Detecção de estado de falha em usinas fotovoltaicas utilizando aprendizado de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFSC |
Texto Completo: | https://repositorio.ufsc.br/handle/123456789/243111 |
Resumo: | TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia Elétrica. |
id |
UFSC_0d205033f22c9ce3eb9b34511acb9333 |
---|---|
oai_identifier_str |
oai:repositorio.ufsc.br:123456789/243111 |
network_acronym_str |
UFSC |
network_name_str |
Repositório Institucional da UFSC |
repository_id_str |
2373 |
spelling |
Detecção de estado de falha em usinas fotovoltaicas utilizando aprendizado de máquinaGeraçãoEnergiaFotovoltaicaDetecçãoFalhasTCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia Elétrica.Dados reportados pela Associação Brasileira de Energia Solar Fotovoltaica (ABSOLAR) demonstram um crescimento exponencial na produção de energia solar, sendo 2022 considerado o melhor ano da energia solar no Brasil. Porém, o número de sistemas fotovoltaicos monitorados não seguiu a mesma tendência de crescimento, sendo normalmente operados sem um sistema de supervisão adequado, por isso a necessidade de implementação de um sistema de detecção de estado de falha online. Este trabalho de conclusão de curso propõe um estudo sobre o método de detecção de estado de falha que utiliza modelos de predição instantânea de potência CA gerada pelo sistema fotovoltaico. A pesquisa foi executada na base de dados SOLETE, disponibilizada por Pombo et al. A base contém medidas de um sistema fotovoltaico e dados meteorológicos ao longo de um ano e cinco meses. Foram utilizados três modelos de predição, denominados modelo físico, one equation e random forest. Para cada modelo foram elaboradas duas predições, uma na faixa global de irradiância e outra em faixas separadas, com o propósito de verificar se esta separação de faixas influenciará nos resultados finais. Em termos de performance o trabalho atingiu resultados semelhantes à literatura, onde os três melhores modelos atingiram uma precisão de mais de 99% na detecção de estado de falha. Os resultados demonstram que os melhores modelos foram o modelo físico e o one equation nas faixas separadas e o modelo random forest na faixa global de irradiância.Data reported by the Brazilian Association of Photovoltaic Solar Energy (ABSOLAR) show exponential growth in solar energy production, with 2022 being considered the best year for solar energy in Brazil. However, the number of monitored photovoltaic systems did not follow the same growth trend, being normally operated without an adequate supervisory system, hence the need to implement an online failure status detection system. This work proposes a study on the fault state detection method that uses instantaneous prediction models of AC power generated by the photovoltaic system. The research was carried out in the SOLETE database, made available by Pombo et al. The base contains measurements of a photovoltaic system and meteorological data over a year and five months. Three prediction models were used, called physical model, one equation and random forest. For each model, two predictions were made, one in the global irradiance range and the other in separate irradiation ranges, with the purpose of verifying whether this separation of ranges will influence the final results. In terms of performance, the work reached similar results to the literature, where the three best models reached an accuracy of more than 99% in the failure state detection. The results demonstrate that the best models were the physical model and the one equation in the separate ranges and the random forest model in the global irradiance range.Florianópolis, SC.Souza, Richard DemoUniversidade Federal de Santa Catarina.Valle, Bruno Castro2022-12-19T21:51:31Z2022-12-19T21:51:31Z2022-12-16info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis50 f.application/pdfhttps://repositorio.ufsc.br/handle/123456789/243111Open Access.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2022-12-19T21:51:31Zoai:repositorio.ufsc.br:123456789/243111Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732022-12-19T21:51:31Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false |
dc.title.none.fl_str_mv |
Detecção de estado de falha em usinas fotovoltaicas utilizando aprendizado de máquina |
title |
Detecção de estado de falha em usinas fotovoltaicas utilizando aprendizado de máquina |
spellingShingle |
Detecção de estado de falha em usinas fotovoltaicas utilizando aprendizado de máquina Valle, Bruno Castro Geração Energia Fotovoltaica Detecção Falhas |
title_short |
Detecção de estado de falha em usinas fotovoltaicas utilizando aprendizado de máquina |
title_full |
Detecção de estado de falha em usinas fotovoltaicas utilizando aprendizado de máquina |
title_fullStr |
Detecção de estado de falha em usinas fotovoltaicas utilizando aprendizado de máquina |
title_full_unstemmed |
Detecção de estado de falha em usinas fotovoltaicas utilizando aprendizado de máquina |
title_sort |
Detecção de estado de falha em usinas fotovoltaicas utilizando aprendizado de máquina |
author |
Valle, Bruno Castro |
author_facet |
Valle, Bruno Castro |
author_role |
author |
dc.contributor.none.fl_str_mv |
Souza, Richard Demo Universidade Federal de Santa Catarina. |
dc.contributor.author.fl_str_mv |
Valle, Bruno Castro |
dc.subject.por.fl_str_mv |
Geração Energia Fotovoltaica Detecção Falhas |
topic |
Geração Energia Fotovoltaica Detecção Falhas |
description |
TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia Elétrica. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-12-19T21:51:31Z 2022-12-19T21:51:31Z 2022-12-16 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufsc.br/handle/123456789/243111 |
url |
https://repositorio.ufsc.br/handle/123456789/243111 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Open Access. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Open Access. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
50 f. application/pdf |
dc.publisher.none.fl_str_mv |
Florianópolis, SC. |
publisher.none.fl_str_mv |
Florianópolis, SC. |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSC instname:Universidade Federal de Santa Catarina (UFSC) instacron:UFSC |
instname_str |
Universidade Federal de Santa Catarina (UFSC) |
instacron_str |
UFSC |
institution |
UFSC |
reponame_str |
Repositório Institucional da UFSC |
collection |
Repositório Institucional da UFSC |
repository.name.fl_str_mv |
Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC) |
repository.mail.fl_str_mv |
|
_version_ |
1808652204079316992 |