Principales aplicaciones de modelos de lógica difusa en sistemas de energía renovable fotovoltaica: difusos, híbiridos y de decisión multicriterio.
Energía Renovable
La energía juega un papel fundamental en el desarrollo de todos los países. Este sector actualmente está dominado por combustibles fósiles (principalmente petróleo y carbón) utilizados para generación de electricidad y posteriormente para iluminación, calefacción y refrigeración en el usuario final.
Sin embargo, el calentamiento global generado por el consumo intensivo de combustibles fósiles se ha convertido en un fenómeno a gran escala.
Para mitigar este fenómeno, la alternativa está en la energía renovable, que es ambientalmente amigable y es cada vez más asequible gracias tanto al cambio tecnológico y a los beneficios de la producción en masa, como la competencia en el mercado.
Además de contrarrestar el calentamiento global, se ha demostrado que, en países desarrollados, la energía renovable ayudó a reducir los niveles de pobreza en tanto como proporcionó oportunidades de negocios y empleabilidad. Sin embargo, se argumenta que la energía renovable es intermitente en cuanto a su utilización y por lo tanto poco confiable.
Lógica Difusa
Para hacer frente a este argumento, diversas metodologías, técnicas y tecnologías han sido desarrolladas para poder brindar la mayor confiabilidad y rendimiento posibles a la generación de energía renovable. Entre estas metodologías, destaca la Lógica Difusa, la cual ayuda a conceptualizar la falta de definición de un sistema en un parámetro cuantificable nítido.
Se trata de un razonamiento aproximado que también tiene “valores lingüísticos” en lugar de valores nítidos. La lógica difusa maneja el concepto de “valor de verdad” que oscila entre los valores típicos de la lógica clásica: completamente verdadero y completamente falso (0-1). Junto con la probabilidad, son formas de expresar una incerteza.
Para una explicación sencilla (y a la vez detallada) de la Lógica Difusa, clic aquí.
Aplicaciones de Lógica Difusa en sistemas de energía fotovoltaico
La literatura al respecto, clasifica estos modelos en: difusos, híbridos y de decisión multicriterio [1].
A continuación, se describe las principales aplicaciones de la lógica difusa en sistemas de energía renovable desarrolladas:
Tamaly y Mohammed [2] determinaron el impacto de interconectar el sistema de energía fotovoltaica (PV) desde el punto de vista de la confiabilidad utilizando un índice de confiabilidad basado en lógica difusa para cada sistema híbrido de energía eléctrica.
Zheng et al. [3] compararon la versatilidad de pronóstico para generación PV (y eólica) con modelos de predicción tales como Filtro de Kalman, minería de datos, transformada de Wavelet e inteligencia artificial tales como redes neuronales, inferencia difusa y algoritmo de inteligencia biológica.
Benachaiba et al. [4] aplicaron técnicas de lógica difusa dentro de un sistema de energía Microgrid. Fue utilizado para rastrear la perturbación de la red y mejorar la calidad del sistema.
Dado que el Smart Grid es un tema emergente de interés entre investigadores y profesionales, se debe precisar que la principal preocupación en la implementación de estos sistemas es la integración de fuentes de energía renovable para la distribución óptima de electricidad.
En esa línea, Mohamed y Mohammed [5] han propuesto un algoritmo para optimizar la operación del sistema de distribución utilizando un controlador inteligente basado en difuso en un Smart Grid considerando el costo y la estabilidad del sistema. El algoritmo tiene como objetivo controlar la energía disponible de diferentes fuentes y, al mismo tiempo, priorizar las fuentes de energía renovables.
La lógica difusa se usó para modelar y estimar la energía solar utilizando la disponibilidad de luz solar, la ubicación de temperatura, etc. para aplicaciones de red inteligente [6].
Mamlook y Col. [7] presentaron una metodología de conjunto difuso para comparar la relación costo/beneficio de diferentes sistemas solares para diversas aplicaciones en Jordania.
Zhang et al. [8] propuso una estrategia de gestión de energía en edificios que usan PV. La gestión de energía en edificios usando energía PV se vuelve compleja por varias razones tales como suministro intermitente, almacenamiento, variación de potencia. Los objetivos del modelo son reducir el costo del pago por energía y las emisiones de CO2 usando lógica difusa.
