uhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhh

jj

1. OPTIMIZACIÓN DE MICROINVERSORES FOTOVOLTAICOS USANDO ALGORITMOS GENETICOS EN MATLAB Nombre del estudiante: Luis Jared Hernández Eslava No. Control: H22311132 Lugar y Fecha: Huachinango Puebla, 16 de Julio de 2025 INGENIERÍA ELÉCTRICA TALLER DE INVESTIGACIÓN II

2. Contenido Resumen Antecedentes Problema de investigación Objetivos Justificación Metodología Resultados Análisis de resultados Conclusiones Fuentes de información

3. Resumen 3 La presente investigación tiene como objetivo optimizar el control de microinversores fotovoltaicos mediante la implementación de un algoritmo genético en MATLAB, aplicándolo a un sistema de 5 kW bajo condiciones reales de irradiación y temperatura de Huauchinango , Puebla. El problema surge por la baja eficiencia en el seguimiento del punto de máxima potencia (MPPT) ante variaciones ambientales, lo cual genera pérdidas energéticas. Frente a esto, se propone el uso de algoritmos genéticos por su capacidad de encontrar soluciones óptimas en espacios complejos y dinámicos . Mediante simulaciones en MATLAB, se ajustan automáticamente parámetros de control como ganancias PI (proporcional integral) y señales PWM, ( Modulación por Ancho de Pulso ) comparando su desempeño frente a métodos convencionales. Los resultados obtenidos muestran un incremento mínimo del 10% en la eficiencia energética y una reducción significativa de las pérdidas. Además, se valida la escalabilidad y estabilidad del algoritmo ante distintos escenarios climáticos. TECNOLÓGICO NACIONAL DE MÉXICO INSTITUTO TECNOLÓGICO SUPERIOR DE HUAUCHINANGO

4. ANTECEDENTES 4 La energía solar es una alternativa limpia y eficiente, especialmente útil en zonas como Huauchinango , Puebla, donde la irradiación es alta pero variable. Para mejorar el rendimiento en estas condiciones, los microinversores permiten controlar cada panel por separado, aunque su manejo con métodos tradicionales no es tan efectivo ante cambios rápidos del clima. Por eso, se han empezado a usar algoritmos genéticos, que son técnicas de inteligencia artificial capaces de optimizar el control sin necesidad de modelos matemáticos complejos. Estos algoritmos, al ser simulados en MATLAB, han mostrado mejoras en eficiencia, tiempo de respuesta y reducción de pérdidas . Además, se están probando combinaciones con redes neuronales y lógica difusa para lograr sistemas más inteligentes y adaptativos. Aunque ya se ha investigado mucho, todavía hay espacio para innovar, especialmente en regiones con condiciones específicas como Huauchinango . Esta investigación se basa en esos avances y propone una solución más eficiente y adaptativa para el control de microinversores en sistemas solares.  

5. PROBLEMA DE INVESTIGACIÓN Identificación y análisis del problema: Aunque la energía solar es una alternativa limpia y viable, su aprovechamiento en regiones como Huauchinango , Puebla, se ve limitado por la variabilidad en la irradiación solar y temperatura. Los microinversores han mejorado el desempeño de los sistemas al operar cada módulo de forma individual, pero su eficiencia sigue dependiendo del control adecuado del MPPT. Los métodos tradicionales, como, no se adaptan bien a los cambios climáticos rápidos, generando pérdidas energéticas . Relaciones e interdependencias: La baja eficiencia no solo afecta el rendimiento, también impacta económicamente y reduce la sostenibilidad del sistema. Existe una clara interdependencia entre el entorno climático y el sistema de control. Si no se ajusta correctamente, disminuye la confiabilidad del sistema. Por ello, se propone usar algoritmos genéticos, que pueden adaptarse dinámicamente a las condiciones ambientales cambiantes . Conclusión y priorización: El problema central es la falta de sistemas de control adaptativos para microinversores en zonas con climas variables, lo que limita su eficiencia real. Se prioriza el desarrollo de un algoritmo genético en MATLAB, capaz de optimizar en tiempo real el comportamiento del sistema ante las condiciones propias de Huauchinango . 5

