Comparative Study of ANN and Traditional MPPT Techniques in PV Applications

El sol ofrece un suministro ilimitado de energía limpia, pero capturarla de manera eficiente requiere más que simplemente colocar paneles en un tejado. Las células solares son dispositivos sensibles cuya capacidad para generar electricidad cambia constantemente con el clima. Cuando la intensidad del sol varía o la temperatura aumenta, el punto en el que un panel produce su máxima potencia se desplaza, de forma muy parecida a un objetivo que se mueve sobre una pared móvil. Para cosechar la mayor cantidad de energía posible, un sistema debe buscar constantemente este objetivo cambiante. Este proceso se conoce como seguimiento del punto de máxima potencia. Durante décadas, los ingenieros han dependido de métodos tradicionales para guiar a los sistemas solares hacia este punto ideal, utilizando algoritmos que dan pequeños impulsos al sistema y observan cómo reacciona la salida de potencia. Si bien estas técnicas establecidas funcionan, pueden ser lentas para reaccionar ante cambios climáticos rápidos y a menudo oscilan alrededor del ajuste ideal, desperdiciando una parte de la energía disponible.

En un estudio reciente, investigadores de la Universidad del Cercano Oriente exploraron si un enfoque diferente, uno inspirado en cómo aprende el cerebro humano, podría superar a estos métodos de larga data. Se centraron en un tipo específico de inteligencia artificial llamada red neuronal profunda. A diferencia de los algoritmos tradicionales que siguen un conjunto fijo de reglas, esta red neuronal fue entrenada con vastas cantidades de datos históricos de clima y radiación solar. Los investigadores alimentaron el sistema con información sobre la intensidad de la luz solar, la temperatura del aire y la corriente y el voltaje eléctrico que fluían de los paneles. El objetivo era enseñar a la computadora a predecir el punto operativo exacto y óptimo de forma instantánea, sin necesidad de adivinar y comprobar. Al comparar este nuevo método basado en datos frente a las técnicas estándar utilizadas en la industria, el equipo buscó determinar si la inteligencia artificial podía hacer que la generación de energía solar fuera significativamente más eficiente y receptiva.

Los investigadores construyeron su experimento en torno a una simulación digital de un sistema de energía solar. Recopilaron registros detallados de luz solar y temperatura de una ubicación específica en el norte de Chipre, utilizando datos de una base de datos de la Unión Europea que rastrea recursos solares. Para crear un entorno de prueba realista, utilizaron estos registros climáticos para generar el comportamiento eléctrico esperado de un panel solar. Luego, ejecutaron tres estrategias de control diferentes contra estos mismos datos climáticos. Los dos primeros fueron los métodos tradicionales: uno que simplemente perturba el sistema para ver si la potencia sube o baja, y otro que calcula la tasa de cambio en la conductancia eléctrica para encontrar el pico. La tercera estrategia fue el nuevo modelo de inteligencia artificial. Este modelo había sido entrenado previamente para reconocer la compleja relación no lineal entre las condiciones climáticas y el ajuste eléctrico óptimo. Una vez entrenada, la red neuronal actuó como un controlador, tomando mediciones en tiempo real de la luz solar y la temperatura y prediciendo inmediatamente el ajuste de voltaje perfecto para el panel solar.

Los resultados de la comparación fueron claros y favorecieron el enfoque de la inteligencia artificial. Los métodos tradicionales, aunque funcionales, tuvieron dificultades con la velocidad y la precisión. La técnica estándar de "perturbar y observar", que depende del ensayo y error, tardó un promedio de 8.5 pasos en encontrar el punto de máxima potencia tras un cambio en las condiciones. El método basado en la conductancia, ligeramente más avanzado, mejoró este desempeño, necesitando 6.2 pasos. En contraste, el modelo de red neuronal encontró el ajuste óptimo en solo 2.8 pasos. Esta velocidad significó que el sistema podía adaptarse a cambios en las nubes o variaciones de temperatura casi instantáneamente, en lugar de quedarse rezagado. Además, los métodos tradicionales tendían a oscilar, o tambalearse, alrededor del objetivo, sobrepasando y quedando por debajo del nivel de potencia ideal constantemente. La red neuronal, al haber aprendido el patrón de los datos, se asentó en el ajuste correcto con mucho menos movimiento, manteniendo una operación constante y eficiente.

En términos de eficiencia general, el controlador de inteligencia artificial capturó el 98.7 por ciento de la potencia disponible, una cifra que superó el 95.8 por ciento logrado por el método de conductancia y el 94.2 por ciento del enfoque tradicional de ensayo y error. El estudio también midió qué tan cerca estaban los ajustes predichos de los ajustes óptimos reales. La red neuronal alcanzó una precisión del 99.57 por ciento, lo que significa que rara vez fallaba el objetivo. Los investigadores señalaron que los métodos tradicionales producían más error en sus predicciones, lo que derivaba en una pérdida de energía potencial. El modelo de red neuronal fue capaz de manejar la naturaleza compleja y cambiante de la generación de energía solar sin la vacilación o la confusión que a menudo aqueja a los sistemas basados en reglas. No necesitaba esperar a que ocurriera un cambio para reaccionar; podía anticipar el mejor ajuste basándose en las condiciones actuales.

Este trabajo demuestra que el aprendizaje basado en datos puede ofrecer una mejora tangible sobre las reglas de ingeniería establecidas. El estudio confirma que un sistema entrenado con datos históricos puede navegar la compleja conducta de los paneles solares de manera más efectiva que los algoritmos que dependen de fórmulas matemáticas fijas. Aunque los resultados provienen de una simulación y no de una prueba de hardware físico, la consistencia de los datos sugiere que el enfoque de la red neuronal posee una promesa significativa para aplicaciones en el mundo real. Al reducir el tiempo necesario para encontrar el mejor ajuste de potencia y minimizar la energía perdida por la oscilación, tal sistema podría ayudar a las granjas solares e instalaciones en tejados a generar más electricidad de la misma cantidad de luz solar. Los investigadores planean llevar estos hallazgos más allá, probando el sistema en hardware real y explorando formas de combinar este seguimiento inteligente con otras medidas de protección, con el objetivo de hacer que la energía solar sea aún más confiable y productiva.