Altas y Sharaf [9] afirman que un controlador basado en lógica difusa puede ser utilizado en aplicaciones como control de tensión, estabilizadores de sistemas de potencia y aplicaciones de control de velocidad.
La lógica difusa también se ha utilizado para predecir la radiación solar. Sen [10] desarrolló un algoritmo difuso que utiliza variables lingüísticas para estimar la irradiación solar. El enfoque difuso se aplica en tres sitios para medir la irradiación solar en Turquía.
Gómez y Casanovas [11] llevaron a cabo un agrupamiento difuso de la radiación solar en superficies inclinadas. El uso de «fuzzy» optimiza el número y la definición de las categorías de cielo.
La magnitud de la radiación solar es esencial para determinar el tamaño de los sistemas solares PV.
Herramientas tradicionales para pronóstico tales como regresión, series de tiempo, método Winter y ARIMA pueden mejorar su rendimiento al integrarlos con modelos fuzzy o neuro-fuzzy. [12].
La revisión indica que varios investigadores han trabajado en el controlador de lógica difusa para MPPT (Maximum Power Point Tracking – Seguimiento del punto de máxima potencia) en sistemas solares fotovoltaicos.
Algunos investigadores han usado modelos de lógica difusa para la selección de sitios de granjas solares. La revisión destaca claramente cómo los modelos basados en difusos son mejores en términos de evaluar de manera realista el sitio, los recursos, u optimizar el funcionamiento, o predecir la radiación, o evaluar las alternativas, o para el seguimiento del punto de máxima potencia.
El uso de sistemas basados en lógica difusa mejora el funcionamiento y rendimiento de cualquier sistema, por lo que varios investigadores han empezado a experimentar con sistemas difusos integrados sea en forma de controladores o con técnicas.
Zhang y col. [13] han desarrollado un modelo limitado de probabilidad difusa considerando la respuesta a la demanda y los vehículos eléctricos para promover el uso de la energía eólica. Se realizó un estudio numérico sobre el modelo y se descubrió que el modelo promueve la utilización de la energía eólica, lo que lo hace más ecológico y económico.
En la figura 1 se muestra gráficamente el consolidado de los distintos modelos difusos aplicados en sistemas de energía solar.
Alcance de la investigación con base difusa en el modelado de energía renovable. El eje “x” representa el año, el eje “y” representa la complejidad de la técnica (de forma incremental). Las técnicas son: 1=fuzzy regression, 2=neuro-fuzzy, ANFIS, 3=Fuzzy AHP, ANP, 4=fuzzy clustering, 5=fuzzy optimization, 6=neuro-fuzzy DEA, 7=fuzzy GA, 8=neuro-fuzzy GA, 9=fuzzy expert, 10=neuro-fuzzy expert, 11=fuzzy MCDM, 12=fuzzy TOPSIS, VIKOR, 13=fuzzy PSO, 14=fuzzy honey bee optmization, 15=fuzzy PSO, QPSO, Cuckoo optimization. Nota: el número dentro de la burbuja indica la técnica (y su complejidad) y el tamaño de la burbuja indica el número de publicaciones (de forma relativa).
La Figura 1 destaca claramente cómo el número de investigaciones con Fuzzy ha aumentado a lo largo de los años.
Más importante aún se ve que la mayoría de la investigación cercana al eje «x» indica que la investigación se está llevando a cabo actualmente con modelos difusos más simples en gran medida. Se está realizando muy poco trabajo de investigación con modelos de orden superior, como TOPSIS y VIKOR.
Sin embargo, con el avance de la tecnología en hardware y software, los investigadores han empezado a trabajar en estos modelos (también PSO, honey bee optimization) en años recientes. Pero todavía hay una brecha de investigación en esta área.
Las publicaciones de investigación a lo largo de los años basadas en la agrupación anterior se muestran en la figura 2.
