Resumen

Se presenta una herramienta basada en un enfoque de redes neuronales híbridas para identificar el modelo fotovoltaico de un diodo. Se utilizan las capacidades de generalización de las redes neuronales junto con la robustez de la forma reducida del modelo de un diodo. De hecho, a partir de los estudios realizados por los autores y los trabajos presentes en la literatura, se encontró que un cálculo directo de los cinco parámetros a través de una red neuronal de múltiples entradas y múltiples salidas es una tarea muy difícil. La forma reducida consiste en una serie de fórmulas explícitas para el apoyo a la red neuronal que, en nuestro caso, tiene como objetivo predecir sólo dos parámetros de los cinco que identifican el modelo: los otros tres parámetros se calculan por forma reducida. El presente enfoque híbrido es eficiente desde el punto de vista del coste computacional y preciso en la estimación de los cinco parámetros. Constituye una herramienta completa y extremadamente fácil de implementar en una arquitectura basada en microcontroladores. Las validaciones se realizan sobre unos 10000 paneles fotovoltaicos pertenecientes a la base de datos de la Comisión de Energía de California.

• Materias:Energía solar Fotoquímica Electrodos Nanoestructuras Biopelículas
• Subjects:Solar energy Photochemistry Electrodes Nanostructures Biofilms
• Palabras claves:parámetros, modelo de diodos, red neuronal, base de datos de la comisión de energía de california, enfoque de red neuronal híbrida, punto de coste computacional, enfoque híbrido actual, forma, paneles fotovoltaicos, tarea difícil
• Keywords:parameters, diode model, neural network, california energy commission database, hybrid neural network approach, computational cost point, present hybrid approach, form, pv panels, difficult task