Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/46008 |
Resumo: | 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. |
id |
UFRN_97d3d3d084294b1fa5c8dc84aedd63d5 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/46008 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Vieira, Romênia Gurgelhttp://lattes.cnpq.br/0910758067547904http://lattes.cnpq.br/5473196176458886Maitelli, André Laurindohttp://lattes.cnpq.br/0477027244297797Salazar, Andres Ortizhttp://lattes.cnpq.br/7865065553087432Carvalho Neto, João Teixeira dehttp://lattes.cnpq.br/6517981413434811Vale, Marcelo Roberto Bastos Guerrahttp://lattes.cnpq.br/5510574256894005Araújo, Fábio Meneghetti Ugulino de2022-02-16T16:54:32Z2022-02-16T16:54:32Z2021-12-14VIEIRA, 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/123456789/46008A 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.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.Universidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOUFRNBrasilEnergia solarMódulos fotovoltaicosFaltas em sistemas fotovoltaicosDetecção de faltasInteligência artificialAplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALAplicacaotecnicasinteligencia_Vieira_2021.pdfapplication/pdf7811645https://repositorio.ufrn.br/bitstream/123456789/46008/1/Aplicacaotecnicasinteligencia_Vieira_2021.pdf235625348ffd54ea23cb8766d45bd996MD51123456789/460082022-05-02 12:31:08.366oai:https://repositorio.ufrn.br:123456789/46008Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-05-02T15:31:08Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos |
title |
Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos |
spellingShingle |
Aplicação de técnicas de inteligência artificial para identificação de faltas em módulos fotovoltaicos Vieira, Romênia Gurgel Energia solar Módulos fotovoltaicos Faltas em sistemas fotovoltaicos Detecção de faltas Inteligência artificial |
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 |
author |
Vieira, Romênia Gurgel |
author_facet |
Vieira, Romênia Gurgel |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/0910758067547904 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/5473196176458886 |
dc.contributor.referees1.none.fl_str_mv |
Maitelli, André Laurindo |
dc.contributor.referees1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/0477027244297797 |
dc.contributor.referees2.none.fl_str_mv |
Salazar, Andres Ortiz |
dc.contributor.referees2Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7865065553087432 |
dc.contributor.referees3.none.fl_str_mv |
Carvalho Neto, João Teixeira de |
dc.contributor.referees3Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/6517981413434811 |
dc.contributor.referees4.none.fl_str_mv |
Vale, Marcelo Roberto Bastos Guerra |
dc.contributor.referees4Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/5510574256894005 |
dc.contributor.author.fl_str_mv |
Vieira, Romênia Gurgel |
dc.contributor.advisor1.fl_str_mv |
Araújo, Fábio Meneghetti Ugulino de |
contributor_str_mv |
Araújo, Fábio Meneghetti Ugulino de |
dc.subject.por.fl_str_mv |
Energia solar Módulos fotovoltaicos Faltas em sistemas fotovoltaicos Detecção de faltas Inteligência artificial |
topic |
Energia solar Módulos fotovoltaicos Faltas em sistemas fotovoltaicos Detecção de faltas Inteligência artificial |
description |
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. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-12-14 |
dc.date.accessioned.fl_str_mv |
2022-02-16T16:54:32Z |
dc.date.available.fl_str_mv |
2022-02-16T16:54:32Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
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. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/46008 |
identifier_str_mv |
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. |
url |
https://repositorio.ufrn.br/handle/123456789/46008 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/46008/1/Aplicacaotecnicasinteligencia_Vieira_2021.pdf |
bitstream.checksum.fl_str_mv |
235625348ffd54ea23cb8766d45bd996 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117527423156224 |