Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos

Photovoltaic solar energy has proven to be a viable alternative that contributes not only to sustainable development but also to ensuring energy supply around the world. The exponential growth of installed capacity in recent years has highlighted the need to ensure the safe operation and reliability...

ver descrição completa

Na minha lista:
Detalhes bibliográficos
Autor principal: Vieira, Romênia Gurgel
Outros Autores: Araújo, Fábio Meneghetti Ugulino de
Formato: doctoralThesis
Idioma:pt_BR
Publicado em: Universidade Federal do Rio Grande do Norte
Assuntos:
Energia solar
Módulos fotovoltaicos
Faltas em sistemas fotovoltaicos
Detecção de faltas
Inteligência artificial
Endereço do item:https://repositorio.ufrn.br/handle/123456789/46008
Tags: Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
id ri-123456789-46008
record_format dspace
institution Repositório Institucional
collection RI - UFRN
language pt_BR
topic Energia solar
Módulos fotovoltaicos
Faltas em sistemas fotovoltaicos
Detecção de faltas
Inteligência artificial
spellingShingle Energia solar
Módulos fotovoltaicos
Faltas em sistemas fotovoltaicos
Detecção de faltas
Inteligência artificial
Vieira, Romênia Gurgel
Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos
description Photovoltaic solar energy has proven to be a viable alternative that contributes not only to sustainable development but also to ensuring energy supply around the world. The exponential growth of installed capacity in recent years has highlighted the need to ensure the safe operation and reliability of photovoltaic systems. In this context, the occurrence of faults in such systems is a crucial issue, as it can significantly impact the generated power, decrease the modules lifetime, and cause potential risks in the operation. Thus, this research applied artificial intelligence techniques to detect and diagnose faults in photovoltaic modules. The faults identified by the proposed methods are short-circuit modules, string disconnection, and partial shading. Algorithms that detect isolated faults were developed, namely: multilayer perceptron neural network, probabilistic neural network, and a neuro-fuzzy method, which combines the use of a neural network with fuzzy logic. All trained algorithms used data simulated through MATLAB/Simulink® software and tested with experimental data from three different photovoltaic systems. Two of the studied photovoltaic systems are power plants installed at the University of Huddersfield, with 2.2 kWp and 4.16 kWp of installed power. The third photovoltaic system has a maximum power of 5 kWp and is installed at the Federal Technological University of Paraná. Additionally, training situations in which the dataset was contaminated by random noise were also considered. The results indicated maximum accuracy of 99.1% for the lack of short-circuited modules, 100% for string disconnection, and 82.2% for the lack of partial shading. Furthermore, the analyzes allowed to reaffirm the robustness of the multi-layer perceptron network for fault detection in photovoltaic systems, even with the presence of noise in the training data.
author2 Araújo, Fábio Meneghetti Ugulino de
author_facet Araújo, Fábio Meneghetti Ugulino de
Vieira, Romênia Gurgel
format doctoralThesis
author Vieira, Romênia Gurgel
author_sort Vieira, Romênia Gurgel
title Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos
title_short Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos
title_full Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos
title_fullStr Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos
title_full_unstemmed Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos
title_sort aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos
publisher Universidade Federal do Rio Grande do Norte
publishDate 2022
url https://repositorio.ufrn.br/handle/123456789/46008
work_keys_str_mv AT vieiraromeniagurgel aplicacaodetecnicasdeinteligenciaartificialparaidentificacaodefaltasemmodulosfotovoltaicos
_version_ 1773958191430762496
