo de Perturbación y Observación, por el bajo costo computacional que
implica su implementación (Gaga, Errahimi, & Es-Sbai, 2014, P.80), sin embargo presenta algunas
limitaciones, entre las que se pueden citar (Gaga et al., 2014, P.34):

La pérdida de seguimiento del punto de máxima potencia cuando las condiciones de radiación
varían de forma repentina.

La oscilación de voltaje y corriente alrededor del punto de máxima potencia cuando llega a
alcanzar el área de mayor eficiencia

El algoritmo que se implementará mediante simulación es un Control Predictivo por Modelo;


como alternativa al tipo de control usual, según investigación de A. Gaga, F. Errahimi, and N. Es-
Sbai, en el articulo “Design and implementation of MPPT solar system based on the enhanced
P&O algorithm using Labview,” es el algoritmo de Perturbación y Observación uno de los
mayormente aceptados; existen muy pocos antecedentes para la presente investigación debido a
que es una propuesta novedosa que busca mejorar el rendimiento de la obtención de energía
fotovoltaica.

8
2.2. Bases Teóricas
2.2.1. Control Predictivo:

El principio del control predictivo se establece a los finales de la década de los 60, Jacques
Richalet desarrolla una técnica de control que predice el comportamiento de una planta, basado
en el modelo matemático de la misma. Lleva este desarrollo a aplicaciones industriales, lo que
vuelve al control de interés por parte de los sectores químicos y del petróleo.

Se busca en el control predictivo, el poder determinar con cierto grado de seguridad cual serán las
acciones que se sucedan en un futuro determinado; para mediante esta aproximación, establecer
las mejores decisiones de control, tratando de esta manera de reproducir el comportamiento
humano, en donde seleccionamos una acción esperando el mejor resultado posible. La aceptación
de esta metodología de control es creciente gracias a la posibilidad de poder involucrar
restricciones que posea la planta, sean estas de tipo físico o de seguridad en el proceso. El control
predictivo optimiza su funcionamiento de forma interna utilizando una función de costo, la misma
que se ajusta de forma dinámica.

Se puede citar como componentes de un modelo predictivo los siguientes:

1. La ley de control depende del comportamiento predicho.


2. Las predicciones de salida son calculadas usando un modelo de proceso.
3. La entrada actual se determina optimizando algunas mediciones del comportamiento
previsto.
4. El horizonte deslizante: la entrada de control se actualiza en cada instante de muestreo

El Control Predictivo posee varias abreviaturas, las cuales abarcan características propias, pero
con un resultado similar; entre las que podemos citar en este trabajo de titulación están: Control
de Matriz Dinámica por sus siglas en el inglés (DMC – Dinamic Matrix Control), Control
Predictivo General (GPC – Generalised Predictive Control).

2.2.2. Dependencia de las acciones en las predicciones

La mayoría de las leyes de control, por ejemplo, PID no consideran las consecuencias futuras de
las acciones de control actuales. Hasta cierto punto, esto solo se explica por la dinámica esperada
del funcionamiento en lazo cerrado. El control MPC, por otro lado, calcula explícitamente el
comportamiento previsto para un horizonte. Por lo tanto, se puede establecer una restricción en la
elección de las trayectorias de entrada hacia aquellas que no representen futuras dificultades.

9
2.2.3. Las predicciones se basan en un modelo

Para predecir el comportamiento futuro de un proceso, debemos tener un modelo de cómo se


comporta el proceso. En particular, este modelo debe mostrar la dependencia de la salida en la
variable medida y las entradas actuales / futuras. Este modelo no tiene que ser lineal (por ejemplo,
función de transferencia, estado-espacio) y, de hecho, puede ser casi cualquiera.

En la toma de decisiones de los seres humanos, a menudo utilizamos modelos difusos con los que
conseguimos un control preciso; por ejemplo, si estoy en una carretera sin pendiente a 60km por
hora y me encuentro en tercera marcha, entonces soltar el acelerador debería no modificar la
aceleración existente. El punto clave a tener en cuenta aquí es que no siempre se requiere un
modelo preciso para obtener un control estricto; debido a que las decisiones se actualizan
regularmente, se tratará con cierta incertidumbre el modelo en una escala de tiempo bastante
rápida. En el ejemplo de conducción anterior, la falla en lograr una buena aceleración se notaría
muy rápidamente por comparación del comportamiento real con el comportamiento del modelo
predicho; por ejemplo, ¿estoy en la marcha correcta, estoy haciendo 60 y no 20, etc.?

La decisión sobre el mejor control se actualiza continuamente usando la información de esta


comparación. En la práctica, la mayoría de los algoritmos de MPC utilizan modelos lineales
porque la dependencia de las predicciones sobre las opciones de control futuras es lineal y esto
facilita la optimización, así como el análisis fuera de línea del comportamiento esperado de lazo
cerrado. Sin embargo, los modelos no lineales pueden usarse donde la carga computacional
implícita no es un problema y las aproximaciones lineales no son lo suficientemente precisas.

En el control predictivo, el modelo se utiliza únicamente para calcular las predicciones de salida
del sistema, por lo que el modelo se ajusta al propósito, proporcionando así predicciones con un
rango de precisión alto. El esfuerzo y los detalles puestos en la fase de modelado deberían reflejar
esto. Es posible que no sea necesario modelar toda la física, la química y el comportamiento
interno del proceso para obtener un modelo que proporcione una predicción confiable, y, de
hecho, uno no debe modelar todos estos detalles si no se requiere.

Siempre se recomendará utilizar el modelo más simple con el que se logre realizar el cometido.

2.2.4. Selección de la entrada correcta

Antes de que se pueda elegir la acción de control actual, se necesitan criterios para juzgar qué
acción es la mejor opción. Debido a que el MPC es implementado por computadora, se requiere

10
una definición numérica para poder hacer un cálculo preciso de que la trayectoria predicha a la
entrada va a proporcionar el costo más bajo.

Se toma la línea base que propone que, en la medida en que se sigan algunas pautas básicas, la
elección real del costo a menudo tiene poco efecto en el rendimiento del lazo cerrado. El requisito
principal es que la función de costo dependa de los controles futuros y que una función de costo
con valores bajos implique un buen rendimiento del lazo cerrado. La elección de la función costo
afecta la complejidad de la optimización implícita y esto también es una consideración.

La función de costo debería ser lo más sencilla que se pueda determinar mientras cumpla el
propósito deseado.

2.2.5. Horizonte deslizante

Si tomamos como punto de partida para esta definición el ejemplo de la conducción, al recorrer
un camino anticipamos cualquier percance estableciendo un horizonte de manejo amplio hacia
adelante. Esto en esencia es el horizonte deslizante, lo cual significa que continuamente estamos
recogiendo nueva información desde el horizonte lejano y esta información se utiliza para
actualizar nuestras acciones de control (decisiones).

El control predictivo funciona así: se considera el comportamiento previsto, sobre un horizonte


hacia el futuro y, en cada instante de muestreo sucesivo se genera una predicción futura. A medida
que se dispone de nueva información, las trayectorias de entrada se ven modificadas
automáticamente. Si se busca establecer una dimensión apropiada para este horizonte, se tiene
que considerar que al menos alcance al tiempo de establecimiento del sistema; de lo contrario,
uno ignora el comportamiento con una dinámica significativa. Retomando el ejemplo de la
conducción, si conducimos a 70km por hora llevando un control de unos 20m hacia adelante, las
acciones de control que se tomen nunca serán suficientes y el vehículo se saldría de la carretera
en la primera curva cerrada.

2.2.6. Rendimiento óptimo o seguro

El objetivo está en conseguir determinar los movimientos futuros que se darán, planteando una
analogía, al practicar un deporte de destreza manual, al principio, solo se intenta mantener el
juego, con movimientos que no connotan un control óptimo. El modelo sobre el que se base la
predicción será quien determine el rendimiento, un buen modelo asegura un rendimiento óptimo,
permitiendo de esta manera poder seleccionar movimientos de control de manera confiable en un
horizonte futuro.

11
2.2.7. Tuning

Si obtiene la función de costo correcta, la estabilidad y el ajuste se verán por sí mismos, ya que
por definición está optimizando un costo que solo puede ser pequeño para un buen rendimiento.
Cuando se usan pautas sensatas, MPC siempre dará control estable (al menos para el nominal)
por lo que se vuelve importante lograr un equilibrio entre el rendimiento en diferentes bucles,
buena sensibilidad y también un equilibrio entre la actividad de entrada y la velocidad de
respuesta.

Clásicamente, estos equilibrios se logran mediante matrices de ponderación, es decir, poniendo


diferente énfasis en el rendimiento en diferentes ciclos de acuerdo con su importancia. Sin
embargo, es dudoso que uno pueda construir dichos pesos sistemáticamente desde un punto de
vista financiero / operativo y, en general, se requiere un ajuste en línea hasta que el equilibrio
parezca correcto. Una pauta típica para dar un valor inicial razonable para los pesos sería
normalizar todas las señales (entrada y salida) de modo que el rango de 0 a 1 sea igualmente
importante para cada señal; luego usar pesos unitarios en todos los bucles. Es difícil generalizar
más allá de esto porque cada proceso tiene diferentes prioridades que pueden ser demasiado sutil
como para incluirlo en las pautas generales.

2.2.8. Restricciones

Uno de los fuertes de MPC es su capacidad de hacer un manejo de restricciones en línea de una
manera sistemática, con la esperanza de retener hasta cierto punto los márgenes de estabilidad y
el rendimiento de la ley sin restricciones. El algoritmo lo hace optimizando el rendimiento
previsto sujeto a la satisfacción de la restricción.

Por ejemplo, un piloto de carreras optimiza la velocidad, sujeto a la restricción de que el auto
permanezca en la pista. Si optimiza la velocidad sin tener en cuenta explícitamente la restricción,
sus tiempos de vuelta serían mucho más lentos. Los detalles de cómo se incorporan las
restricciones dependen en gran medida del algoritmo desplegado. MPC toma en cuenta de forma
sistemática las restricciones y, por lo tanto, permite un mejor rendimiento.

2.2.9. Control DMC

Se basa en la respuesta de un modelo matemático ante una entrada escalón.

12

(2.1)
𝒚(𝒕) = 𝒚𝟎 + ∑ 𝒈𝒊 ∆u(𝒕 − 𝒊)
𝒊=𝟏

Donde:

• y0: salida inicial


• gi: respuesta al escalón
• ∆u: variaciones del control

Figura 3-2: Principios del control DMC


Fuente: Realizado por: Francisco Reyes.

Para poder calcular las predicciones, el sistema debe moverse hacia el futuro k pasos.
𝑡+𝑘
𝑦(𝑡) → 𝑘 𝑝𝑎𝑠𝑜𝑠 𝑎𝑙 𝑓𝑢𝑡𝑢𝑟𝑜 = 𝑦̂ ( )
𝑡

• 𝑦̂: predicción
• (𝑡 + 𝑘): tiempo futuro
• t: tiempo actual

Figura 4-2: Predicción t+k pasos hacia el futuro


Fuente: Realizado por: Francisco Reyes

El modelo de predicción queda establecido como:


𝑡+𝑘 (2.2)
𝑦̂ ( ) = ∑ 𝑔𝑖 ∆𝑢(𝑡 + 𝑘 − 𝑖)
𝑡
𝑖=1

13
De esta ecuación los datos de 𝑔𝑖 son obtenidos del modelo matemático de la planta, y podemos
agrupar a las acciones de control como acciones del pasado y del futuro:

∆𝑢(𝑡 + 𝑘 − 𝑖)

𝑠𝑖 𝑘 − 𝑖 ≥ 0 𝐹𝑈𝑇𝑈𝑅𝑂

𝑠𝑖 𝑘 − 𝑖 < 0 𝑃𝐴𝑆𝐴𝐷𝑂

Lo que permite que podamos expresar la función en términos del futuro del pasado:

𝑘 ∞ (2.3)
𝑡+𝑘
𝑦̂ ( ) = ∑ 𝑔𝑖 ∆𝑢(𝑡 + 𝑘 − 𝑖) + ∑ 𝑔𝑖 ∆𝑢(𝑡 + 𝑘 − 𝑖)
𝑡
𝑖=1 𝑖=𝑘+1

Las perturbaciones presentes en el sistema se definen como la diferencia algebraica entre la salida
real del sistema y la salida de predicción:

Error de predicción actual:

𝑡 (2.4)
𝑛(𝑡) = 𝑦𝑚(𝑡) − 𝑦̂ ( )
𝑡

Error de predicción futura: se puede asumir que la perturbación permanecerá igual a las anteriores
que son de las que se tiene el dato.

𝑡+𝑘 (2.5)
𝑛(𝑡) = 𝑛̂ ( )
𝑡

Figura 5-2: Modelo para establecer las perturbaciones


Realizado por: Francisco Reyes, 2021

Agregando las perturbaciones a (2.3):

14
𝑘 ∞ (2.6)
𝑡+𝑘
𝑦̂ ( ) = ∑ 𝑔𝑖 ∆𝑢(𝑡 + 𝑘 − 𝑖) + ∑ 𝑔𝑖 ∆𝑢(𝑡 + 𝑘 − 𝑖) + 𝑛(𝑡)
𝑡
𝑖=1 𝑖=𝑘+1

Reemplazando el valor de (2.5), nos quedamos con el modelo de predicción que incluye las
perturbaciones:

𝑘 ∞ (2.7)
𝑡+𝑘 𝑡
𝑦̂ ( ) = ∑ 𝑔𝑖 ∆𝑢(𝑡 + 𝑘 − 𝑖) + ∑ 𝑔𝑖 ∆𝑢(𝑡 + 𝑘 − 𝑖) + 𝑦𝑚(𝑡) − 𝑦( )
𝑡 𝑡
𝑖=1 𝑖=𝑘+1

Estableciendo cuales son los términos del futuro y del pasado, en la ecuación (2.6), se genera el
modelo completo de predicción:

𝑘 𝑀 (2.8)
𝑡+𝑘
𝑦̂ ( ) = ∑ 𝑔𝑖 ∆𝑢(𝑡 + 𝑘 − 𝑖) + 𝑦𝑚(𝑡) + ∑(𝑔𝑗+𝑘 − 𝑔𝑗) ∆𝑢(𝑡 − 𝑗)
𝑡
𝑖=1 𝑗=1

Términos del futuro:


𝑘

∑ 𝑔𝑖 ∆𝑢(𝑡 + 𝑘 − 𝑖)
𝑖=1

Términos del pasado:

𝑦𝑚(𝑡) + ∑(𝑔𝑗+𝑘 − 𝑔𝑗) ∆𝑢(𝑡 − 𝑗)


𝑗=1

En donde M, será el punto donde empieza el estado estacionario para el análisis de los datos
pasados.