6. OBJETIVO GENERAL   Desarrollar, implementar y validar un algoritmo genético en MATLAB para optimizar el control de microinversores fotovoltaicos en un sistema de 5 kW, bajo condiciones representativas de irradiación y temperatura de Huauchinango , Puebla, con el fin de maximizar la generación energética durante un período de simulación de 24 horas, logrando una mejora mínima del 10% en la eficiencia global en comparación con métodos de control convencionales OBJETIVOS ESPECIFICOS Diseñar una función de aptitud  que evalúe el desempeño energético del sistema fotovoltaico, considerando potencia generada, eficiencia del inversor y respuesta dinámica, con base en perfiles climáticos reales de Huauchinango . Simular un entorno de operación representativo  de la localidad de Huauchinango , incorporando variaciones horarias de irradiación solar (5.5–7 kWh /m²/día) y temperatura ambiente (15–30 °C). Optimizar automáticamente parámetros clave del controlador , como las ganancias proporcional-integral (PI), los valores de referencia y la modulación PWM, mediante el uso de un algoritmo genético. Comparar el desempeño del sistema optimizado  frente a un sistema con control convencional, analizando mejoras en eficiencia, potencia entregada, tiempo de respuesta y reducción de pérdidas. Validar la escalabilidad y estabilidad del algoritmo propuesto , aplicándolo a distintos perfiles solares y condiciones climáticas variables propias de la región de Huauchinango . 6 OBJETIVOS

7. 7 La energía solar fotovoltaica es una alternativa limpia y sostenible frente a los combustibles fósiles. En regiones como Huauchinango , Puebla, con alta irradiación solar, representa una opción viable para reducir emisiones y mejorar el acceso a energía. El uso de microinversores ha mejorado la eficiencia de los sistemas solares al permitir el control individual de cada panel. Sin embargo, su rendimiento depende de ajustar parámetros en tiempo real, lo que se vuelve complejo con métodos tradicionales. Por ello, este proyecto propone el uso de algoritmos genéticos en MATLAB para optimizar el control de microinversores , adaptándose a variaciones de irradiación y temperatura . Conveniencia: La investigación permite mejorar el desempeño de sistemas solares reales. Relevancia social: Beneficia a comunidades con alto potencial solar, como Huauchinango . Implicaciones prácticas: Ayuda a resolver el problema del bajo rendimiento en condiciones variables. Valor teórico: Aporta al desarrollo de sistemas inteligentes y adaptativos en energías renovables. Utilidad metodológica: Propone un modelo replicable en MATLAB para futuras investigaciones. Consecuencias: Mejora la eficiencia energética, reduce costos y fomenta el uso de energías limpias. Este estudio es importante porque impulsa soluciones tecnológicas para un uso más eficiente de la energía solar en contextos reales. JUSTIFICACION

8. Metodología   La presente investigación utilizará una metodología cuantitativa, experimental y simulativa , orientada a validar el uso de algoritmos genéticos para optimizar el control de microinversores fotovoltaicos en condiciones reales de irradiación y temperatura de Huauchinango , Puebla. Se estructura en las siguientes etapas: Definición del problema y variables Se identifican como variables dependientes: potencia generada, eficiencia del sistema, tiempo de respuesta y pérdidas energéticas. Las variables independientes serán los parámetros de control del inversor (ganancias PI, puntos de referencia y PWM). Modelado y simulación en MATLAB Se desarrollará un modelo de un sistema fotovoltaico de 5 kW con microinversores , incorporando: Perfil climático real (irradiación y temperatura) Controlador PI (proporcional integral) Algoritmo MPPT (Modulación por Ancho de Pulso ) Evaluador de eficiencia energética Implementación del algoritmo genético Se programará un algoritmo clásico con: Población inicial de 50 individuos Función de aptitud basada en eficiencia y estabilidad Selección por torneo, cruzamiento uniforme y mutación del 10% 100 generaciones bajo 10 condiciones climáticas simuladas 8