Investigación en modelado de energía solar utilizando técnicas basadas en sistemas difusos. Las técnicas fueron aplicadas como 1=modelos difusos, 2=modelos híbridos, 3= modelos MCDM. Modelos difusos incluyen regresión difusa, fuzzy AHO, fuzzy ANP, fuzzy clustering. Modelos híbridos incluyen: Neuro-fuzzy, ANFIS, fuzzy AHP, ANO, neuro-fuzzy DEA, fuzzy GA, neuro-fuzzy GA, fuzzy expert, neuro-fuzzy expert, los modelos MCDM incluyen fuzzy optmization, fuzzy TOPSIS, VIKOR, fuzzy PSO, fuzzy honey bee optimization, fuzzy PSO, QPSO, cuckoo optimization. Nota. El número dentro de cada burbuja indica el tamaño de la burbuja, que es representativa a las publicaciones de investigación.
La figura 2 destaca las investigaciones extensivas realizadas en el sector “solar”. También se muestra que la mayoría de las investigaciones han utilizado modelos híbridos. Los modelos MCDM son muy pocos y están ganando impulso en años recientes.
Conclusiones
Controladores difusos (Fuzzy Logic Controller – FLC) han sido desarrollados ampliamente en aplicaciones para MPPT, así como para el control de flujo de potencia desde fuentes de energía renovable. Fuzzy AHP, Fuzzy DEA, Fuzzy GA, Fuzzy PSO, Fuzzy honey bee optimization han sido explorados en el modelamiento de energía solar. (también para aplicaciones eólicas y biomasa).
Se ha verificado que las predicciones con métodos comunes como ARIMA, series de tiempo, Winter, etc. Mejoran con la integración de modelos difusos.
Algoritmos y técnicas muy complejas han sido desarrolladas últimamente, tales como PSO, TOPSIS y VIKOR y gracias a los progresos en la capacidad de computo es posible que estos complejos modelos sean amigables para el usuario.
Se ha encontrado que el rendimiento y el funcionamiento de los modelos basados en difusos en los sistemas de energía renovable mejoran varias veces, ya sea en la optimización de energía, la selección del sitio, la velocidad variable o el control de temperatura.
Referencias
[2] El-Tamaly HH, Mohammed AAE. Impact of interconnection photovoltaic/ wind system with utility on their reliability using a fuzzy scheme. Renew Energy 2006; 31:2475–91.
[3] Zheng ZW, Chen YY, Huo MM, Zhao B. An overview: the development of prediction technology of wind and photovoltaic power generation. Energy Procedia 2011; 12:601–8.
[4] Benachaiba C, Haidar AMA, Habab M, Abdelkhalek O. Smart control of UPCQ within micro-grid energy system. Energy Procedia 2011; 6:503–12.
[5] Mohamed A, Mohammed O. Real-time energy management scheme for hybrid renewable energy systems in smart grid applications. Electr Power Syst Res 2013; 96:133–43.
[6] Rizwan M, Jamil M, Kirmani S, Kothari DP. Fuzzy logic based modeling and estimation of global solar energy using meteorological parameters. Energy 2014; 70:685–91.
[7] Mamlook R, Akash BA, Nijmeh S. Fuzzy sets programming to perform evaluation of solar systems in Jordan. Energy Convers Manag 2001; 42:1717–26.
[8] Zhang H, Davigny A, Colas F, Poste Y, Robyns B. Fuzzy logic based energy management strategy for commercial buildings integrating photovoltaic and storage systems. Energy Build 2012; 54:196–206.
[9] Altas IH, Sharaf AM. A fuzzy logic power tracking controller for a photovoltaic energy conversion scheme. Electr Power Syst Res 1992; 25:227–38.
[10] Sen Z. Fuzzy algorithm for estimation of solar irradiation from sunshine duration. Sol Energy 1998;63(1):39–49.
[11] Gomez V, Casanovas A. Fuzzy modeling of solar irradiance on inclined surfaces. Sol Energy 2003; 75:307–15.
[12] Chaabene M, Ammar MB. Neuro-fuzzy Dynamic model with Kalman filter to forecast irradiance and temperature for solar energy systems. Renew Energy 2008; 33:1435–43.
[13] Sarrias-Mena R, Fernández-Ramírez LM, García-Vázquez CA, Jurado F. Fuzzy logic based power management strategy of a multi-MW doubly-fed induction generator wind turbine with battery and ultracapacitor. Energy 2014; 70:561–76.
Engineer and researcher.