Figura 6-2: Inicio en M del estado estacionario del sistema


Realizado por: Francisco Reyes, 2021

15
2.2.10. Horizonte de predicción

Es la ventana de trabajo del control DMC, se establece las condiciones para poder predecir un
comportamiento futuro del sistema.

Figura 7-2: Horizonte de predicción


Realizado por: Francisco Reyes, 2021

2.2.11. Respuesta libre y respuesta forzada

La respuesta forzada obedece a la ecuación de los términos del futuro:

∑ 𝑔𝑖 ∆𝑢(𝑡 + 𝑘 − 𝑖)
𝑖=1

Ya que se busca mediante las acciones del control ∆u llevar el comportamiento del sistema hacia
un objetivo deseado.

La respuesta libre, obedece a la ecuación de los términos del pasado:

𝑦𝑚(𝑡) + ∑(𝑔𝑗+𝑘 − 𝑔𝑗) ∆𝑢(𝑡 − 𝑗)


𝑗=1

En donde las acciones de control ∆u se mantienen en un estado invariante, lo que en esencia


permitiría observar un sistema sin ningún tipo de restricción en el control.

El gráfico a continuación representa los tiempos futuros y pasados y detalla el comportamiento


de una respuesta libre cuando el control se mantiene invariante. Las acciones de control u(t) antes
del tiempo actual t, genera una salida forzada; cuanto pasamos a los tiempos (𝑡 + 𝑘) las acciones
de control se mantienen en un valor constante, distinto de cero; lo que ocurra en y(t) será entonces
la respuesta libre del sistema.

16
Respuesta forzada Respuesta libre

Figura 8-2: Respuesta libre


Realizado por: Francisco Reyes, 2021

En el caso de que la señal de control sea inyectada en el proceso, la salida será forzada a un estado
diferente, tal como se puede apreciar para el ejemplo en la figura 9.

Figura 9-2: Respuesta libre y repuesta forzada


Realizado por: Francisco Reyes, 2021

2.2.12. Representación matricial del DMC

Tomando la ecuación (2.8) y agrupando los términos de respuesta libre y respuesta forzada
tenemos:

𝑦̂ = 𝐺𝑢 + 𝑓 (2.9)

17
𝑡+1
𝑦̂
𝑡 𝑔1 0 … 0 ∆𝑢(𝑡) 𝑓(𝑡 + 1)
𝑡+2 𝑔2 𝑔1
𝑦̂ ⋯ 0 ∆𝑢(𝑡 + 1) 𝑓(𝑡 + 2)
𝑡 =[ ⋮ ⋮ ][ ]+[ ]
⋱ ⋮ ⋮ ⋮
⋮ 𝑔𝑝 𝑔𝑝−1
𝑡+𝑃 … 𝑔1 ∆𝑢(𝑡 + 𝑃 − 1) 𝑓(𝑡 + 𝑃)
[𝑦 ̂
𝑡 ]

• Donde P es el horizonte de predicción.

2.2.13. Función objetivo

Busca seguir la referencia futura y ponderar los esfuerzos de control, la ecuación que la caracteriza
se presenta a continuación:

𝑃 2 𝑁 (2.10)
𝑡+𝑗
𝐽 = ∑ 𝛿(𝑗) [𝑦̂ ( ) − 𝑤(𝑡 + 𝑗)] + ∑ 𝜆(𝑗)[∆𝑢(𝑡 + 𝑗 − 1)] 2
𝑡
𝑗=1 𝑗=1

Donde:

• 𝑤(𝑡 + 𝑗): son las referencias futuras del sistema


• 𝑃: horizonte de predicción
• 𝑁: horizonte de control
• 𝛿: pondera el seguimiento de la referencia (ponderación del error)
• 𝜆: pondera las acciones de control

2.2.14. Representación matricial de la función de costo

Para un análisis matemático mucho más sencillo, se reescribe la ecuación presente en una
representación matricial, quedando la expresión de la ecuación (2.8):

𝛿1 0 0 0 𝑦̂ − 𝑤 𝜆1 ∆𝑢(𝑡)
𝐽 = [𝑦̂ − 𝑤 𝑦
̂1 − 𝑤1 … …] [ 0 𝛿1 0 0 𝑦
][ ̂1 − 𝑤1 ] + [𝜆2 ] [∆𝑢(𝑡) ∆𝑢(𝑡 + 1) ⋯ ⋯] [∆𝑢(𝑡 + 1)]
0 0 ⋱ 0 ⋮ ⋮ ⋮
0 0 0 𝛿1 ⋮ ⋮ ⋮

Teniendo la siguiente expresión para implementación:

18
𝐽 = (𝑦̂ − 𝑤)𝑇 𝛿(𝑦̂ − 𝑤) + 𝜆𝑢𝑇 𝑢 (2.11)

Utilizando la ecuación (2.8) en la función costo:

𝐽 = (𝐺𝑢 + 𝑓 − 𝑤)𝑇 𝛿(𝐺𝑢 + 𝑓 − 𝑤) + 𝜆𝑢𝑇 𝑢 (2.12)

Para minimizar la función de costo utilizamos derivadas parciales en la representación matricial (2.12), de lo cual se
obtiene:

∆𝑢 = (𝐺 𝑇 𝛿𝐺 + 𝜆𝐼)−1 𝐺 𝑇 𝛿 𝑇 (𝑤 − 𝑓) (2.13)

En donde la expresión que represente a K, se calculará una única vez:

𝐾 = (𝐺 𝑇 𝛿𝐺 + 𝜆𝐼)−1 𝐺 𝑇 𝛿 𝑇

Así, la función, se volverá a calcular para hallar (𝑤 − 𝑓), de esta matriz resultado solo tomaremos la primera fila,
que es la que nos ayudará en el desarrollo del sistema predictivo.

Esta función es entonces la ley de control para el DMC.

∆𝑢 = 𝐾(𝑤 − 𝑓) (2.14)

2.2.15. Control GPC

El control GPC, al igual que en el control DMC va a requerir de un modelo matemático para la
predicción del comportamiento de la planta, la variación está que el GPC no ocupa la respuesta
al escalón para generar la matriz de coeficiente 𝑔𝑖, si no que este control utiliza una función de
transferencia discreta, con lo que se calculará la predicción. D. W. Clarke, C. Mohtadi y P. S.
Tuffs proponen esta variante al control DMC en dos artículos: Generalized Predictive Control
Algorithm Part 1. The Basic y Generalized Predictive Control Part II. Extension and
Interpretation.

El GPC busca una secuencia de control óptimo, para poder llevar la variable al punto que se
considere como deseado variando de forma mínima la acción de control lo que conlleva a obtener
un ahorro de energía.

19
2.2.16. Función de costo

La función de costo mostrada en el control DMC es aplicable para el control GPC

𝑁2 2 𝑁𝑢 (2.15)
𝑡+𝑗
𝐽 = ∑ 𝛿(𝑗) [𝑦̂ ( ) − 𝑤(𝑡 + 𝑗)] + ∑ 𝜆(𝑗)[∆𝑢(𝑡 + 𝑗 − 1)] 2
𝑡
𝑗=𝑁1 𝑗=1

Con N1 para empezar una muestra después del retardo si es el sistema presenta atrasos, ya que la
acción de control siempre es una muestra menos. El control calculado en un instante t será
utilizado en el instante siguiente en la función salida.

Este comportamiento se detalla a continuación: la ventana de predicción N se establece en 3 y el


horizonte de control P en 3, la primera acción en el instante 𝑡 = 0, genera una respuesta de
control gracias a la función de costo, sin embargo, esta acción de control será utilizada para
interacción 𝑡 = 1, es decir al siguiente ciclo.

Figura 10-2: Acciones de control


Realizado por: Francisco Reyes, 2021

2.2.17. Modelo

Para el modelado de un control GPC se utiliza una estructura CARIMA (Controlled auto-
regressive moving average) de donde se obtendrá una función de transferencia junto con un
termino adicional que representará un modelo con una dinámica estocástica, por ejemplo una
perturbación.

20
𝜀(𝑘) (2.16)
𝐴(𝑧 −1 )𝑦(𝑘) = 𝐵(𝑧 −1 )𝑢(𝑘 − 1) + 𝐶(𝑧 −1 )

Donde:

• A: denominador de la función de transferencia

𝐴(𝑧 −1 ) = 1 − 𝑎1(𝑧 −1 ) + 𝑎2(𝑧 −2 ) + ⋯ + 𝑎𝑛 (𝑧 −𝑛 )

• B: Numerador de la función de transferencia

𝐵(𝑧 −1 ) = 𝑏0 − 𝑏1(𝑧 −1 ) + 𝑏2(𝑧 −2 ) + ⋯ + 𝑏𝑛 (𝑧 −𝑛 )

• C: dinámica no modelada de la perturbación

𝐶(𝑧 −1 ) = 𝑐0 − 𝑐1(𝑧 −1 ) + 𝑐2(𝑧 −2 ) + ⋯ + 𝑐𝑛 (𝑧 −𝑛 )

• 𝑦(𝑘): salida de la planta


• 𝑢(𝑘): entrada de la planta
• 𝜀(𝑘): ruido blanco de media nula
• ∆: es un integrador incremental ∆ = 1 − 𝑧 −1

Se reescribe la ecuación (2.16) en términos del incremento de 𝒚 y de 𝒖:

∆𝐴(𝑧 −1 )𝑦(𝑘) = 𝐵(𝑧 −1 )∆𝑢(𝑘 − 1) + 𝐶(𝑧 −1 )𝜀(𝑘) (2.17)

Donde ∆𝐴 = 𝐴̃

La función de transferencia de CARIMA se detalla a continuación:

21
Figura 11-2: Modelo en bloques CARIMA
Fuente: (Rossiter, 2005)

2.2.18. Desarrollando la expresión de predicción

Utilizando la ecuación (2.17) se detalla la ecuación siguiente:

𝑦(𝑘 + 1) = −𝑎̃1 𝑦(𝑘) + ⋯ + 𝑎̃𝑛𝑎+1 𝑦(𝑘 − 𝑛𝑎) + 𝑏0 𝑢(𝑘) + ⋯ + 𝑏𝑛𝑏 𝑢(𝑘 − 𝑛𝑏) + 𝑐0 𝜀(𝑘 + 1) + ⋯ + 𝑐𝑛𝑐 𝜀(𝑘 + 𝑛𝑐) (2.18)

Los términos en el futuro para la perturbación 𝜀(𝑘 + 𝑛𝑐) son desconocidos, por lo tanto,
utilizaremos la “esperanza matemática” y se asume que las perturbaciones se vuelven cero (0).

Este desarrollo lo ampliamos para 𝑦(𝑘 + 2), 𝑦(𝑘 + 3), 𝑦(𝑘 + 4), etc. Este proceso se vuelve muy
trabajoso y de una alta carga de requisitos en procesamiento. Como alternativa a tomar es aplicar
las ecuaciones diofantinas, la estructura está comprendida por:

Figura 12-2: Ecuaciones diofantinas


Fuente: (Rossiter, 2005)

Las predicciones en función de las ecuaciones diofantinas se detalla a continuación:

𝑘+𝑗 (2.19)
𝑦̂ ( ) = 𝐸𝑗𝐵∆𝑢(𝑘 + 𝑗 − 1) + 𝐹𝑗 𝑦(𝑘)
𝑘

22
El polinomio 𝐸𝑗𝐵 se conoce como 𝐺𝑗 (𝑧 −1 ) y es un polinomio cuyos primeros términos son los j
coeficientes de la respuesta al escalón de la planta. Esta función es similar a la que presenta el
DMC (𝑦̂ = 𝐺𝑢 + 𝑓), varia únicamente la manera en como determino la respuesta libre del
sistema.

2.2.19. Programación cuadrática

Utilizando la función de costo, buscamos un ∆u que minimice J, este problema cae dentro del
campo de la programación cuadrática y se da cuando exista la presencia de restricciones en el
sistema, para lo que utilizaremos una forma estándar o patrón como método de solución.

