Adaptative Sun Tracking Algorithm Using Weightless Neural Networks for Photovoltaic Systems
Autores
|
7549 |
3262,162,131
|
|
|
7550 |
3262,162,131
|
|
|
7551 |
3262,162,131
|
Informações:
Publicações do PESC
Combater as mudanças climáticas é um dos desafios mais importantes para a humanidade, segundo as Nações Unidas. A transição energética desempenha um papel fundamental nesse esforço, pois mais de 80% da energia global ainda é baseada em combustíveis fósseis. No entanto, a geração fotovoltaica tem crescido exponencialmente e agora possui um Custo Nivelado de Energia (LCOE) competitivo.
Estudos recentes buscam maneiras de melhorar a eficiência dos campos fotovoltaicos, apesar dos limites de eficiência dos módulos. Uma estratégia é o rastreamento solar, em que os painéis solares são conectados a eixos motorizados para manter a superfície no ângulo ótimo para a máxima irradiação solar. Uma grande quantidade do recurso disponível é perdida quando não se acompanha o movimento solar. Atualmente métodos estáticos são amplamente adotados, mas enfrentam dificuldades em ambientes com cobertura de nuvens e terreno irregular.
Este trabalho avalia o uso de aprendizado por reforço para enfrentar esses desafios. Através de um sistema de loop fechado, é possível melhorar a estratégia de posicionamento dos painéis solares, aprendendo com o feedback do próprio sistema. As principais estratégias de aprendizado por reforço foram aplicadas, com implementações baseadas em redes neurais sem pesos. O impacto de diferentes hiperparâmetros foi avaliado para obter uma compreensão mais profunda das forças e limitações do método proposto. Os resultados foram positivos, alcançando 99.11% da performance do método estático, mas obtendo melhor resultado em dias nublados e sem necessidade de alimentá-lo com detalhes sobre a topologia do ambiente. Isso indica um potencial para novos estudos explorando outras estratégias de aprendizado por reforço e estressando mais o algoritmo em contextos mais desafiadores.
Combating climate change is one of the most important challenges for humanity, according to the United Nations. The energy transition plays a fundamental role in this effort, as more than 80% of global energy is still based on fossil fuels. However, photovoltaic generation has been growing exponentially and now has a competitive Levelized Cost of Energy (LCOE).
Recent studies are seeking ways to improve the efficiency of photovoltaic fields despite the efficiency limits of the modules. One strategy is solar tracking, in which solar panels are connected to motorized axes to maintain the surface at the optimal angle for maximum solar irradiance. Currently, the challenge with solar tracking lies in environments with cloud cover and irregular terrain.
This work evaluates the use of reinforcement learning to address these challenges. Through a closed-loop system, it is possible to improve the positioning strategy of the solar panels, learning from the system's own feedback. The main reinforcement learning strategies were applied, with implementations based on weightless neural networks. The impact of different hyperparameters was evaluated to gain a deeper understanding of the strengths and limitations of the proposed method. The results were positive, achieving 99.11% of the performance of the static method while demonstrating superior outcomes on cloudy days and requiring no prior information about the environment's topology. This suggests potential for further studies exploring alternative reinforcement learning strategies and subjecting the algorithm to more challenging contexts.
