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

• Autor(a) principal: Vieira, Romênia Gurgel
• 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
• topic: Energia solar; Módulos fotovoltaicos; Faltas em sistemas fotovoltaicos; Detecção de faltas; Inteligência artificial

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.