1 (2.20)
𝑚𝑖𝑛𝑥 𝑥 𝑇 𝐻𝑥 + 𝑓0 𝑇 𝑥 + 𝑙
2

Donde:

𝐴𝑥 ≤ 𝑏

𝐴𝑒𝑞 𝑋 = 𝑏𝑒𝑞

Esta forma patrón me permite utilizar el comando “quadprog” en Matlab;

𝑥 = 𝑞𝑢𝑎𝑑𝑝𝑟𝑜𝑔(𝐻, 𝑓0 , 𝐴, 𝑏, 𝐴𝑒𝑞 , 𝐵𝑒𝑞 )

Tomamos la función de costo generada en la ecuación (2.15) y la llevamos a su forma matricial:

𝐽 = (𝐺∆𝑢 + 𝑓 − 𝑤)𝑇 𝑄𝛿 (𝐺∆𝑢 + 𝑓 − 𝑤) + ∆𝑢𝑇 𝑄𝜆 ∆u (2.21)

Reescribiendo la ecuación de (2.21) en su forma patrón, tenemos:

1 𝑇 𝑇 (2.22)
𝐽= ∆𝑢 (𝐺 𝑄𝛿 𝐺 + 𝑄𝜆 )∆𝑢 + (𝑓 − 𝑤)𝑇 𝑄𝛿 𝐺∆𝑢
2

𝑥𝑇 𝐻 𝑥 𝑓0 𝑇 𝑥

23
2.2.20. Señal de control

La señal de control es el resultado de las variaciones del control que se obtiene al minimizar la
función costo mas la suma de la acción de control pasada, este valor en la primera interacción
será únicamente la variación de control, ya que como se había detallado las acciones de control
empiezan a hacerse presentes en un tiempo t+1.

u(t) = ∆𝑢 + 𝑢(𝑡 − 1) (2.23)

2.2.21. Sistema GPC con perturbaciones y restricciones

Un sistema real presenta un comportamiento en el que se involucran restricciones, estas se


incluyen dentro del tratamiento del GPC mediante el tratamiento de programación cuadrática con
la aplicación de la forma patrón.

La restricción en la señal de control se puede dar por las limitaciones mecánicas existentes en los
actuadores sobre quien se realizará el control, esta consideración se detalla para calcular la ley de
control dentro del MPC.

La restricción de sobre impulso, debe ser evitada para precautelar los procesos que se están
llevando a cabo y poder eliminar la inercia original de una herramienta al realizar un trabajo.

Entre los tipos de restricciones que podemos utilizar tenemos:

2.2.22. Restricción en el incremento de la acción de control

La consideración matemática es la siguiente:

𝑢𝑚𝑖𝑛 ≤ ∆𝑢 ≤ 𝑢𝑚𝑎𝑥

La forma patrón para el tratamiento de los problemas de resolución cuadrática, se encajan en dos
tipos de restricciones, tomando la ecuación (2.20) detallamos una restricción de desigualdad,
marcado entre un límite inferior y superior.

𝑢𝑚𝑖𝑛 ≤ ∆𝑢 ≤ 𝑢𝑚𝑎𝑥

De la forma patrón toma la primera restricción

𝐴𝑥 ≤ 𝑏

24
Y determino los incrementos máximos y mínimos:

Incremente máximo: 𝐼(𝑁𝑢𝑥𝑁𝑢 ) ∆𝑢 ≤ 𝑢𝑚𝑎𝑥 ∗ 1

(2.24)
Incremento mínimo: −𝐼(𝑁𝑢 𝑥𝑁𝑢 ) ∆𝑢 ≤ −𝑢𝑚𝑎𝑥 ∗ 1

(2.25)

Expresándolo como matriz se tiene:

𝐼 1 ∗ 𝑢𝑚𝑎𝑥
[ … ] ∆𝑢 ≤ [ … ]
−𝐼 −1 ∗ 𝑢𝑚𝑖𝑛

2.2.23. Restricción en la señal de control

La ley de control se establece con la ecuación (2.23) como la sumatoria de las variaciones del
control mas el control en un instante anterior.

𝑢𝑚𝑖𝑛 ≤ ∆𝑘 ≤ 𝑢𝑚𝑎𝑥

De la forma patrón toma la primera restricción

𝐴𝑥 ≤ 𝑏

Y determino los incrementos máximos y mínimos:

𝑢(𝑘) = 𝑢(𝑘 − 1) + ∆𝑢(𝑘)

Expresando la restricción en forma matricial, se tiene:

𝑇 1𝑢𝑚𝑎𝑥 − 1𝑢(𝑘 − 1)
[ … ] ∆𝑢 ≤ [ … ]
−𝑇 −1𝑢𝑚𝑖𝑛 + 1𝑢(𝑘 − 1)

2.2.24. Restricciones en la salida

Las restricciones son hechas en base al modelo, se debe asegurar el tener un modelo bueno para
garantizar que las restricciones a la salida sean cumplidas.

25
𝑦𝑚𝑖𝑛 ≤ 𝑦(𝑘) ≤ 𝑦𝑚𝑎𝑥

De la forma patrón toma la primera restricción

𝐴𝑥 ≤ 𝑏

La restricción de la salida debe representarse en función de ∆u

𝑦 = 𝐺∆𝑢 + 𝑓

1𝑦𝑚𝑖𝑛 − 𝑓 ≤ 𝐺∆𝑢 ≤ 1𝑦𝑚𝑎𝑥 − 𝑓


(2.26)

Expresando la restricción en forma matricial, se tiene:

𝐺 1𝑦𝑚𝑎𝑥 − 𝑓
[ … ] ∆𝑢 ≤ [ … ]
−𝐺 −1𝑦𝑚𝑖𝑛 + 𝑓

2.2.25. Restricción de sobre impulso

Se tiene para dos casos, cuando la señal tiene un sobre impulso positivo o negativo

𝑦(𝑘) ≤ 𝑤(𝑘)

𝑦(𝑘) ≥ 𝑤(𝑘)

De la forma patrón toma la primera restricción

𝐴𝑥 ≤ 𝑏

La restricción de la salida debe representarse en función de w(k)

𝑦(𝑘) ≤ 𝑤(𝑘)

𝑦(𝑘) = 𝐺∆𝑢 + 𝑓 ≤ 1𝑤(𝑘)

𝐺∆𝑢 ≤ 1𝑤(𝑘) − 𝑓
(2.27)

Expresando la restricción en forma matricial, se tiene:

26
𝐺 1𝑤(𝑘) − 𝑓
[ … ] ∆𝑢 ≤ [ … ]
−𝐺 −1𝑤(𝑘) + 𝑓

2.2.26. Comportamiento monotónico

Se tiene dos casos marcados, cuando la variable está en ascenso y cuando desciende

Si 𝑦(𝑘) < 𝑤(𝑘) entonces 𝑦(𝑘 + 𝑗) ≤ 𝑦(𝑘 + 𝑗 + 1). ASCENDENTE

Si 𝑦(𝑘) ≥ 𝑤(𝑘) entonces 𝑦(𝑘 + 𝑗) ≤ 𝑦(𝑘 + 𝑗 − 1). DESCENDENTE

De la forma patrón toma la primera restricción

𝐴𝑥 ≤ 𝑏

El comportamiento monotónico replica la matriz G en G’ con la particularidad de


quitarle la ultima fila y agregando ceros en la primera.
(2.28)
𝐺 ′ ∆𝑢 + 𝑓′ ≤ 𝐺∆𝑢 + 𝑓

(𝐺 ′ − 𝐺)∆𝑢 ≤ 𝑓 − 𝑓′

Expresando la restricción en forma matricial, se tiene:

𝐺0 0 ⋯ 0 𝑦(𝑘) − 𝑓1
𝐺1 − 𝐺2 𝐺0 ⋯ 0 𝑓 + 𝑓2
−[ ] ∆𝑢 ≤ − [ 1 ]
⋮ ⋮ ⋱ ⋮ ⋮
𝐺𝑁−1 − 𝐺𝑁−2 𝐺𝑁−2 − 𝐺𝑁−3 ⋯ 𝐺0 𝑓𝑁−1 + 𝑓𝑁

2.2.27. Restricción terminal

Se establece que al final del horizonte la salida tomará un comportamiento específico,


garantizando de esta manera que la variable en cuestión va a seguir la referencia a toda costa; sin
embargo, si físicamente no se puede alcanzar el set point la restricción no es factible; en el caso
de que el horizonte sea muy pequeño, las acciones de control podrían resultar bruscas.

27
𝑦=𝑤

De la forma patrón toma la primera restricción

𝐴𝑒𝑞∆𝑢 = 𝑏𝑒𝑞

Se toma la ecuación (2.9)

𝑦 = 𝐺∆𝑢 + 𝑓

𝐴𝑒𝑞 = 𝐺̃
(2.29)

𝑏 = 1̃𝑤 − 𝑓̃

2.2.28. Software de implementación

Matlab:

Matlab es un entorno que permitirá realizar cálculos con altas prestaciones, posibilidad de
graficar, capacidad de simular, por ejemplo, entre muchas más; integra análisis numérico, cálculo
matricial, procesamiento de señales, usando para expresar estos problemas o ejercicios un entorno
de programación que no está dentro del usual modelo de programación.

En el documento de Bravo y Quevedo, se menciona que: Matlab proviene del acrónimo “MATrix
LABoratory”, en un primer momento se escribió Matlab para permitir un sencillo acceso a
software matricial, con proyectos como LINPACK y EISPACK. Se constituye entonces Matlab
como una herramienta en un entorno interactivo cuyo elemento principal de datos lo conforman
una matiz que no requiere dimensionamiento. Esto permite la resolución de problemas numéricos
en fracciones de tiempo menores a las que se podría tomar en lenguajes como C, Fortran o Basic.
(Bravo Ballen & Quevedo Sanchez, 2008, P.55)

Matlab a lo largo de los años ha sufrido actualizaciones por aportes en colaboración con usuarios,
al ser un sistema sujeto a derechos de autor, ha sido desde las universidades desde donde se ha
propuesto el mejoramiento y la actualización de funciones, esta herramienta es muy utilizada para
el proceso de enseñanza estándar, sirviendo no únicamente dentro de ingenierías sino más bien
desde cualquier escenario en el que el análisis y comportamiento de datos es una tarea crucial

28
para la toma de decisiones, en esto se han incluido los sectores económicos, medioambientales,
etc.

A pesar de ser un sistema sujeto a derechos de autor, Matlab le permite a sus usuarios crear sus
propias aplicaciones, lo que en potencia se ha convertido en la manera directa de que el programa
vaya mejorando y añadiendo funcionalidades en cada año de actualización. Si se tratara de resumir
aquellas bondades, fácilmente se pueden citar: programación usando un lenguaje matemático,
implementación de matrices como elementa básico del lenguaje, esto reduce la implementación
del código al obviar al usuario implementar el proceso de cálculo matricial, implementación de
aritmética compleja, gran contenido de acciones específicas agrupadas como TOOLBOXES, la
posibilidad de ampliación de las funcionalidades con la escritura de scripts y archivos de
extensión .m.

El padre de Matlab, Cleve Moler, lo escribe originalmente usando lenguaje FORTRAN


aproximadamente por 1960, como parte de su programa de PhD, durante varios años. Los
algoritmos para la solución de matrices fueron proporcionados por integrantes de proyectos como:
LINPACK y EISPACK. Tal como lo conocemos al Matlab del presente, fue consolidado por The
Mathworks en 1984, siendo escrito en lenguaje C, por. Steve Bangert, implemento el intérprete
parser; Steve Kleiman, implementó los gráficos; Jhon Little y Clever Moler con el aporte de las
rutinas de análisis, la guía de usuario, y la mayoría de los ficheros .m. Aún así, Matlab sigue día
a día creciendo por el aporte de toda una comunidad científica que encuentra en este sistema la
solución al análisis convencional de datos.

Simulink:

Simulink es un TOOLBOX especial que trae el software de ingeniería Matlab que permitirá
simular el comportamiento de sistemas dinámicos, estando en la capacidad de recrear el
comportamiento de los sistemas dinámicos lineales y no lineales, se puede modelar sistemas en
tiempo continuo, en tiempo discreto o permite el desarrollo de un hibrido sistemas continuos y
discretos, usando para el efecto un entorno gráfico donde el modelo a simular se construirá
arrastrando desde la librería bloques y funciones preestablecidas.

Los modelos de simulink se guardarán con las extensiones .mdl; con la funcionalidad propia de
crecimiento que posee Matlab, simulink también ha ido mejorando y se han agregado nuevas
funcionalidades y librerías, estas se conocen como blocksets o toolbox dentro del entorno de
desarrollo. En la actualidad se destacan paquetes como: StateFlow, para la simulación de
máquinas de estado, paquetes de comunicación, paquetes para aplicaciones aeroespaciales,

29
paquetes para el procesamiento de señales, procesamiento de video, un paquete destinado al
control predictivo, otro para control difuso y el de redes neuronales, así mismo se posee paquetes
para la identificación de sistemas para poder parametrizar modelos, entre otras funcionalidades
más.

2.2.29. Comparativa existente entre diversos sistemas de control

Ante la inexistencia de un estudio comparativo con las similitudes que se presenta en este trabajo
de titulación, se ha realizado una búsqueda bibliográfica de escenarios en los que se ha podido
comparar sistemas de control usuales dentro del campo de la automatización industrial.

En la revista Prospectiva, el autor Palencia Diaz Argemiro, presenta un estudio de diferentes


estrategias de control para un tanque de mezclado, se detalla al sistema de control PID, DMC y
FLC, en esta breve reseña bibliográfica se presentará los puntos más relevantes para este proceso
de titulación.

