Identificação de Funcionamento Atípico de Painel Fotovoltaico
Nome: ANDRÉ SILVA
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 26/05/2020
Orientador:
Nome |
Papel |
|---|---|
| DANIEL JOSÉ CUSTODIO COURA | Co-orientador |
| WANDERLEY CARDOSO CELESTE | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| DANIEL CRUZ CAVALIÉRI | Examinador Externo |
| DANIEL JOSÉ CUSTODIO COURA | Coorientador |
| HELDER ROBERTO DE OLIVEIRA ROCHA | Examinador Externo |
| LEONARDO JOSE SILVESTRE | Examinador Interno |
| WANDERLEY CARDOSO CELESTE | Orientador |
Resumo: energia solar é uma fonte barata e limpa, sendo uma boa opção para substituir combustíveis fósseis, diminuindo a geração de gases do efeito estufa.
Para alcançar este objetivo, o custo da energia deve se mostrar competitivo em relação a outras fontes. Os módulos solares têm longa vida útil, mas são necessárias ações de manutenção para que se alcance esse tempo. Devido à exposição a condições ambientais adversas, os equipamentos estão sujeitos a falhas, que normalmente são difíceis detectar e localizar. A presente dissertação tem por objetivo identificar funcionamento atípico em uma string fotovoltaica utilizando apenas a tensão e a corrente em seus terminais, sem a utilização de dados ambientais de irradiação solar e temperatura. A metodologia utilizada é a coleta de dados de tensão e de corrente da string em condição de funcionamento normal e em 4 tipos de condição de falha: sombreamento de um painel inteiro, sombreamento de um setor de um painel, curto-circuito de um painel inteiro e arco elétrico. As falhas de sombreamento de painel, sombreamento de setor, e de curto-circuito são subdivididas em 6, uma para cada painel, gerando no total, 20 condições diferentes de funcionamento, visando a identificação do painel anormal. Para cada uma das 20 condições, são coletados dados em condições climáticas diversas. Os dados coletados são utilizados para treinar, validar e testar uma rede neural convolucional. Esta rede consegue aprender as características que permitem a identificação de cada uma das 20 condições de funcionamento com acurácia de 94,03%.