spelling ri-123456789-460082022-05-02T15:31:08Z Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos Vieira, Romênia Gurgel Araújo, Fábio Meneghetti Ugulino de http://lattes.cnpq.br/0910758067547904 http://lattes.cnpq.br/5473196176458886 Maitelli, André Laurindo http://lattes.cnpq.br/0477027244297797 Salazar, Andres Ortiz http://lattes.cnpq.br/7865065553087432 Carvalho Neto, João Teixeira de http://lattes.cnpq.br/6517981413434811 Vale, Marcelo Roberto Bastos Guerra http://lattes.cnpq.br/5510574256894005 Energia solar Módulos fotovoltaicos Faltas em sistemas fotovoltaicos Detecção de faltas Inteligência artificial Photovoltaic solar energy has proven to be a viable alternative that contributes not only to sustainable development but also to ensuring energy supply around the world. The exponential growth of installed capacity in recent years has highlighted the need to ensure the safe operation and reliability of photovoltaic systems. In this context, the occurrence of faults in such systems is a crucial issue, as it can significantly impact the generated power, decrease the modules lifetime, and cause potential risks in the operation. Thus, this research applied artificial intelligence techniques to detect and diagnose faults in photovoltaic modules. The faults identified by the proposed methods are short-circuit modules, string disconnection, and partial shading. Algorithms that detect isolated faults were developed, namely: multilayer perceptron neural network, probabilistic neural network, and a neuro-fuzzy method, which combines the use of a neural network with fuzzy logic. All trained algorithms used data simulated through MATLAB/Simulink® software and tested with experimental data from three different photovoltaic systems. Two of the studied photovoltaic systems are power plants installed at the University of Huddersfield, with 2.2 kWp and 4.16 kWp of installed power. The third photovoltaic system has a maximum power of 5 kWp and is installed at the Federal Technological University of Paraná. Additionally, training situations in which the dataset was contaminated by random noise were also considered. The results indicated maximum accuracy of 99.1% for the lack of short-circuited modules, 100% for string disconnection, and 82.2% for the lack of partial shading. Furthermore, the analyzes allowed to reaffirm the robustness of the multi-layer perceptron network for fault detection in photovoltaic systems, even with the presence of noise in the training data. A energia solar fotovoltaica tem se mostrado como alternativa viável que vem a contribuir não somente com o desenvolvimento sustentável, como também na garantia de suprimento energético ao redor do mundo. O crescimento exponencial da capacidade instalada nos últimos anos tem evidenciado a necessidade de garantir a operação segura e confiabilidade dos sistemas fotovoltaicos. Neste contexto, a ocorrência de faltas em tais sistemas é uma questão crucial, uma vez que pode impactar significativamente na potência gerada, diminuir a vida útil e causar potenciais riscos na operação. Desta forma, esta pesquisa aplicou de técnicas de inteligência artificial para detecção e diagnóstico de faltas em módulos fotovoltaicos. As faltas identificadas pelos métodos propostos são: módulos em curto-circuito, desconexão de strings e sombreamento parcial. Foram desenvolvidos algoritmos que dectectam as faltas isoladamente, sendo estes: rede neural perceptron de múltiplas camadas, rede neural probabilística e um método neuro-fuzzy, que combina o uso de uma rede neural com lógica fuzzy. Todos os algoritmos treinados utilizado dados simulados através do software MATLAB/Simulink® , e testados com dados experimentais de três sistemas fotovoltaicos diferentes. Dois dos sistemas fotovoltaicos estudados são plantas instaladas na Universidade de Huddersfield, com 2,2 kWp e 4,16 kWp de potência instalada. O terceiro sistema fotovoltaico tem 5 kWp de potência máxima, e está instalado na Universidade Federal Tecnológica do Paraná. Adicionalmente, ainda foram consideradas situações de treinamento em que o conjunto de dados estava contaminado por ruídos aleatórios. Os resultados indicaram acurácia máxima de 99,1% para a falta de módulos em curto-circuito, 100% para desconexão de strings e 82,2% para a falta de sombreamento parcial. Além disso, as análises permitiram reafirmar a robustez da rede perceptron de múltiplas camadas para detecção de faltas em sistemas fotovoltaicos, mesmo com a presença de ruído dos dados de treinamento. 2022-02-16T16:54:32Z 2022-02-16T16:54:32Z 2021-12-14 doctoralThesis VIEIRA, Romênia Gurgel. Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos. 2021. 117f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021. https://repositorio.ufrn.br/handle/123456789/46008 pt_BR Acesso Aberto application/pdf Universidade Federal do Rio Grande do Norte Brasil UFRN PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO

Registros relacionados