La figura 13, se presenta la respuesta de temperatura del modelo físico de un tanque de mezclado
ante las variaciones a la entrada. Sobre la cual se implantarán las diferentes estrategias de control
y en base a lo que se desarrollará el estudio comparativo presentado por P. Diaz

Figura 13-2: Respuesta de la temperatura ante variaciones de entrada


Fuente: (P. Diaz, 2010)

30
Control por retroalimentación PID:

La figura 14 hace referencia al comportamiento frente a un cambio de +5% en perturbación

Figura 14-2: Comportamiento frente a perturbación PID


Fuente: (P. Diaz, 2010)

La figura 15, hace referencia al comportamiento ante el cambio de set point

Figura 14-2: Comportamiento frente al cambio de SetPoint PID


Fuente: (P. Diaz, 2010)

31
Control mediante DMC:

La figura 16 hace referencia al comportamiento frente a un cambio de +5% en perturbación

Figura 15-2: Comportamiento frente a un cambio en perturbación DMC


Fuente: (P. Diaz, 2010)

La figura 17, hace referencia al comportamiento ante el cambio de set point

Figura 16-2: Comportamiento frente a cambio de SetPoint DMC


Fuente: (P. Diaz, 2010)

32
Control mediante lógica difusa FLC:

La figura 18 hace referencia al comportamiento frente a un cambio de +5% en perturbación

Figura 17-2: Comportamiento frente a un cambio en perturbaciones FLC


Fuente: (P. Diaz, 2010)

La figura 19, hace referencia al comportamiento ante el cambio de set point

Figura 18-2: Comportamiento frente a cambio de SetPoint FLC


Fuente: (P. Diaz, 2010)

El autor concluye en su presentación, diciendo que en función a lo presentado las estrategias DMC
y FLC son una alternativa atractiva frente al control de sistemas, añade además que para muchos

33
casos se deberá crear indicadores específicos de comparación como un medio para establecer
diferencias, ventajas y desventajas.(Diaz, 2010)

34
CAPÍTULO III

3. METODOLOGÍA DE LA INVESTIGACIÓN

En el presente capítulo se describe cada uno de los pasos a seguir para la realización de la
investigación, en el cual se desarrolla el modelo matemático para la modelación del sistema a
controlar, el diseño del regulador MPC y su correspondiente diagrama de flujo en vista de cumplir
con los objetivos planteados al inicio de este trabajo de titulación para más adelante demostrar la
hipótesis planteada.

3.1. Identificación y caracterización del panel solar

El desarrollo de la caracterización de un panel fotovoltaico está reservado a la simulación del


comportamiento de un circuito resistivo. El modelo más simple consiste en una fuente de corriente
en paralelo con un diodo. Para incrementar la precisión del modelo se utilizar una resistencia en
paralelo Rsh y una resistencia en serie Rs. El modelo completo se muestra a continuación:

Figura 19-3: Modelo de panel solar, a) Modelo General b) Modelo Simple


Fuente: (A. Gonzalez, X. Cárdenas, 2016)

Se detalla el trabajo matemático:

35
𝐼 = 𝐼𝐿 − 𝐼𝑑 (3.1)

Donde:

• 𝐼𝐿 : corriente generada por la fotocelda


• 𝐼𝑑 : corriente del diodo, proporcional a la Isaturación, su valor esta dado por:
𝑉+𝐼𝑅𝑠
(
𝐼𝑑 = 𝐼𝑜 [𝑒 𝑎 ) − 1] (3.2)

Donde:

• 𝐼𝑜 : corriente de fuga del diodo


• 𝑉: voltaje de salida
• 𝐼: corriente de carga
• 𝑅𝑠 : resistencia en serie
• 𝑎: voltaje térmico

Usando (3.2) en (3.1), se tiene:

𝑉+𝐼𝑅𝑠 (3.3)
(
𝐼 = 𝐼𝐿 − 𝐼𝑂 [𝑒 𝑎 ) − 1]

De donde se establecen los parámetros a determinar:

3.1.1. Determinando 𝑰𝑳

Esta corriente es proporcional dependiente de la radiación solar existente, la temperatura y el


coeficiente de temperatura.

𝐺 (3.4)
𝐼𝐿 = (𝐼 + 𝑢𝑠𝑐 ∆𝑇)
𝐺𝑟𝑒𝑓 𝑠𝑐𝑟𝑒𝑓

36
Donde:

• 𝐼𝑠𝑐𝑟𝑒𝑓 : es la corriente de cortocircuito para condiciones de prueba típicos (STD), con


𝑊
datos de 𝐺 = 1000 y 𝑇 = 25°𝐶
𝑚2

• 𝐺: irradiancia
𝑊
• 𝐺𝑟𝑒𝑓: irradiancia en condición de prueba típica (STD) 𝐺 = 1000
𝑚2

• 𝑢𝑠𝑐 : coeficiente de temperatura para la corriente de corto – circuito


• ∆𝑇 = 𝑇𝑐 − 𝑇𝑐𝑟𝑒𝑓 variación de la temperatura
• Tc: temperatura en la celda

3.1.2. Determinando Io

Io representa a la corriente de fuga en el diodo, se lo expresa mediante la siguiente ecuación:

3 𝑞𝜀 1 1 (3.5)
𝑇𝑐 [( 𝐺 )( − )]
𝐼𝑜 = 𝐼𝑜𝑟𝑒𝑓 ( ) 𝑒 𝐾𝐴 𝑇𝑐𝑟𝑒𝑓 𝑇𝑐
𝑇𝑐𝑟𝑒𝑓

Donde:

• 𝜀𝐺 : valor del material, Si = 1.12eV


• 𝐼𝑜𝑟𝑒𝑓 : corriente inversa de saturación
−𝑉𝑜𝑐𝑟𝑒𝑓
( )
𝐼𝑜𝑟𝑒𝑓 = 𝐼𝑠𝑐𝑟𝑒𝑓 𝑒 𝑎
(3.6)

Donde:

• 𝐼𝑠𝑐𝑟𝑒𝑓 : corriente de cortocircuito


• 𝑉𝑜𝑐𝑟𝑒𝑓: voltaje de circuito abierto

3.1.3. Determinando Rs

El valor del Rs esta definida de manera implícita en la ecuación (3.3), de donde se obtiene:

37
𝐼𝑙 − 𝐼 (3.7)
𝑎𝐿𝑛 (1 + )−𝑉
𝐼𝑜
𝑅𝑠 =
𝐼

Si se tiene condiciones típicas de prueba y con valores de I y V para obtener la potencia máxima,
la ecuación se establece de la siguiente manera:

𝐼𝑙𝑟𝑒𝑓 − 𝐼𝑚𝑝𝑝 (3.8)


𝑎𝐿𝑛 (1 + ) − 𝑉𝑚𝑝𝑝
𝐼𝑜𝑟𝑒𝑓
𝑅𝑠 =
𝐼𝑚𝑝𝑝

3.1.4. Determinando el valor “a”

Este valor representa el voltaje térmico del diodo, su ecuación está definida por los siguientes
operandos:

𝐴𝑘𝑇𝑐 (3.9)
𝑎=
𝑞

En donde:

• A: factor ideal del diodo de silicio


• k: constante de Boltzmann (1.381𝑥10−23 )
• Tc: temperatura de la celda en grados kelvin
• q: carga del electron (1.602𝑥10−19 𝐶)

En condiciones de trabajo bajo condiciones estándar o típicas, el valor de a se sitúa en: 0.0308.

Debido a la baja potencia que se genera por celda, un panel es el conjunto de celdas solares
interconectadas entre sí que forman una colmena para la cosecha de radiación. La figura muestra
en detalle las conexiones y las consideraciones de diseño en función de la cantidad de celdas
presentes.

38
Figura 20-3: Circuito equivalente de un panel solar
Fuente: (A. Gonzalez, X. Cárdenas, 2016)

En donde la ecuación que domina el comportamiento de la corriente a la salida está dada por:

𝑉𝑝𝑣 𝐼𝑝𝑣 (3.10)


𝑁𝑠 +𝑅𝑠 𝑁𝑝
( 𝑎𝑁𝑠 )
𝐼 = 𝑁𝑃 𝐼𝐿 − 𝑁𝑃 𝐼𝑂 𝑒 −1

[ ]

3.1.5. Conversor elevador boost

El sistema en la etapa de manejo de potencia ocupa un conversor elevador (boost) para


proporcionar un voltaje a la salida mayor al entregado por el panel solar, en la siguiente gráfica
se detallan los componentes en la figura a continuación:

Figura 21-3: Conversor Boost


Fuente: (A. Gonzalez, X. Cárdenas, 2016)

39
Análisis con el interruptor cerrado:

Con interruptor cerrado el diodo desconecta el sistema al estar polarizado de manera inversa,
evitando que un flujo de corriente se genere desde el capacitor hacia el inductor.

El valor del voltaje en el inductor es:

∆𝐼𝐿 (3.11)
𝑉𝐿 = 𝑉𝑆 = 𝐿
∆𝑡

𝑉𝑆 ∆𝑡
∆𝐼𝐿 = (3.12)
𝐿

𝑉𝑆 𝐷𝑇
∆𝐼𝐿𝑐𝑒𝑟𝑟𝑎𝑑𝑜 =
𝐿 (3.13)

Análisis con interruptor abierto:

La corriente almacenada en la bobina fluye hacia el capacitor y hacia la carga. El voltaje viene
dado por la siguiente expresión:

𝑉𝐿 = 𝑉𝑆 − 𝑉𝑜 (3.14)

∆𝐼𝐿
𝑉𝑆 − 𝑉𝑜 = 𝐿
∆𝑡 (3.15)

(𝑉𝑆 − 𝑉𝑜 )(1 − 𝐷)𝑇 (3.16)


∆𝐼𝐿𝑎𝑏𝑖𝑒𝑟𝑡𝑜 =
𝐿

40
Se debe realizar el análisis en régimen permanente, donde la variación de la corriente es constante;
por lo tanto:

∆𝐼𝐿𝑎𝑏𝑖𝑒𝑟𝑡𝑜 = ∆𝐼𝐿𝑐𝑒𝑟𝑟𝑎𝑑𝑜 (3.17)

(3.18)
𝑉𝑆 𝐷𝑇 (𝑉𝑆 − 𝑉𝑜 )(1 − 𝐷)𝑇
=
𝐿 𝐿

𝑉𝑆
𝑉𝑜 =
(1 − 𝐷)
(3.19)

La corriente y la potencia media son calculadas utilizando las siguientes expresiones:

𝑉𝑜 (3.20)
𝑃= = (𝑉𝑆 𝐼𝐿 )
𝑅

1 𝑉𝑆 2
𝐼𝐿 = ( ) (3.21)
𝑅𝑉𝑆 1 − 𝐷

𝑉𝑆
𝐼𝐿 = (3.22)
𝑅(1 − 𝐷)2

El condicionante de trabajo en modo de conducción es que la corriente mínima sea mayor a cero

𝑉𝑆 𝑉𝑆 𝐷𝑇 (3.20)
2 − ≥0
𝑅(1 − 𝐷) 2𝐿

𝑅𝐷(1 − 𝐷)2 (3.21)


𝐿≥
2𝑓

𝑉𝑆
𝐼𝐿 = (3.22)
𝑅(1 − 𝐷)2

El voltaje a la salida posee un rizado por la capacidad del capacitor, la corriente que fluye por el
capacitor se establece como:

41
∆𝑉 (3.23)
𝑖=𝐶
∆𝑡

𝑉𝑂 ∆𝑉
=𝐶 (3.24)
𝑅 ∆𝑡

𝑉𝑂 𝐷
∆𝑉 =
𝐶𝑅𝐹 (3.25)

𝐷 (3.26)
𝐶>
∆𝑉
𝑅𝑓 ( 𝑂 )
𝑉𝑂

El modelo presentado se implementa en Simulink, la imagen a continuación detalla los


componentes utilizados en el entorno de simulación:

Figura 22-3: Modelo en simulink de conversor boost


Realizado por: Francisco Reyes, 2021

3.2. Uso del control Perturb & Observe

Con el fin de contrastar las ventajas de utilizar un control DMC se presenta en este trabajo el
desarrollo con un control conocido para la obtención del MPP, el control P&O, realiza una serie
de aproximaciones hacia un valor deseado en función de lazos if.

42
3.2.1. Diagrama de flujo del control P&O

Figura 23-3: Diagrama de flujo del control P&O


Fuente: (A. Gonzalez, X. Cárdenas, 2016)

3.2.2. Implementación del control P&O en Simulink

Al detallar la construcción del bloque, podemos citar las siguientes etapas:

• Etapa de comparación de los valores de voltajes y potencia:


• Etapa de decisión y sumatorias de incrementos o decrementos
• Etapa de generación de los pasos para conseguir el MPP en el boost
• Etapa de generación del disparo con PWM para el BJT

43
Etapa de comparación de los valores de voltajes y potencia:

Figura 24-3: Verificación de voltaje y potencia P&O


Realizado por: Francisco Reyes, 2021

Se leen los valores antiguos para realizar la comparación en los bloques de decisión. Los valores
que se comparan son voltaje y potencia.

Etapa de decisión y sumatorias de incrementos o decrementos

Figura 25-3: Etapa de decisión P&O


Realizado por: Francisco Reyes, 2021

44
Los bloques de decisión se encargan del incremento de los pasos en el control P&O o del
decremento de estos hasta alcanzar el estado mas cercano a la estabilidad. El valor de 0.1 es el
valor constante que se usa para aumentar o disminuir el ciclo de trabajo, este valor simplemente
se agrega o se resta del valor anterior del ciclo de trabajo (en 1/z) para incrementarlo o disminuirlo.

Etapa de generación de los pasos para conseguir el MPP en el boost

Figura 26-3: Etapa de generación de los pasos para alcanzar el MPP


Realizado por: Francisco Reyes, 2021

0.5 es el ciclo de trabajo inicial, ya que al principio no hay ninguna salida disponible, es utilizado
solamente como condición inicial. A partir del tiempo establecido en el step, ingresa como dato
de control el ciclo real (Duty Cycle) que se genera producto de los bloques de comparación

Etapa de generación del disparo con PWM para el BJT.

La señal del incremento o decremento de los pasos para el hill climbing, llegan hasta esta etapa y
se traducen aquí en datos válidos para el disparo del BJT presente en el modelo del convertidor
elevador.

