You are on page 1of 4

Tomando en cuenta lo planteado en la Unidad I, debes extraer del artculo

titulado Application of New Modeling and Control for grid connected photovoltaic
systems based on artificial intelligence 10 cognados, 10 falsos cognados, 5
palabras con prefijos y 5 palabras con sufijos. As mismo debes traducir lo que se
plantea en la Introduccin y Conclusin del artculo. Esta informacin debes subirla
en este espacio en un archivo en formato pdf.

10 Cognados:

English Spanish

Electricity Electricidad
Production Produccin
Energy Energa
Industry Industria
Fossil Fsil
Necessary Necesario
Alternative Alternativa
Renewable Renovable
Generation Generacin
Radiation Radiacin

10 Falsos cognados

English Spanish
lesser (laser) menor
Resource (resorte) recurso
also (alz) Tambin
Conducted (conducta) realizado
Field (fiel) campo
Several (severo) varios
Many (man) muchos
Design (designar) diseo
Close (closet) cerrado
Layer (ayer) capa
5 Sufijos 5 Prefijos

Renewable (Renew)+(able) Multi-Model

Available (Avail)+(able) Multi-input


Successful (Sucess)+(ful) Multi-output

Development (Develop)+(ment) Multi-architecture


Environment (Environ)+(ment) Multivariable

Introduccin:

En la actualidad, la produccin nacional de energa y la industria se basa en gran medida