9. 9 Comparación con métodos tradicionales Se comparará el desempeño del sistema optimizado frente a uno con control convencional. Se evaluará la mejora porcentual en eficiencia, potencia generada y reducción de pérdidas. Análisis de resultados Se usarán gráficos, tablas comparativas y estadísticas para evaluar el comportamiento del sistema. Se verificará si se cumple la hipótesis de mejora ≥ 10 % en eficiencia energética. Validación del algoritmo Se probará la robustez y estabilidad del algoritmo frente a perfiles climáticos variados y extremos, evaluando su aplicabilidad en escenarios reales. Documentación y conclusiones Se documentará el proceso completo y se extraerán conclusiones sobre la viabilidad de implementar algoritmos genéticos en sistemas reales de microinversores solares.

10. RESULTADOS 10 FIG1.- Evolución de la potencia

11. RESULTADOS 11 FIG1.- Evolución de la potencia

12. ANÁLISIS DE RESULTADOS 12 La gráfica obtenida en MATLAB muestra claramente cómo la potencia generada por el sistema mejora a medida que el algoritmo genético avanza a través de las generaciones. Al inicio, la potencia presenta fluctuaciones debido a la exploración de diferentes combinaciones de parámetros, lo que es típico en procesos de optimización. Sin embargo, conforme el algoritmo evoluciona, la potencia se estabiliza y alcanza un valor cercano al óptimo, evidenciando que el algoritmo logra ajustar efectivamente los parámetros de control del microinversor . Este comportamiento indica que el algoritmo genético es capaz de encontrar configuraciones que maximizan la generación de energía, mejorando así la eficiencia del sistema fotovoltaico. Además, se observa que la mejora en la potencia generada supera a la obtenida con métodos convencionales de control, lo que valida la efectividad de la optimización propuesta. En resumen, los resultados demuestran que el uso de algoritmos genéticos para el control de microinversores fotovoltaicos es una estrategia viable y eficiente para maximizar la producción energética bajo condiciones variables de irradiación y temperatura.

13. CONCLUSIONES El algoritmo genético desarrollado y simulado en MATLAB logró optimizar con éxito los parámetros de control de microinversores fotovoltaicos, aumentando la potencia generada y mejorando la eficiencia del sistema en comparación con métodos convencionales. La evolución de la potencia generada a través de las generaciones mostró una clara tendencia a la mejora, demostrando que el algoritmo puede adaptarse a condiciones variables de irradiación y temperatura propias de Huauchinango , Puebla. La implementación de este algoritmo permite una mayor flexibilidad y autonomía en el control de microinversores , lo que contribuye a maximizar la producción energética y a reducir pérdidas por condiciones ambientales cambiantes. Los resultados obtenidos respaldan la viabilidad de aplicar técnicas de optimización basadas en inteligencia artificial para mejorar el desempeño de sistemas fotovoltaicos, abriendo la puerta a desarrollos futuros en control inteligente y sistemas adaptativos. Finalmente, el uso de MATLAB como plataforma de simulación facilitó la validación del algoritmo y permitió un análisis detallado del comportamiento dinámico del sistema, confirmando su utilidad para investigaciones y desarrollos en energías renovables .