45
Figura 27-3: Generación del disparo con P&O
Realizado por: Francisco Reyes, 2021

46
3.3. Programación del controlador MPC
3.3.1. Algoritmo Control Predictivo por Modelo

Para el desarrollo del sistema de control por modelo, es importante tener en cuenta las
consideraciones que se plantean en el algoritmo a continuación:

Figura 28-4: Algoritmo DMC


Realizado por: Francisco Reyes, 2021
.

47
3.3.2. Modelo basado en DMC

El desarrollo del algoritmo para un modelo por DMC, se detalla a continuación con los
comentarios respectivos para una revisión bibliográfica posterior.

% PRIMER INTENTO DE CONTROL DMC


% FRANCISCO REYES
% CON AYUDA DE SERGIO CASTAÑO - GUIA TUTORIAL
% ABRIL 2018

clc
clear all
close all

%% MODELO DEL SISTEMA


T = 0.5; %Tiempo de muestreo
num = [1]; %Numerador continuo
den = [0.1 1.1 1]; %Denominador continuo
ret = 0.41; %Retraso del sistema
gp = tf(num,den); %Función de transferencia
gp.outputdelay = ret;
ftz = c2d(gp,T); %Planta discreta
[B A]=tfdata(ftz,'v'); %Se coloca el numerador en B y denominador en
A
d = 1; %Atraso de tiempo discreto

%% Define los ajustes de Control Predictivo

N=4; %Horizonte de control


lamda = 1; %Ajustes para el control
delta = 1*eye(N);

gpi = stepinfo(gp); %Información de la planta


P = 4; %Horizonte de predicción

%% Se obtiene el Gi

gi = step(ftz); %Son los coeficientes al aplicar una función paso


a la función Z
Nm = length(gi)-1; %Ventana de muestras, matlab pone este tope al
terminar la simulación

%% Calcular la matriz G

G = zeros(P,N); %Matriz de Ceros


G(:,1) = gi(1+d:P+d); %lleno la primera columna de G con gi

for i=2:N
for j=2:P
G(j,i)=G(j-1,i-1);
end
end

%% Calcular la función de costo k del Delta u

48
Mn = inv(G'*G*delta + lamda*eye(N))*delta*G';

%Me interesa la primera línea de Mn para k1


K1 = Mn(1,:);

%% Loop de control

%Inicialización de parámetros
nit = 230; %Numero de interacciones
nitws = [0 nit]
inc_u = 0; %Incrementos de control
u_ant(1:10) = 0; %Control anterior
u(1:10) = 0; ym(1:10) = 0; r(1:10) = 0; %Controles y Salidas y
Referencia en cero y vectorizado

%Referencias
r(9:80)=2;
r(81:140)=3;
r(141:180)=2;
r(181:nit)=2;

%Perturbación a la salida
do(1:179)=0;
do(180:nit)=0.1;

%Accion de control Delta u Libre controles pasados


duf = zeros(1,Nm);

w = 0; %Para colocar referencias futuras

for k=9:nit-w
%Calcula la salida del proceso
ym(k)=B(1)*u(k-1)+B(2)*u(k-2)+B(3)*u(k-3)-A(2)*ym(k-1)-A(3)*ym(k-
2)+do(k);

%Calcular la repuesta libre F


f=zeros(1,P); %Vector de respuesta libre

for kk=1:P
%Armar un vector con las gkk+i - gkk
for i=1:Nm-P
vect_g(i)=gi(kk+i)-gi(i);
end
for i = Nm-P+1:Nm
vect_g(i)=gi(Nm)-gi(i);
end
f(1:P)=ym(k)+vect_g*duf'; %Calculo de la respuesta libre
%f vector repuesta libre con tamaño P
%duf delta u libre, es la u correspondiente a la respuesta
libre
%ese vector siempre esta en el pasado
%es cero en el futuro valido unicamente en el pasado
%diferente a dut <<<ojo>>>
%ym es la salida de la planta

end

%Calculo del Control


%No se tiene referencias futuras, no las conozco

49
inc_u=K1*(r(k+w)-f');

if k==1
u(k)=inc_u;
else
u(k)=inc_u + u(k-1); %LEY DE CONTROL APLICADA A LA PLANTA
end

%Actualizar valores
aux_2=duf(1:Nm-1);
duf = [inc_u aux_2]; %Incrementos de control pasados
end

nm=nit;
t = 0:T:(nm - 1)*T;
figure
subplot(2,1,1),plot(t(1:nit-w),r(1:nit-w),'--k',t(1:nit-w),ym,'-
r','Linewidth',3)
xlabel('Tiempo (s)');
ylabel('Salida (ym)');
legend('y_r','y','Location','SouthEast')
grid on;
hold
subplot(2,1,2),plot(t(1:nit-w),u,'b','Linewidth',3)
xlabel('TIempo (s)');
ylabel('Control');
legend('u')
grid on;

3.3.3. Modelo basado en GPC


%% Control GPC
%___________________________________________________________________

clc
clear all
close all

w=menu('Seleccione el ejemplo','Ejemplo 1','Ejemplo 2','Ejemplo 3');


if w==1
%Ejemplo 1
T=1;
B=[0 0.5];
A=[1 -0.5];
%Retardo de la planta
d=0; %Ejemplo 1

%% Parametros de sintonia del GPC


%Ventana de prediccion
N=3; %Ejemplo
N1=d+1; %Horizonte Inicial
N2=d+N; %Horizonte final de salida
Nu=N; %Horizonte de entrada
lambda=1; %Parametro de ponderacion
delta=1;

50
end

if w==2
%Ejemplo 2
T=2;
B=[0.07056 0.0621];
A=[1 -0.7788];
%Retardo de la planta
d=1; %Ejemplo 2
%% Parametros de sintonia del GPC
%Ventana de prediccion
N=3; %Ejemplo
N1=1; %Horizonte Inicial
N2=N; %Horizonte final de salida
Nu=N; %Horizonte de entrada
lambda=1; %Parametro de ponderacion
delta=1;
end

if w==3
%Ejemplo 3
T=0.5;
B=[0 0.4 0.2];
A=[1 -0.6 0.4];
%Retardo de la planta
d=2; %Ejemplo 3
%% Parametros de sintonia del GPC
%Ventana de prediccion
N=5; %Ejemplo
N1=d+1; %Horizonte Inicial
N2=d+N; %Horizonte final de salida
Nu=N; %Horizonte de entrada
lambda=0.5; %Parametro de ponderacion
delta=1;
end

ftz=filt(B,A,T);
ftz.iodelay=d

Ql=eye(Nu)*lambda;
Qd=eye(N)*delta;

%% Calculo de la ecuacion Diofantina

[En,F] = diophantine(A,N2,0); %Calculo de la funcion Diofantina


E=En(end,:); %Polinomio E seria la ultima fila arrojada por la funcion
F=F(N1:N1+N-1,1:end);

%% Determina los coeficientes de control pasados

%Elimino el cero de la primera posicion de B

if B(1)==0
B=B(2:end);
end

51
uG=zeros(N1,N)'; %Vector de controles pasados (Pertenece a la
respuesta libre)
j=2;
for i=N1:N2
aux=conv(En(i,1:end),B);
if length(aux) < N1+j-1 %Si la longitud del auxiliar es menor que j
aux=[aux zeros(1,(N1+j-1)-length(aux))]; %Completar con ceros
end
uG(j-1,1:N1)=aux(j:N1+j-1);
j=j+1;
end

g=conv(E,B); %Calcula polinomio g

G=zeros(N,Nu); % Inicializa la matriz G

for k=1:Nu
G(k:end,k)=g(1:N-k+1); % Forma la matriz G
end

Mn=inv(G'*Qd*G+Ql)*G'*Qd; %Calculo de la Funcion de Costo sin


Restriccion

%Calculo de controlador K1 (Primera fila de Mn)


K1=Mn(1,:);

%% Loop de Control

%% inicializa los parametros de Simulacion


nit=231; %Numero de interacciones
inc_u=0;
u_ant(1:10) = 0;
u(1:20+d) = 0; ym(1:20+d) = 0; r(1:20+d) = 0;

% Referencia
r(d+5:40) = 1; r(41:80) = 3; r(81:120) = 2; r(120:nit) = 2;

%Perturbacion
do(1:119)= 0;do(120:nit) = 0.1;

lduf=size(F); %Averiguo la longitud del polinomio F


lduf=lduf(1,2);

luG=size(uG); %Longitud de uG
luG=luG(1,2);
duf=zeros(1,luG); %Vector incrementos de control pasados libre

for k=9+d:nit
% Salida del proceso
if w==1
ym(k)=B(1)*u(k-1-d)-A(2)*ym(k-1)+do(k); %Ejemplo 1
end
if w==2
ym(k)=B(1)*u(k-d)+B(2)*u(k-1-d)-A(2)*ym(k-1)+do(k); %Ejemplo 2
end
if w==3

52
ym(k)=B(1)*u(k-1-d)+B(2)*u(k-2-d)-A(2)*ym(k-1)-A(3)*ym(k-
2)+do(k); %Ejemplo 3
end

%Calculo de la respuesta libre


free=0;
for i=1:lduf
free=free+ym(k-i+1)*F(:,i);
end

if luG==1 %Si uG es un vector columna


free=free+duf*uG; %Invierto el producto, para que sea
realizable
else %Si uG es una matriz
free=free+uG*duf';
end
%free=ym(k)*F(:,1) + ym(k-1)*F(:,2) + ym(k-2)*F(:,3) +uG*duf';

%Calculo de Control
%Proyeccion donde no se tenga referencias futuras
inc_u=K1*(r(k)-free);

if k==1
u(k)=inc_u;
else
u(k)=u(k-1)+ inc_u;
end

% actualiza vector de control


aux_u=u_ant(1:length(B)-1);
u_ant=[u(k) aux_u];

%actualiza duf
% duf= [du(k-1) du(k-2) ..... du(k-N)]

aux_2=duf(1:end-1);
duf=[inc_u aux_2];

end

nm=nit;
t = 0:T:(nm-1)*T;
figure
subplot(2,1,1),plot(t,r,'--k',t,ym,'-r','Linewidth',2)
xlabel('Tiempo (s)');
ylabel('Salida');
legend('y_r','y','Location','SouthEast')
grid on;
hold
subplot(2,1,2),plot(t,u,'b','Linewidth',2)
xlabel('Tiempo (s)');
ylabel('Control');
legend('u')
grid on;

53
Este sistema requiere de la función para encontrar las ecuaciones diofantinas:

% Example extracted from the book:


% Control of Dead-time Processes, Springer-Verlag, 2007
% by Julio Normey-Rico & Eduardo F. Camacho
%
%---------------------------------------------------------- %
% %
% Solution of the Diophantine equation %
% %
%---------------------------------------------------------- %
%[E,F] = diophantine(A,N,d)
% A = Denominator
% N = Prediction Horizon
% d = Transport delay

function[E,F] = diophantine(A,N,d)

%clear all

% Computes polynomials E(z^-1) e F(z^-1)

% delta = 1-z^(-1)

delta = [1 -1];

% A = 1 + a1 z^(-1) + ... + a2 z(-na)

%A = [1 -0.8]

%A = [1 -0.905]

%A = [1 -1.8 0.81]

% Ã = Adelta

AD = conv(A,delta);

% note that nAD = n~a + 1

nAD = size(AD);
nAD = nAD(2);

% compute horizons

N1 = d +1;
N2 = d + N;

% Compute F(z^-1)

54
% inilialization vector f

f(1,:)= [1 zeros(1,nAD-2)];

% i = 0 ... nã-1

for j = 1: N2;

% Note that for i = 1 corresponds to f(j,0)

for i = 1:nAD-2
f(j+1,i) = f(j,i+1)-f(j,1)*AD(i+1);
end
f(j+1,nAD-1) = -f(j,1)*AD(nAD);
end
F = f(1+N1:1+N2,:);
% Computes E(z^-1)

E = zeros(N2);
e(1) = 1; % for the special case 1/~A

E(1,1) = e(1);
for i = 2: N2
e(i) = f(i,1);
E(i,1:i)=e;
end

E = E(N1:N2,:);

% -------------------- %
% -------------------- %

55
3.3.4. Modelo GPC con restricciones

Se requiere de la utilización de las ecuaciones diofantinas para el correcto uso de este algoritmo.

