Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Regresión Lineal para la Identificación del Punto de Máxima Potencia en Microrredes Híbridas Implementado en HYPERSIM

Linear Regression for the Identification of the Maximum Power Point in Hybrid Microgrids Implemented in HYPERSIM




Sección
SISTEMAS ELÉCTRICOS DE POTENCIA

Cómo citar
Regresión Lineal para la Identificación del Punto de Máxima Potencia en Microrredes Híbridas Implementado en HYPERSIM. (2024). Revista Técnica "energía", 20(2), PP. 34-46. https://doi.org/10.37116/revistaenergia.v20.n2.2024.618

Dimensions
PlumX

Cómo citar

Regresión Lineal para la Identificación del Punto de Máxima Potencia en Microrredes Híbridas Implementado en HYPERSIM. (2024). Revista Técnica "energía", 20(2), PP. 34-46. https://doi.org/10.37116/revistaenergia.v20.n2.2024.618

Descargar cita

Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Carlos Lozada
David Panchi
Wilson Sánchez
Andrés Jacho

Artículos similares

1-10 de 87

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

Artículos más leídos del mismo autor/a

El presente trabajo se enfoca en la optimización del seguimiento de máxima potencia (MPPT) en sistemas fotovoltaicos mediante el empleo de un enfoque basado en regresión lineal. El objetivo principal consiste en desarrollar un algoritmo de MPPT que utilice técnicas de regresión lineal para mejorar la precisión en la identificación y seguimiento del punto de máxima potencia. El algoritmo propuesto se desarrolla en el software MATLAB/Simulink, validándose a través de pruebas experimentales. Posteriormente, se amplía la aplicación del algoritmo a una red eléctrica modelada y simulada en el entorno de la herramienta HYPERSIM, este software permitirá abordar de manera más detallada y precisa la dinámica instantánea de las variables eléctricas y de control en sistemas complejos, mediante la variación de variables como temperatura e irradiación.

La contribución innovadora de este trabajo no solo se circunscribe a la mejora de los algoritmos de MPPT, sino que también aborda de manera integral la integración de energías renovables en sistemas eléctricos. La eficacia del algoritmo basado en regresión lineal representa un avance crucial para maximizar la eficiencia y respuesta del control en sistemas fotovoltaicos. La optimización de la conversión de energía solar en electricidad utilizable no solo eleva la rentabilidad y sostenibilidad de estos sistemas, sino que también destaca el papel fundamental que desempeñan en la transición hacia un suministro eléctrico más sostenible.


Visitas del artículo 2378 | Visitas PDF 319


Descargas

Los datos de descarga todavía no están disponibles.
  1. M. S. Mahmoud, S. Azher Hussain, and M. A. Abido, “Modeling and control of microgrid: An overview,” J Franklin Inst, vol. 351, no. 5, pp. 2822–2859, 2014, doi: 10.1016/j.jfranklin.2014.01.016.
  2. C. G. Villegas-Mier, J. Rodriguez-Resendiz, J. M. Álvarez-Alvarado, H. Rodriguez-Resendiz, A. M. Herrera-Navarro, and O. Rodríguez-Abreo, “Artificial neural networks in mppt algorithms for optimization of photovoltaic power systems: A review,” Micromachines, vol. 12, no. 10. MDPI, Oct. 01, 2021. doi: 10.3390/mi12101260.
  3. M. A. G. De Brito, L. Galotto, L. P. Sampaio, G. De Azevedo Melo, and C. A. Canesin, “Evaluation of the main MPPT techniques for photovoltaic applications,” IEEE Transactions on Industrial Electronics, vol. 60, no. 3, pp. 1156–1167, 2013, doi: 10.1109/TIE.2012.2198036.
  4. N. Padmavathi, A. Chilambuchelvan, and N. R. Shanker, “Maximum Power Point Tracking During Partial Shading Effect in PV System Using Machine Learning Regression Controller,” Journal of Electrical Engineering and Technology, vol. 16, no. 2, pp. 737–748, Mar. 2021, doi: 10.1007/s42835-020-00621-4.
  5. C. Lozada and D. Panchi, “Implementación de Hardware In The Loop para el Análisis de Escenarios de Control de Frecuencia en una Microrred Utilizando WAMS,” Revista Técnica “energía,” vol. 19, no. 2, pp. 69–80, Jan. 2023, doi: 10.37116/revistaenergia.v19.n2.2023.558.
  6. M. Sarvi and A. Azadian, “A comprehensive review and classified comparison of MPPT algorithms in PV systems,” Energy Systems, vol. 13, no. 2. Springer Science and Business Media Deutschland GmbH, pp. 281–320, May 01, 2022. doi: 10.1007/s12667-021-00427-x.
  7. R. B. A. Koad, A. F. Zobaa, and A. El-Shahat, “A Novel MPPT Algorithm Based on Particle Swarm Optimization for Photovoltaic Systems,” IEEE Trans Sustain Energy, vol. 8, no. 2, pp. 468–476, Apr. 2017, doi: 10.1109/TSTE.2016.2606421.
  8. R. Rajesh and M. Carolin, “Renewable and Sustainable Energy Reviews,” Elsevier, 2015.
  9. Chiu Chian-Song, “T–S fuzzy maximum power point tracking control of solar power generation systems,” IEEE Trans Energy Convers , 2010.
  10. Peter Pradeep and Agarwal Vivek, “On the Input Resistance of a Reconfigurable Switched CapacitorDC–DC Converter - Based Maximum Power Point Tracker of a Photovoltaic Source,” IEEE Trans on Power Electronics , 2012.
  11. S. Motahhir, A. El Hammoumi, and A. El Ghzizal, “The most used MPPT algorithms: Review and the suitable low-cost embedded board for each algorithm,” Journal of Cleaner Production, vol. 246. Elsevier Ltd, Feb. 10, 2020. doi: 10.1016/j.jclepro.2019.118983.
  12. Daniel. Peña, Análisis de datos multivariantes. McGraw-Hill/Interamericana, 2002.
  13. “DATA MINING.”
  14. S. Bae and A. Kwasinski, “Dynamic modeling and operation strategy for a microgrid with wind and photovoltaic resources,” IEEE Trans Smart Grid, vol. 3, no. 4, pp. 1867–1876, 2012, doi: 10.1109/TSG.2012.2198498.
  15. Institute of Electrical and Electronics Engineers., Simulation Conference, 2008. WSC 2008. Winter : [7-10 December, 2008, InterContinental Hotel, Miami, Florida, USA]. IEEE Service Center, 2008.
Sistema OJS 3.4.0.9 - Metabiblioteca |