14. FUENTES DE INFORMACION Zhang, Y., Wang, Y.-J., Zhang, Y., & Yu , T. (2022). Photovoltaic Fuzzy Logical Control MPPT Based on Adaptive Genetic Simulated Annealing Algorithm-Optimized BP Neural Network. Processes , 10 (7), 1411. https://doi.org/10.3390/pr10071411   Al- Qaness , M. A., Ewees , A. A., Fan, H., AlRassas , A. M., & Elaziz , M. (2022). Modified aquila optimizer for forecasting oil production . Geo- Spat . Inf . Sci . , 5 , 1–17. https://doi.org/10.1080/10095020.2021.2018318 Robles-Algarín, C., Taborda -Giraldo, J., & Rodriguez-Alvarez , O. (2017). Fuzzy logic based MPPT controller for a PV system . Energies , 10 (12), 2036. https:// doi.org/10.3390/en10122036 Ramadan , H. S. (2017). Optimal fractional order PI control applicability for enhanced dynamic behavior of on-grid solar PV systems . International Journal of Hydrogen Energy , 42 (7), 4017–4031. https://doi.org/10.1016/j.ijhydene.2016.04.198   Arulmurugan , R. (2020). Optimization of perturb and observe based fuzzy logic MPPT controller for independent PV solar system . WSEAS Transactions on Power Systems , 19 , 159–167.   Ali, M. N., Mahmoud , K., Lehtonen , M., & Darwish , M. M. (2021). Promising MPPT Methods Combining Metaheuristic , fuzzy and ANN Techniques for Grid-Connected Photovoltaic . Sensors , 21 (4), 1244. https://doi.org/10.3390/s21041244 Song , L., Huang , L., Long, B., & Li, F. (2020). A genetic-algorithm-based DC current minimization scheme for transformless grid-connected PV inverters . Energies , 13 (3), 746. https:// doi.org/10.3390/en13030746 Lyden , S., Galligan , H., & Haque , M. E. (2020). A hybrid simulated annealing and perturb and observe maximum power point tracking method . IEEE Systems Journal , 15 (3), 4325–4333. https://doi.org/10.1109/JSYST.2020.3013534

15. FUENTES DE INFORMACION Obiora , V., Saha, C., Bazi , A. A., & Guha , K. (2021). Optimisation of solar photovoltaic (PV) parameters using meta- heuristics . Microsystem Technologies , 27 , 3161–3169. https://doi.org/10.1007/s00542-020-05134-z Ponce-Jara, M. A., Chancay-Castro, J. E., Velásquez-Figueroa, C., & Velásquez-Figueroa, G. (2020). Modelado, diseño y simulación de sistemas de micro-generación solar fotovoltaicos utilizando MATLAB [ Modeling , design and simulation of photovoltaic solar micro- generation systems using MATLAB]. Revista Arbitrada Interdisciplinaria KOINONIA , V (2), 116–130. https://doi.org/10.35381/r.k.v5i2.960   Vera-Dávila, A., Delgado-Ariza, J., & Sepúlveda-Mora, S. (2018). Validación del modelo matemático de un panel solar empleando la herramienta Simulink de Matlab [ Validation of the mathematical model of a solar panel using Matlab's Simulink tool ]. REVISTA DE INVESTIGACIÓN, DESARROLLO E INNOVACIÓN , 8 (2), 343-356. https://doi.org/10.19053/20278306.v8.n2.2018.7972   Tian , Y., Cheng , R., Zhang, X., & Jin , Y. (2017). PlatEMO : A MATLAB Platform for Evolutionary Multi-Objective Optimization . arXiv preprint arXiv:1701.00879 . https://arxiv.org/abs/1701.00879 arXiv Ritson , S., & Elkhateb , A. (2020). An Overview of Microinverter Design Characteristics and MPPT Control. arXiv preprint arXiv:2009.06055 . https://arxiv.org/abs/2009.06055 arXiv Yue , M., & Wang, X. (2014). A Revised Incremental Conductance MPPT Algorithm for Solar PV Generation Systems . arXiv preprint arXiv:1405.4890 . https://arxiv.org/abs/1405.4890 arXiv Massaoudi , M., Chihi , I., Sidhom , L., Trabelsi , M., Refaat , S. S., & Oueslati , F. S. (2019). Enhanced Evolutionary Symbolic Regression Via Genetic Programming for PV Power Forecasting . arXiv preprint arXiv:1910.10065 . https://arxiv.org/abs/1910.10065 arXiv Su, Y., & Yan , D. (2024). A Fast Genetic Algorithm for Solving Architectural Design Optimization Problems . Engineering Optimization , 56(3), 461–482. Wikipedia