%% Control GPC
%SISTEMA CON RESTRICCIONES

%___________________________________________________________________

clc
%clear all
close all
rest=menu('Parametros de Simulacion','Restriccion de aumento de
control',...
'Restriccion en señal de control','Restriccion en la Salida',...
'Restriccion de Sobre Impulso','Restriccion Monotonica','Sin
Restricciones');
gps=tf(50,[1 0 25]);
T=0.1;
d=0;
ftz=c2d(gps,T);
[B,A]=tfdata(ftz,'v');
ftz=filt(B,A,T)

%ftz.iodelay=d

%% Parametros de sintonia del GPC

%Ventana de prediccion

N=11; %Ejemplo
N1=d+1; %Horizonte Inicial
N2=d+N; %Horizonte final de salida
Nu=N; %Horizonte de entrada
lambda=50; %Parametro de ponderacion
delta=1;

Ql=eye(Nu)*lambda;
Qd=eye(N)*delta;

%% Calculo de la ecuacion Diofantina

[En,F] = diophantine(A,N2,0); %Calculo de la funcion Diofantina


E=En(end,:); %Polinomio E seria la ultima fila arrojada por la funcion
F=F(N1:N1+N-1,1:end);

%% Determina los coeficientes de control pasados

%Elimino el cero de la primera posicion de B

if B(1)==0
B=B(2:end);

56
end

uG=zeros(N1,N)'; %Vector de controles pasados (Pertenece a la


respuesta libre)
j=2;
for i=N1:N2
aux=conv(En(i,1:end),B);
if length(aux) < N1+j-1 %Si la longitud del auxiliar es menor que j
aux=[aux zeros(1,(N1+j-1)-length(aux))]; %Completar con ceros
end
uG(j-1,1:N1)=aux(j:N1+j-1);
j=j+1;
end

g=conv(E,B); %Calcula polinomio g

G=zeros(N,Nu); % Inicializa la matriz G


G0=zeros(N,Nu);
for k=1:Nu
G(k:end,k)=g(1:N-k+1); % Forma a matriz G
end
Mn=inv(G'*Qd*G+Ql)*G'*Qd; %Calculo de la Funcion de Costo sin
Restriccion

%Calculo de controlador K1 (Primera fila de Mn)


K1=Mn(1,:);

%% Loop de Control

%% inicializa parametros de Simulacion


nit=231; %Numero de interacciones
inc_u=0;
u_ant(1:10) = 0;
u(1:20+d) = 0; ym(1:20+d) = 0; r(1:20+d) = 0;

% Referencia
r=refer;

%r(d+15:80) = 1; r(81:140) = 4; r(141:200) = 2; r(201:nit) = 3;


%do(1:nit)=0;
%Perturbacion
%do(1:259)= 0;do(260:nit) = 0.1;

lduf=size(F); %Averiguo la longitud del polinomio F


lduf=lduf(1,2);

luG=size(uG); %Longitud de uG
luG=luG(1,2);
duf=zeros(1,luG); %Vector incrementos de control pasados libre
r1=1;
for k=9+d:nit
% Salida del proceso
ym(k)=B(1)*u(k-1-d)+B(2)*u(k-2-d)...
-A(2)*ym(k-1)-A(3)*ym(k-2);

57
%Calculo de la respuesta libre
free=0;
for i=1:lduf
free=free+ym(k-i+1)*F(:,i);
end

if luG==1 %Si uG es un vector columna


free=free+duf*uG; %Invierto el producto, para que sea
realizable
else %Si uG es una matriz
free=free+uG*duf';
end
%free=ym(k)*F(:,1) + ym(k-1)*F(:,2) + ym(k-2)*F(:,3) +uG*duf';

switch rest
case 1
%----------- Restriccion del incremento de Control ------
-----------%
I=eye(Nu); %Matriz identidad
InUmax=0.05*ones(Nu,1); %Incremento maximo
InUmin=-0.05*ones(Nu,1); %Incremento minimo

a=[I; -I];
b=[InUmax; -InUmin];
H=(G'*Qd*G+Ql);
Fo=(free-r(k))'*Qd*G;
%Calculo de Control
%options = optimset('LargeScale','off');
[x,fval,exitflag] = quadprog(H,Fo,a,b,[],[],[],[],[]);
inc_u=x(1);

case 2
%----------- Restriccion en la Señal de Control ---------
--------%
Triang=tril(ones(Nu));
T=ones(Nu,1);
ub=1.5; %Maxima señal de control
u_max=ub*ones(Nu,1);
u_min=-0*ones(Nu,1);
a=[Triang; -Triang];
b=[u_max-T*u(k-1); T*u(k-1)-u_min];

H=(G'*Qd*G+Ql);
Fo=(free-r(k))'*Qd*G;
%Calculo de Control
options = optimset('LargeScale','off');
[x,fval,exitflag] =
quadprog(H,Fo,a,b,[],[],[],[],[],options);
inc_u=x(1);
case 3
%----------- Restriccion en la Salida -----------------%
yb=3.2; %Maxima señal de salida
y_max=yb*ones(N,1);
y_min=-0*ones(N,1);
a=[G; -G];
b=[y_max-free; free-y_min];

H=(G'*Qd*G+Ql);
Fo=(free-r(k))'*Qd*G;

58
%Calculo de Control
options = optimset('LargeScale','off');
[x,fval,exitflag] =
quadprog(H,Fo,a,b,[],[],[],[],[],options);
inc_u=x(1);
case 4
%----------- Restriccion Sobre Impulso -----------------%
if r(k)>r(k-1)
r1=1;
end
if r(k)<r(k-1)
r1=-1;
end
if r(k)==r(k-1)
r1=r1;
end
refP=(r(k))*ones(N,1); %Referencia
%refN=-(r(k))*ones(Nu,1); %Referencia Negativa

a=r1*[G];% -G];
b=[r1*refP-r1*free];%; free-refN];

H=(G'*Qd*G+Ql);
Fo=(free-r(k))'*Qd*G;
%Calculo de Control
options = optimset('LargeScale','off');
[x,fval,exitflag] =
quadprog(H,Fo,a,b,[],[],[],[],[],options);
inc_u=x(1);

case 5
%----------- Restriccion Monotonica -----------------%
for i=N:-1:2
G0(i,1:end)=G(i-1,1:end);
end
if r(k)>r(k-1)
r1=-1;
end
if r(k)<r(k-1)
r1=1;
end
if r(k)==r(k-1)
r1=r1;
end

a=r1*(G-G0);
b=r1*[ym(k)-free(1);free(1:end-1)-free(2:end)];

H=(G'*Qd*G+Ql);
Fo=(free-r(k))'*Qd*G;
%Calculo de Control
options = optimset('LargeScale','off');
[x,fval,exitflag] =
quadprog(H,Fo,a,b,[],[],[],[],[],options);
inc_u=x(1);
case 6
inc_u=K1*(r(k)-free);
end

59
% Actualiza el incremento de control.
if k==1
u(k)=inc_u;
else
u(k)=u(k-1)+ inc_u;
end

% actualiza vector de control


aux_u=u_ant(1:length(B)-1);
u_ant=[u(k) aux_u];

%actualiza duf
% duf= [du(k-1) du(k-2) ..... du(k-N)]

aux_2=duf(1:end-1);
duf=[inc_u aux_2];

end

nm=nit;
t = 0:T:(nm-1)*T;
figure
subplot(2,1,1)
stairs(t,r,'--k','Linewidth',2),hold on
stairs(t,ym,'-r','Linewidth',2)
xlabel('Tiempo (s)');
ylabel('Salida');
legend('y_r','y','Location','SouthEast')
grid on;
hold
subplot(2,1,2)
stairs(t,u,'b','Linewidth',2)
xlabel('Tiempo (s)');
ylabel('Control');
legend('u')
grid on;

3.3.5. Modelo propuesto como solución

El presente modelo recoge lo expuesto dentro de un algoritmo utilizado para la posterior


comparativa con el control usual P&O, aquí se detalla con comentarios para referencia futura

SEGUNDO INTENTO DE CONTROL DMC


% FRANCISCO REYES
% JUNIO 2019

% GENERADOR DE SEÑAL DE CONTROL PARA LA CONSECUCIÓN DEL MPPT


% TRABAJA EN FUNCION DE LA SEÑAL DE IRRADIANCIA QUE SE REGISTRA
% EN EL MODELO USUAL (PERTURBAR Y OBSERVAR P&O)
% PARA LUEGO INGRESAR DICHA IRRADIANCIA Y UTILIZAR EL CONTROL
% PROPUESTO (MPC).

60
% SE DEBE ELIMINAR LAS VARIABLES GUARDADAS PARA VOLVER A SIMULAR
% UN PROCESO DISTINTO, NO SE LIMPIA EL WORKSPACE CADA VEZ
% YA QUE EXISTE EL DATO DE LA IRRADIANCIA QUE DEBE SER EL MISMO
% EN LA COMPARATIVA DE LOS MODELOS DE CONTROL

clc
%clear all
%close all

%% MODELO DEL SISTEMA


T = 0.5; %Tiempo de muestreo
%num = [1]; %Numerador continuo
%den = [0.1 1.1 1]; %Denominador continuo
ret = 0.90; %Retraso del sistema

num = [3.281 438.7];


den = [1 6.606 438.7];
gp = tf(num,den) %Función de transferencia
gp.outputdelay = ret;
ftz = c2d(gp,T); %Planta discreta
[B A]=tfdata(ftz,'v'); %Se coloca el numerador en B y denominador en
A
d = 1; %Atraso de tiempo discreto

%% Define los ajustes de Control Predictivo

N=4; %Horizonte de control


lamda = 1; %Ajustes para el control
delta = 1*eye(N);

gpi = stepinfo(gp); %Información de la planta


P = 4; %Horizonte de predicción

%% Se obtiene el Gi

gi = step(ftz); %Son los coeficientes al aplicar una función paso


a la función Z
Nm = length(gi)-1; %Ventana de muestras, matlab pone este tope al
terminar la simulación

%% Calcular la matriz G

G = zeros(P,N); %Matriz de Ceros


G(:,1) = gi(1+d:P+d); %lleno la primera columna de G con gi

for i=2:N
for j=2:P
G(j,i)=G(j-1,i-1);
end
end

%% Calcular la función de costo k del Delta u

Mn = inv(G'*G*delta + lamda*eye(N))*delta*G';

%Me interesa la primera línea de Mn para k1


K1 = Mn(1,:);

61
%% Loop de control

%Obteniendo la referencia de simulink


refer=Referencia(:,2);

%Inicialización de parámetros
nit = length(refer); %Numero de interacciones
nitws = [0 nit]
inc_u = 0; %Incrementos de control
u_ant(1:10) = 0; %Control anterior
u(1:10) = 0; ym(1:10) = 0; %Controles y Salidas y Referencia en cero
y vectorizado

%Referencias
r=refer;

%r(1:10) = 0;
%r(9:80)=2;
%r(81:140)=3;
%r(141:180)=2;
%r(181:nit)=2;

%Perturbación a la salida
%do(1:179)=0;
%do(180:nit)=0.1;

%Accion de control Delta u Libre controles pasados


duf = zeros(1,Nm);

w = 0; %Para colocar referencias futuras

for k=9:nit-w
%Calcula la salida del proceso
ym(k)=B(1)*u(k-1)+B(2)*u(k-2)+B(3)*u(k-3)-A(2)*ym(k-1)-A(3)*ym(k-
2);%+do(k);

%Calcular la repuesta libre F


f=zeros(1,P); %Vector de respuesta libre

for kk=1:P
%Armar un vector con las gkk+i - gkk
for i=1:Nm-P
vect_g(i)=gi(kk+i)-gi(i);
end
for i = Nm-P+1:Nm
vect_g(i)=gi(Nm)-gi(i);
end
f(1:P)=ym(k)+vect_g*duf'; %Calculo de la respuesta libre
%f vector repuesta libre con tamaño P
%duf delta u libre, es la u correspondiente a la respuesta
libre
%ese vector siempre esta en el pasado
%es cero en el futuro valido unicamente en el pasado
%diferente a dut <<<ojo>>>
%ym es la salida de la planta

end

62
%Calculo del Control
%No se tiene referencias futuras, no las conozco

inc_u=K1*(r(k+w)-f');

if k==1
u(k)=inc_u;
else
u(k)=inc_u + u(k-1); %LEY DE CONTROL APLICADA A LA PLANTA
end

%Actualizar valores
aux_2=duf(1:Nm-1);
duf = [inc_u aux_2]; %Incrementos de control pasados
end

nm=nit;
t = 0:T:(nm - 1)*T;
figure
subplot(2,1,1),plot(t(1:nit-w),r(1:nit-w),'--k',t(1:nit-w),ym,'-
r','Linewidth',3)
xlabel('Tiempo (s)');
ylabel('Salida (ym)');
legend('y_r','y','Location','SouthEast')
grid on;
hold
subplot(2,1,2),plot(t(1:nit-w),u,'b','Linewidth',3)
xlabel('Tiempo (s)');
ylabel('Control');
legend('u')
grid on;

t = transpose(t);
u = transpose(u);
sig1 = [t u];

63
CAPÍTULO IV

4. RESULTADOS Y DISCUSIÓN

Una vez concluidos los desarrollos de los algoritmos para el control clásico con P&O y el
propuesto DMC, se continua en el presente capítulo con el análisis y la puntualización de los
contenidos desarrollados para llegar a la verificación de la hipótesis, y poder definir qué control
genera una salida óptima.

El proceso de la selección de datos parte desde la premisa del funcionamiento del sistema
programado en el entorno que se ha mencionado, siguiendo la siguiente secuencia detallada:

1. Se genera en simulink una señal que va a representar la irradiancia durante un tiempo


determinado, por consideraciones de simulación estos tiempos serán en segundos, sin
embargo, representará el funcionamiento durante las horas de sol.
2. Se evalúa el modelo P&O presentado en el entorno de simulink, el cual generará las
gráficas de resultado a la operación usando el control comercial, está será la línea base
para el análisis en cuanto a la funcionalidad y mejora del sistema MPC.
3. Una vez concluida la simulación del sistema P&O en el entorno de simulink, no se deberá
borrar los registros de memoria en el workspace de Matlab, de manera puntual el archivo
que tiene por nombre: Referencia, este será esencial para replicar la misma irradiancia
con el sistema de control propuesto.
4. Se ejecutará la línea de código presentada en el formulario de Matlab, esperando que el
tiempo de ejecución se complete y se generen las gráficas para la comparativa final
5. Los puntos de interés para este trabajo fueron tomados en función de la gráfica de
irradiancia que se presenta como base para el funcionamiento de los sistemas de control
presentados. Son tomados como puntos de interés porque presentan un cambio en el
comportamiento de la señal de irradiancia.

4.1. Análisis de los resultados del control P&O

Realizado el control P&O sobre el modelo del panel solar implementado en simulink, se detallan
los registros obtenidos para valoración con el control propuesto.