de un recurso limitado: los combustibles fsiles.
Los recursos petroleros primarios son cada vez ms escasos y caros, mientras que la
demanda mundial de energa est aumentando continuamente. Por tanto, es necesario
encontrar una alternativa.
Como alternativa se planifica usar una fuente econmica de energa renovable con bajas
emisiones para la proteccin del medio ambiente, esto se ha convertido en un punto
importante para el bienestar global. La bsqueda de fuentes alternativas de energa tiene
un vuelto muy crucial. Muchos estudios cientficos han sido llevados a cabo, no slo en el
campo de la produccin de electricidad de las centrales nucleares, sino tambin en el
campo de las energas renovables, tales como la generacin de electricidad a partir de
viento o la radiacin solar.
El rendimiento de un sistema fotovoltaico (PV) es Altamente dependiente de las
condiciones climticas, como la solar, la radiacin y la temperatura del suelo, (produccin
intermitente). El uso racional de la energa solar y su inyeccin en las redes elctricas
impone la determinacin de generadores fotovoltaicos a mximo funcionamiento y
estimando la energa producida, el conocimiento pasa a travs modelando y optimizando
los sistemas fotovoltaicos.
En la literatura, se han propuesto varios investigadores mtodos para modelar y simular
los generadores fotovoltaicos basados en el modelo de un diodo. Sin embargo, muchos
de estos mtodos estn basados en el ajuste de las la curva matemtica visual I (V) en
los puntos de la curva experimental, que requiere la extraccin grfica de pendiente de la
curva en puntos determinados o requerir un anlisis experimental del dispositivo
fotovoltaico. Estos mtodos tienen inconvenientes, por las curvas experimentales I (V), no
siempre estn disponibles en los datos del fabricante, y los dispositivos para la medicin
de datos experimentales no siempre estn disponibles de igual forma. Otros
investigadores han propuesto mtodos de modelado basado en la modificacin de la
caracterstica electrnica de un diodo; modelo de una clula fotovoltaica (Hongmei et al.,
2012).
Algunos autores han propuesto mtodos usando un modelo de herramientas basadas en
el ajuste de la curva de P (V), pero este ltimo se basa slo en la caracterstica I (V) y el
pico de potencia del modelo resultante no es siempre el pico del poder de un dispositivo
real. Algunos investigadores tambin utilizan tcnicas de interpolacin (Koh et al., 1994).
Estos mtodos son de poca prctica y demasiado complejo para este tipo de aplicacin.
Adems, muchos estudios en la literatura generalmente consideran modelos
simplificados, donde la serie resistencias (Rs) y paralelo (Rsh) de los dispositivos
fotovoltaicos se ignoran (Zameer y Singh, 2013). Por otra parte, hay pocos estudios en la
literatura sobre PVGS de modelado, basado en redes neuronales artificiales (Ravinder et
al., 2014). Pero no hay casi en la literatura un modelado Estudiado basado en inteligencia
artificial, tales como un multi-modelo enfocado.
Las principales dificultades en la estrategia de control de los bienes de los sistemas
dinmicos son la no linealidad y la incertidumbre. El control del sistema requiere en
general desarrollo de un modelo matemtico que permita establecer la funcin de
transferencia del sistema que vincula las entradas y las salidas. Esto requiere un buen
conocimiento de la dinmica y las propiedades del sistema. En el caso no lineal del
sistema, las tcnicas convencionales tienden a mostrar sus lmites principalmente cuando
el sistema es estudiado, presenta fuertemente no linealidad. La falta del derecho al
conocimiento necesario para el desarrollo de la modelos matemticos es de alguna
manera el origen de los lmites (Mohammed et al., 2007).
El recurso a los mtodos de control artificial basado en la inteligencia se ha convertido en
una necesidad. Estos mtodos de control siguen un proceso de extraccin del
conocimiento del sistema que se estudia a partir de datos empricos recogidos, por como
para ser capaces de reaccionar frente a nuevas situaciones; este estrategia se conoce
como control inteligente (Panos et al., 1993; Rival et al., 1995).
Las redes neuronales artificiales se utilizan en el control inteligente debido al hecho de
que son universales parsimoniosa aproximadores (Panos et al., 1993; Rival et al., 1995) y
que tienen la capacidad de adaptarse a una dinmica evolucionando a travs del tiempo.
Adems, como multi-entrada y salida a mltiples sistemas, que pueden ser utilizados en el
marco del control de los sistemas multivariables.
Un anticipativo ANN hace una o ms funciones algebraica de sus entradas, por la
composicin de las funciones realizadas por cada una de sus neuronas (Dreyfus, 2002).
Estos se organizan en capas inter-conectados por un bien equilibrado de conexiones
sinpticas. El entrenamiento supervisado de una red neuronal consiste en modificar los
pesos de tener un comportamiento dado minimizando una funcin de coste a menudo
representada por el error cuadrtico (Panos et al., 1993; Cybenko, 1989).
Varios autores han tratado de explotar las ventajas de redes neuronales para el control de
un sistema dinmico (Mahmoud et al, 2012.; Zameer y Singh, 2013), precisamente, dentro
del campo de la robtica (Rival et al., 1995; Yildirim, 1997) y para el control de motores de
asincrona (Mohammed et al., 2007; Panos et al., 1993; Branstetter y Skotnica, 2000).
Ms detalles sobre los controladores de redes neuronales pueden ser encontrado en
Panos et al. (1993), Wishart y Harley (1995), Ronco y Gawthrop (1997), Hagan y Demuth
(1996), Wishart y Harley (1995), Ahmed et al. (2008), Tai et al. (1990), Hagan y Demuth
(1996), Chen et al. (1997), Norgaard (1996) y Van Doorn et al. (2009) hizo una estudio
comparativo entre el controlador PI, PID y un controlador basado en lgica difusa para un
control del inversor muestra que el controlador PI tiene mejores actuaciones, aunque el
controlador basado en lgica difusa es un ser inteligente uno.
En el trabajo presentado en este artculo, las capacidades de perceptrn multicapa (MLP)
para aprender el modelo inverso de los sistemas no lineales se utilizan para trabajar a
cabo el control de un inversor monofsico utilizado como una interfaz entre un generador
fotovoltaico (PVG) y una red elctrica. El objetivo es inyectar en la red tanta energia
fotovoltaica disponible, con una baja distorsin armnica total (THD) y una buena
referencia de seal de seguimiento a una caracterstica.

Conclusin:

La aplicacin del enfoque multi-modelo para la PVG era presentado en detalle en la


primera parte de este captulo. El objetivo es representar un generador fotovoltaico
compuesto por de Sharp 10 J. Electrn elctrica. Ing. Res. Mdulo con un conjunto de
modelos simples con validez limitada en reas bien definidas. La identificacin del
generador fotovoltaico multi-modelo se realiza en dos pasos:
1. La identificacin estructural (determinacin del nmero de modelos locales y
estructura);
2. La estimacin paramtrica de los modelos locales y los de funciones de validez
conocidas de antemano.

El modelo final obtenido es de un buen rendimiento con una correlacin de 89%. El multi-
modelo es capaz de describir el comportamiento del generador fotovoltaico. GPV el
modelo se utiliza para alimentar un inversor conectado a la red cuyo control por las redes
neuronales. El Desarrollo de un controlador neural basado MLP es presentar; Los datos
de entrenamiento y validacin del utilizado controlador neural se obtuvieron mediante
simulacin de la totalidad del sistema con varios controladores PI calculados para varios
condiciones meteorolgicas. Los resultados de la simulacin muestran que el controlador
neural da buenos resultados. La ventaja del controlador basado en una red neuronal es
que se adapta al cambio de las condiciones meteorolgicas.

Conflicto de intereses
Los autores no han declarado ningn conflicto de intereses.