A valores de irradiancia variables, el elemento de panel solar genera una gráfica característica:
(con un valor de temperatura de 25 °C)

64
Figura 29-4: Datos del panel solar simulink
Fuente: (Simulink, 2016)

Los valores característicos (I-V) del panel se detallan a continuación:

Figura 30-4: Grafica corriente vs voltaje


Fuente: (Simulink, 2016)

65
Los valores característicos (P-V) del panel, a continuación:

Figura 31-4: Gráfica potencia vs voltaje


Fuente: (Simulink, 2018)

De donde se obtienen como valores de MPP los siguientes, los cuales considero serian mi set
point.
Tabla 1-4: Valores de irradiancia y la potencia generada por el panel

IRRADIANCIA (w/m2) POTENCIA (w)

1000 249.89

600 149.81

500 124.52

100 23.57

Fuente: Autor, 2021


Realizado por: Francisco Reyes, 2021

66
En simulación se obtienen las siguientes gráficas:

Figura 32-4: Resultado al utilizar el control P&O


Realizado por: Francisco Reyes, 2021

Al sistema se le somete a variaciones de irradiancia: [0 100 500 600 1000], las mismas generadas
para el modelo del panel.

De 0 a 0.5 = 0.00 w/m2

De 0.5 a 1.5 = 100 w/m2

De 1.5 a 2.5 = 500 w/m2

De 2.5 a 3.25 = 600 w/m2

De 3.25 en adelante = 1000 w/m2

67
Gráfica 01:

Voltaje generado por el panel solar --- Línea Amarilla

Voltaje a la salida del conversor --- Línea Morada

Figura 33-4: Voltaje del panel vs Voltaje en el boost


Realizado por: Francisco Reyes, 2021

Gráfica 02:

Corriente generada por el panel solar --- Línea amarilla

Corriente a la salida del conversor --- Línea Morada

Figura 34-4: Corriente del panel vs Corriente en el boost


Realizado por: Francisco Reyes, 2021

Grafica 03:

Potencia generada por el panel --- Línea Amarilla

Potencia a la salida del conversor --- Línea Morada

Nunca alcanza la salida del conversor al que se genera a la salida del panel.

68
Figura 35-4: Potencia del panel vs Potencia en el boost
Realizado por: Francisco Reyes, 2021

Con lo expuesto, presento valores de irradiancia cambiados al azar a 25°C . Se puede observar la
respuesta del control. La distribución de las gráficas es la misma Graf 1 Voltaje, Graf 2 Corriente
y Graf 3 Potencia:

Figura 36-4: Valores en el panel y en el boost con variación en la irradiancia


Realizado por: Francisco Reyes, 2021

69
4.2. Análisis de los resultados utilizando el control MPC

4.2.1. Con el algoritmo DMC

Al sistema se les somete a variaciones de irradiancia: [0 100 500 600 1000], las mismas generadas
para el modelo del panel. Al utilizar el algoritmo de matriz dinámica, es necesario poder establecer
condiciones de set point, para lo cual se genera un recorrido de la irradiancia desde simulink.

Figura 37-4: Condiciones de irradiancia para DMC


Realizado por: Francisco Reyes, 2021

Llevando a Matlab los datos del scope:

Figura 38-4: Respuesta del control DMC a las variaciones de irradiancia


Realizado por: Francisco Reyes, 2021

70
El sistema DMC genera un seguimiento a la señal de referencia fiable en todo su recorrido, las
acciones de control de la gráfica en azul denotan que los actuadores sufren un ligero sobre impulso
antes de su estado estable, este comportamiento podría afectar al correcto funcionamiento de
componentes mecánicos.

Figura 39-4: Respuesta del DMC ante cambios de irradiancia


Realizado por: Francisco Reyes, 2021

4.2.2. Algoritmo GPC

Caso 01: utilizamos el algoritmo del GPC, con la siguiente función de transferencia:

Figura 40-4: Función de transferencia caso 01 GPC


Realizado por: Francisco Reyes, 2021

71
Figura 41-4: Respuesta GPC al caso 01
Realizado por: Francisco Reyes, 2021

Caso 02: respuesta del GPC con la siguiente función de transferencia

Figura 42-4: Función de trasferencia caso 02


Realizado por: Francisco Reyes, 2021

72
Figura 43-4: Respuesta GPC al caso 02
Realizado por: Francisco Reyes, 2021

Caso 03: el sistema se somete a la siguiente función de transferencia y a un control GPC

Figura 44-4: Función de transferencia caso 03


Realizado por: Francisco Reyes, 2021

73
Figura 45-4: Respuesta GPC al caso 03
Realizado por: Francisco Reyes, 2021

4.2.3. Algoritmo GPC con restricciones

Restricción de aumento de control: calculo un incremento máximo y mínimo de 0.05, los


resultados se detallan en el siguiente gráfico.

Figura 46-4: Respuesta a la restricción del incremento de control


Realizado por: Francisco Reyes, 2021

74
Restricción de señal de control: la máxima señal de control que se está enviando es de 1.5; los
resultados se grafican a continuación.

Figura 47-4: Respuesta a la restricción en la señal de control


Realizado por: Francisco Reyes, 2021

Restricción en la salida: para este caso se ha permitido una máxima señal de salida igual a 3.2,
los resultados se detallan a continuación.

Figura 48-4: Respuesta a la restricción en la salida


Realizado por: Francisco Reyes, 2021

75
Restricción de sobre impulso: se aplica la restricción al modelo, los resultados se presentan a
continuación:

Figura 49-4: Respuesta a la restricción de sobre impulso


Realizado por: Francisco Reyes, 2021

Restricción monotónica: esta restricción se aplica al modelo esperando resultados mucho más
favorables que los casos anteriores, las gráficas a continuación detallan lo ocurrido.

Figura 50-4: Respuesta a la restricción de monotónica


Realizado por: Francisco Reyes, 2021

76
Se puede observar que la técnica de control predictivo realiza un mejor seguimiento de la señal
generada al variar la irradiancia en el sistema, el control presentado como alternativa P&O, trabaja
siempre por debajo de la señal de set point. Al aplicar las técnicas con restricciones se debe
considerar que algunas de estas restricciones tienen limitantes físicas, para el caso presentado las
restricciones todas alcanzan a realizar un seguimiento de la señal deseada generando un control
suave.

4.3. Comprobación de la hipótesis

Se presenta el análisis de un comportamiento de irradiancia determinado utilizando el control


propuesto para comparativa y el control que en este desarrollo de titulación se ha venido
esbozando

a. Se presenta la gráfica de irradiancia con la que se compara el trabajo de los dos modelos
presentes

Figura 51-4: Irradiancia para comparativa entre controles


Realizado por: Francisco Reyes, 2021

77
b. El grafico a continuación presenta el comportamiento del sistema de contro Perturb &
Observe con los datos de irradiancia presentados en la figura 44

Figura 52-4: Resultado de control P&O


Realizado por: Francisco Reyes, 2021

En detalle se tiene que la salida del conversor boost (línea morada) en cuanto a potencia no es
significativamente más eficiente. Se mantiene en el rendimiento de voltaje por parte del conversor
elevador.

78
c. El siguiente grafico presenta el comportamiento del panel solar y el conversor elevador
con las mismas condiciones de irradiancia, utilizando esta vez la técnica de control
propuesta para el desarrollo de este proceso de titulación

Figura 53-4: Resultado control MPC


Realizado por: Francisco Reyes, 2021

La generación de potencia utilizando la estrategia de control propuesta, muestra un estado de


trabajo permanente, aun cuando los cambios en irradiancia fueron los mismos a los que se sometió
al control P&O. El valor es estable en el transcurso de tiempo lo que permite en el campo practico

79
mantener un sistema de entrega de potencia para carga del banco de baterías o para uso final
constante. Permitiendo así tener un mayor tiempo de vida útil de los componentes que hagan uso
de la energía sumistrada por el sistema fotovoltaico.

4.3.1. Análisis estadístico


La prueba de hipótesis para medias usando Distribución T de Student se usa cuando se cumplen
las siguientes dos condiciones:
• Es posible calcular la media y la desviación estándar a partir de la muestra.
• El tamaño de la muestra es menor a 30.

Los datos que se obtuvieron a partir de varias señales generadas.

Se detallan los datos entre el modelo IDEAL y el modelo MPC del panel sometido a las mismas
condiciones de irradiancia.

La Hipótesis Nula (Ho) para este caso de estudio es: El sistema de control predictivo optimiza el
funcionamiento de un panel solar frente al modelo IDEAL.

Ahora se define la Hipótesis Alternativa (Ha) en este caso: El sistema de control predictivo no
optimiza el funcionamiento de un panel solar frente al modelo IDEAL.

Tabla 2-4: Potencia obtenida IDEAL vs MPC

ID POTEN IDEAL (w) POTEN MPC (w)


1 0,00 0,00
2 36,00 28,50
3 48,53 33,00
4 99,16 40,50
5 99,16 39,00
6 175,00 44,00
7 124,50 43,95
8 86,48 39,40
9 48,53 5,50
Fuente: Autor, 2021
Realizado por: Francisco Reyes, 2021

Tabla 3-4: Resumen estadístico para el SISTEMA IDEAL – POT MPC

Recuento 9
Promedio 49,2789
Desviación Estándar 40,65

80
Coeficiente de Variación 82,4897%
Mínimo 0
Máximo 131,0
Rango 131,0
Sesgo Estandarizado 1,01732
Curtosis Estandarizada 0,553893
Fuente: Autor, 2021
Realizado por: Francisco Reyes, 2021

La tabla 3 muestra los estadísticos de resumen para SISTEMA IDEAL-POT MPC. Incluye
medidas de tendencia central, medidas de variabilidad y medidas de forma. De particular interés
aquí son el sesgo y la curtosis estandarizada, las cuales pueden utilizarse para determinar si la
muestra proviene de una distribución normal. Valores de estos estadísticos fuera del rango de -2
a +2 indican desviaciones significativas de la normalidad, lo que tendería a invalidar cualquier
prueba estadística con referencia a la desviación estándar. En este caso, el valor del sesgo
estandarizado se encuentra dentro del rango esperado para datos provenientes una distribución
normal. El valor de curtosis estandarizada se encuentra dentro del rango esperado para datos
provenientes de una distribución normal.

Prueba de Hipótesis para SISTEMA IDEAL - POT MPC


Media Muestral = 49,2789
Mediana Muestral = 47,08
Desviación Estándar de la Muestra = 40,65

Prueba t
Hipótesis Nula: media = 0
Alternativa: no igual

Estadístico t = 3,63682
Valor-P = 0,00661937
Se rechaza la hipótesis nula para alfa = 0,05.

Esta ventana muestra los resultados de las pruebas relativas a la población de la cual procede la
muestra de SISTEMA IDEAL-POT MPC. La prueba-t evalúa la hipótesis de que la media de
SISTEMA IDEAL-POT MPC es igual a 0,0 versus la hipótesis alterna de que la media de
SISTEMA IDEAL-POT MPC es no igual a 0,0. Debido a que el valor-P para esta prueba es menor
que 0,05, se puede rechazar la hipótesis nula con Un 95,0% de confianza.

81
4.3.1.1. Prueba de Hipótesis para POT MPC - POT P&O
Frente a esto, se presenta la variación de potencia del modelo planteado para este proyecto frente
al usual P&O, donde se propone:

La Hipótesis Nula (Ho) para este caso de estudio es: El sistema de control predictivo optimiza el
funcionamiento de un panel solar frente al modelo P&O.

Ahora se define la Hipótesis Alternativa (Ha) en este caso: El sistema de control predictivo no
optimiza el funcionamiento de un panel solar frente al modelo P&O.

Tabla 4-4: Potencia MPC vs P&O

ID POTEN MPC (w) POTEN P&O (w)


1 0,00 0,00
2 28,50 5,70
3 33,00 10,50
4 40,50 47,20
5 39,00 48,70
6 44,00 137,10
7 43,95 182,00
8 39,40 45,10
9 5,50 16,50
Fuente: Autor, 2021
Realizado por: Francisco Reyes, 2021

Se grafican los datos obtenidos entre las dos técnicas de control:

Figura 54-4: Potencia registrada MPC vs P&O


Realizado por: Francisco Reyes, 2021
.

82
La figura 55 detalla en azul el comportamiento de energía entregada utilizando el sistema de
control MPC y en naranja la cantidad de energía entregada al utilizar el sistema de control P&O.
Esto ante los valores de irradiancia presentados para la simulación de este proceso.

Se puede apreciar una operación de carga estable frente a los cambios de irradiancia por parte del
controlador MPC, en el caso de P&O, detalla una operación ante sombra parcial bastante menor
a lo que se consigue con el controlador MPC. En condiciones de máxima irradiancia el control
P&O eleva su producción de potencia

Teniendo como valor de significancia el 5%, y aplicando el análisis T de Student se puede detallar
lo siguiente:

Tabla 5-4: Resumen estadístico para POT MPC – POT P&O

Recuento 9
Promedio -24,3278
Desviación Estándar 54,4488
Coeficiente de Variación -223,813%
Mínimo -138,05
Máximo 22,8
Rango 160,85
Sesgo Estandarizado -1,89832
Curtosis Estandarizada 0,933247
Fuente: Autor, 2021
Realizado por: Francisco Reyes

La Tabla 5-4 muestra los estadísticos de resumen para POT MPC-POT P&O. Incluye medidas de
tendencia central, medidas de variabilidad y medidas de forma. De particular interés aquí son el
sesgo estandarizado y la curtosis estandarizada, las cuales pueden utilizarse para determinar si la
muestra proviene de una distribución normal. Valores de estos estadísticos fuera del rango de -2
a +2 indican desviaciones significativas de la normalidad, lo que tendería a invalidar cualquier
prueba estadística con referencia a la desviación estándar. En este caso, el valor del sesgo
estandarizado se encuentra dentro del rango esperado para datos provenientes una distribución
normal. El valor de curtosis estandarizada se encuentra dentro del rango esperado para datos
provenientes de una distribución normal.

Prueba de Hipótesis para POT MPC – POT P&O


Media Muestral = -24,3278
Mediana Muestral = -6,7
Desviación Estándar de la Muestra = 54,4488

4.3.1.2. Prueba t
Hipótesis Nula: media = 0
Alternativa: no igual

83
Estadístico t = -1,3404
Valor-P = 0,216932
No se rechaza la hipótesis nula para alfa = 0,05.

Se muestra los resultados de las pruebas relativas a la población de la cual procede la muestra de
POT MPC-POT P&O. La prueba-t evalúa la hipótesis de que la media de POT MPC-POT P&O
es igual a 0,0 versus la hipótesis alterna de que la media de POT MPC-POT P&O es no igual a
0,0. Debido a que el valor-P para esta prueba es mayor o igual a 0,05, no se puede rechazar la
hipótesis nula, con un nivel de confianza del 95,0% de confianza.

4.3.1.3. Prueba de los signos


Hipótesis Nula: mediana = 0
Alternativa: no igual

Número de valores menores a la mediana hipotética: 6


Número de valores mayores a la mediana hipotética: 2

Estadístico para Grandes Muestras = 1,06066 (aplicada la corrección por continuidad)


Valor-P = 0,288843
No se rechaza la hipótesis nula para alfa = 0,05.

La prueba de los signos evalúa la hipótesis de que la mediana de POT MPC-POT P&O es igual a
0,0 versus la hipótesis alterna de que la mediana POT PC-POT P&O es no igual a 0,0. Se basa
en contar el número de valores arriba y abajo de la mediana hipotética. Debido a que el valor-P
para esta prueba es mayor o igual a 0,05, no se puede rechazar la hipótesis nula, con un nivel de
confianza del 95,0% de confianza.

4.3.1.4. Intervalos de Confianza para POT MPC - POT P&O


Intervalos de confianza del 95,0% para la media: -24,3278 +/- 41,8532 [-66,181; 17,5254]
Intervalos de confianza del 95,0% para la desviación estándar: [36,7778; 104,311]

Se muestra los intervalos de confianza del 95,0% para la media y la desviación estándar de POT
MPC-POT P&O. La interpretación clásica de estos intervalos es que, en muestreos repetidos,
estos intervalos contendrán la media verdadera o la desviación estándar verdadera de la población
de la que fueron extraídas las muestras, el 95,0% de las veces. En términos prácticos, puede
establecerse con 95,0% de confianza, que la media verdadera de POT MPC-POT P&O se
encuentra en algún lugar entre -66,181 y 17,5254, en tanto que la desviación estándar verdadera
está en algún lugar entre 36,7778 y 104,311.

84
Histograma

frecuencia
2

0
-150 -110 -70 -30 10 50
POT MPC - POT P&O

Figura 55-4: Histograma comparativa MPC - P&O


Realizado por: Francisco Reyes, 2021

Se presenta el histograma de frecuencias en la figura 57 para los datos comparativos entre la


potencia obtenida con el control MPC y el control P&O

Gráfico de Densidad Suavizada

(X 0,001)
15

12
densidad

0
-140 -110 -80 -50 -20 10 40
POT MPC - POT P&O

Figura 56-4: Densidad comparativa MPC - P&O


Realizado por: Francisco Reyes, 2021

Se presenta el grafico de la densidad suavizada en la figura 58 para los datos comparativos entre
la potencia obtenida con el control MPC y el control P&O

85
CAPÍTULO V

5. PROPUESTA

• Desarrollar un modelo simulado a la implementación física del modelo propuesta para la


optimización de la producción de energía en un panel fotovoltaico
• Validar el desarrollo frente a un sistema de control usual dentro de los algoritmos de
seguimiento al punto de potencia máxima Perturb & Observe

Se presenta el siguiente algoritmo de desarrollo como directriz del trabajo, y la manera de cómo
se aborda la propuesta que permita generar un aporte en el campo de la mejora en eficiencia de
los sistemas de control para el seguimiento del punto de máxima potencia.

Figura 57-5: Diagrama de propuesta de solución


Realizado por: Francisco Reyes, 2021

Se busca con esto ampliar el campo del conocimiento en referencia al uso cada día más aceptado
de sistemas alternos de energía. Cumpliendo así con la consecución de los planes de gobierno a
nivel nacional, tal como citan los objetivos 3 y 5 del plan nacional del buen vivir 2017 – 2021, en
donde de manera textual se cita que lo que se busca es: “Garantizar los derechos de la naturaleza
para las actuales y futuras generaciones” al impulsar la economía urbana y rural, basada en el uso

86
sostenible y agregador de valor de recursos renovales y la bio-economía, propiciando la
corresponsabilidad social e “Impulsar la productividad y competitividad para el crecimiento
económico sustentable de manera redistributiva y solidaria” al incrementar de 60% al 90% la
generación eléctrica a través de fuentes de energías renovables.

Esto en sintonía con el crecimiento registrado de los sistemas de energía renovable, que, según
datos registrados en la investigación en colaboración entre la Universidad Londinense y el
departamento de Ingeniería Mecánica de la Politécnica Nacional, marcan que el incremento desde
el 2007 al 2017 en Ecuador se registra un crecimiento de cerca del 180% en MW instalados.
(Carvajal et al., 2019)

Figura 58-5 Capacidad instalada desde el 2007 hasta el 2017


Fuente: (Plan V, 2020)

87
CONCLUSIONES

Con la conclusión de este trabajo se puede detallar la importancia de un control óptimo para el
seguimiento del MPP, y deja claro que un buen sistema de control permitirá dar un seguimiento
minucioso a los cambios estocásticos presentes en la irradiancia que recibe un panel fotovoltaico.

Se presenta la revisión de una comparativa entre varios algoritmos de control, sin embargo, en el
campo para la consecución del máximo punto de potencia MPPT, no se tienen referencias que
apunten de manera particular a este proceso. En el presente trabajo se ha detallado el resultado
entre la técnica propuesta utilizando MPC y el sistema de control regular para este fin P&O.

Los principios de un sistema eficiente para la mejor producción de energía usando sistemas de
control predictivos se encuentran alineados con el desarrollo de un modelo del sistema que
permita recrear de la mejor manera el comportamiento, y el manejo de sistemas de programación
cuadrática para la resolución de las predicciones del error entre la salida predicha y la trayectoria
de referencias futuras, incluyéndose también el esfuerzo de control dentro de la función costo u
objetivo. La solución explícita se puede obtener cuando el criterio es cuadrático y el modelo
lineal; en caso contrario se ha de utilizar un método numérico para hallar la solución.

Con el presente trabajo se tiene el desarrollo de un MPPT con paso variable y sistema predictivo
de control permite obtener un beneficio en la estabilidad del sistema de generación fotovoltaica,
dando así un mejor rendimiento que el sistema de control P&O. Además, el método propuesto
puede implementarse en otros convertidores DC / DC, ya que el Control Predictivo solo necesita
el modelo de la planta. El uso de un incremento variable es importante porque, en comparación
con el Control P&O, presenta una mejor entrega de potencia a la salida, lo que repercute en el
rendimiento total del sistema.

Se presenta la propuesta de un modelo de controlador predictivo que puede trabajar basado en


restricciones utilizando la estrategia CARIMA y el modelo matemático del sistema fotovoltaico.
Tal solución mejora la energía extraída de un campo fotovoltaico en contraste con las soluciones
clásicas. Los resultados de la simulación muestran la mejora en la producción de energía para
casos de perturbación pequeños y grandes. Finalmente, el modelo de controlador predictivo se
puede mejorar considerando un modelo no lineal del sistema fotovoltaico en lugar del modelo
linealizado adoptado.

Se presenta una técnica de seguimiento de MPP mejorada que utiliza MPC para sistemas
fotovoltaicos prediciendo el error en el siguiente tiempo de muestreo antes de aplicar la señal de
control. La técnica de seguimiento del punto de potencia máxima predictiva de propuesta se

88
compara con el método P&O comúnmente usado para mostrar una mejora en el rendimiento
dinámico y la eficiencia del MPPT. La técnica presenta una convergencia rápida, que es ideal
para condiciones ambientales rápidamente variables como el cambio de temperatura o la
irradiancia o cambios en la estructura constructiva del panel fotovoltaico. Como resultado, se
captará más energía del sistema fotovoltaico, especialmente durante el cielo parcialmente nublado
sin necesidad de equipos y redes de detección costosos para medir directamente la variación de
irradiancia.

89
RECOMENDACIONES

• Utilizar un modelo matemático que permita recrear de mejor manera el comportamiento


del panel solar y el convertidor elevador, para conseguir acciones de control futuras
mucho más precisas y respuestas de control más suaves para los dispositivos finales.
• Considerar las particularidades de cada sistema predictivo con restricción, si no funciona
del modo deseado, sería parte del proceso el intentar modificar las condiciones que ponen
la limitante.
• Al utilizar la restricción monotónica, se deberá entregar un pulso inicial lo más pronto en
la simulación del sistema, ya que, aunque es muy suave en las acciones de control, el
sistema monotónico se puede quedar en un estado estable al no percibir una subida o
bajada pronunciada del set point.

90
RESPUESTA A LA FORMULACIÓN DEL PROBLEMA

La cantidad de watts generados se podrá mantener en un nivel de entrega fiable y anticipada al


utilizar un algoritmo para realizar un Control Predictivo por Modelo en sistemas de generación
fotovoltaica.

Al poseer un sistema que permita garantizar el MPP con un seguimiento rápido y estable el panel
fotovoltaico entregará por más tiempo una cantidad estable de energía, las condiciones de sombra
y en general el comportamiento estocástico de un sistema fotovoltaico se ve compensado con este
controlador predictivo que puede adelantarse a las acciones de control y validar de entre todas las
posibles alternativas aquellas que permitan obtener el mayor rédito en la producción de energía.
Enfrentado a modelos existentes el control predictivo requiere únicamente un modelo matemático
sólido sobre el cual trabajar ofreciendo mayores beneficios.

91
BIBLIOGRAFÍA

ANC, (Asamblea Nacional Constituyente). (2008). Costitución de la República del Ecuador, 140.
Título. Recuperado de: www.asambleanacional.gov.ec/documentos/constitucion

Arcos-Aviles, D., Pascual, J., Marroyo, L., Sanchis, P., & Guinjoan, F. (2016). Fuzzy Logic-
Based Energy Management System Design for Residential Grid-Connected Microgrids.
IEEE Transactions on Smart Grid, 3053(c), 1–8.
https://doi.org/10.1109/TSG.2016.2555245

Bravo Ballen, O., & Quevedo Sanchez, F. (2008). Matlab. Universidad Nacional de Colombia,
Bogota.

Carvajal, P. E., Li, F. G. N., Soria, R., Cronin, J., Anandarajah, G., & Mulugetta, Y. (2019). Large
hydropower, decarbonisation and climate change uncertainty: Modelling power sector
pathways for Ecuador. Energy Strategy Reviews, 23(November 2017), 86–99.
https://doi.org/10.1016/j.esr.2018.12.008

CONELEC. (2008). Atlas solar del ecuador. Conelec, 1–51. Título. Recuperado de:
http://www.conelec.gob.ec/archivos_articulo/Atlas.pdf

CONELEC. Regulación No. CONELEC - 004/11 (2011). ECUADOR.

Diaz, P. (2010). Estudio de Diferentes Estrategias de Control para un Tanque de Mezclado: PID,
Control de Matriz Dinámica (DMC) y Lógica Difusa (FLC). Prospectiva, 8(1), 43–51.

Dousoky, G. M., & Shoyama, M. (2012). Increasing Energy-Efficiency in Solar Radiation


Trackers for Photovoltaic Arrays, 4113–4120.

Ebe, F., Idlbi, B., Morris, J., Heilscher, G., & Meier, F. (2017). Evaluation of PV Hosting Capacity
of Distribuion Grids Considering a Solar Roof Potential Analysis - Comparison of different
Algorithms -. PowerTech 2017.

Farooqui, Z. (2017). Study of Maximum Power Point Tracking ( MPPT ) Techniques in a Solar
Photovoltaic Array, 2, 9.

Farooqui, Zameer. (2017). Study of Maximum Power Point Tracking ( MPPT ) Techniques in a
Solar Photovoltaic Array, 2(5), 178–189.

Gaga, A., Errahimi, F., & Es-Sbai, N. (2014). Design and implementation of MPPT solar system
based on the enhanced P&O algorithm using Labview. Proceedings of 2014 International
Renewable and Sustainable Energy Conference, IRSEC 2014, (1), 203–208.
https://doi.org/10.1109/IRSEC.2014.7059786

Hlaili, M., Mechergui, H., Gonçalves, H., Exposto, B., & Afonso, J. L. (2016). Single Phase NPC
Inverter Controller with Integrated MPPT for PV Grid Connection.

Hohm, D. P., & Ropp, M. E. (2003). Comparative Study of Maximum Power Point Tracking
Algorithms, 62(November 2002), 47–62. https://doi.org/10.1002/pip.459

MEER. (2016). Plan Nacional de Eficiencia Energética 2016-2035.

SENPLADES. (2013). Plan Nacional Buen Vivir.pdf. Título. Recuperado de:


www.planificacion.gob.ec%[email protected]%5Cnwww.buenvivir.gob.e
c%5Cnwww.buenvivir.gob.ec

Sotomayor, D., & Proaño, J. L. (n.d.). Fuzzy energy management strategy based on Microgrid
Energy Rate-of-Change applied to an electro-thermal residential microgrid.

Zakariae, J. A. I. A., Abdelhadi, R., Abdelmounaim, E., & Omar, B. (2017). Toward an approach
to Improve MPPT Efficiency for PV System ., (1).

También podría gustarte