Registro fonte: Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina

Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina

With the progressive increase in interest in solar photovoltaic energy, there is also an growing interest in monitoring plants, as well as the development of practical methods to detect and even classify faults that may occur in any part of photovoltaic systems. Among some of the motivators for this...

ver descrição completa

Autor principal:	Costa, Clayton Hilgemberg da
Formato:	Dissertação
Idioma:	Português
Publicado em:	Universidade Tecnológica Federal do Paraná 2020
Assuntos:	Geração de energia fotovoltaica - Aspectos Ambientais Sistemas de energia fotovoltaica - Monitorização Localização de falhas (Engenharia) Aprendizado do computador Redes neurais (Computação) Modelos matemáticos Simulação (Computadores) Photovoltaic power generation - Environmental aspects Photovoltaic power systems - Monitoring Fault location (Engineering) Machine learning Neural networks (Computer science) Mathematical models Computer simulation CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA Engenharia Elétrica
Acesso em linha:	http://repositorio.utfpr.edu.br/jspui/handle/1/5158
Tags:	Adicionar Tag Sem tags, seja o primeiro a adicionar uma tag!

id	riut-1-5158
recordtype	dspace
spelling	riut-1-51582020-09-04T06:04:17Z Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina Fault classification for photovoltaic plants using machine learning Costa, Clayton Hilgemberg da Lazzaretti, André Eugênio http://lattes.cnpq.br/7649611874688878 Moritz, Guilherme Luiz http://lattes.cnpq.br/0736175449254807 Aoki, Alexandre Rasi http://lattes.cnpq.br/0566385360819334 Lazzaretti, André Eugênio http://lattes.cnpq.br/7649611874688878 Delgado, Myriam Regattieri de Biase da Silva https://orcid.org/0000-0002-2791-174X http://lattes.cnpq.br/4166922845507601 Linhares, Robson Ribeiro http://lattes.cnpq.br/0625140430173288 Geração de energia fotovoltaica - Aspectos Ambientais Sistemas de energia fotovoltaica - Monitorização Localização de falhas (Engenharia) Aprendizado do computador Redes neurais (Computação) Modelos matemáticos Simulação (Computadores) Photovoltaic power generation - Environmental aspects Photovoltaic power systems - Monitoring Fault location (Engineering) Machine learning Neural networks (Computer science) Mathematical models Computer simulation CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA Engenharia Elétrica With the progressive increase in interest in solar photovoltaic energy, there is also an growing interest in monitoring plants, as well as the development of practical methods to detect and even classify faults that may occur in any part of photovoltaic systems. Among some of the motivators for this growth, it can be mentioned the fact that most of these systems are in an open and unprotected environment, being susceptible to the effect of meteorological events, such as strong winds and storms, which leads to a greater tendency to failures. Another factor is that the failure of a single system element, such as a photovoltaic module for instance, can impair the functioning of the others, in addition to the fact that a system operating with failures for a long time can reduce the lifespan of the equipment and even generate risks as the occurrence of fires. Thus, this work presents a classification system for short-circuit, degradation, open circuit and shading failures in on grid photovoltaic plants. This system was built using machine learning models, using measurements of local irradiance and temperature, as well as the voltages and currents generated by the photovoltaic modules. Also, the classification model was trained with data gathered from simulation and was also implemented in a monitoring system, which was used to collect the electrical and weather variables around the photovoltaic plant. The work was validated in a real 5kWp plant and took into account two approaches, one with and other without fault detection. The final system presented a competitive result with those found in the literature, reaching over 90% accuracy, while still presenting relevant advantages such as: non-intrusive classification, classifier embedded in the monitoring system, training with simulation data only and validation with data including the natural shading on the photovoltaic plant. Agência Nacional de Energia Elétrica (ANEEL) Com o aumento progressivo no interesse pela energia solar fotovoltaica, cresce também o interesse no monitoramento das plantas, bem como no desenvolvimento de métodos práticos para se detectar e até mesmo classificar falhas que possam ocorrer em qualquer parte dos sistemas fotovoltaicos. Dentre alguns dos motivadores para este crescimento, pode ser citado o fato de que grande parte destes sistemas fica em ambiente aberto e desprotegido, ficando suscetível ao efeito de eventos meteorológicos, tais quais ventos e chuvas fortes, o que acarreta numa maior propensão à falhas. Outro fator é que a falha em um elemento do sistema, como um módulo fotovoltaico por exemplo, pode prejudicar o funcionamento dos demais, além do fato de que um sistema operando com falhas por muito tempo pode reduzir a vida útil dos equipamentos e até gerar riscos maiores como a ocorrência de incêndios. Desta forma, neste trabalho é apresentado um sistema de classificação de falhas de curto-circuito, degradação, circuito aberto e sombreamento em plantas fotovoltaicas ligadas à rede elétrica. Este sistema foi construído utilizando modelos de aprendizado de máquina, a partir das medições de irradiância local e temperatura, bem como das tensões e correntes geradas pelos módulos fotovoltaicos. Ainda, o modelo de classificação foi treinado com dados provenientes de uma simulação construída e, foi ainda, implementado em um sistema de monitoramento desenvolvido, o qual foi utilizado para coletar as variáveis elétricas e ambientais em torno da planta fotovoltaica. O trabalho foi validado em uma planta real de 5kWp e levou em conta duas abordagens, sendo uma com e outra sem detecção das falhas. O sistema final apresentou um resultado competitivo com os encontrados na literatura, alcançando acurácias superiores a 90%, apresentando ainda vantagens relevantes como: a classificação não intrusiva, classificador embarcado no sistema de monitoramento, o treinamento com dados exclusivos de simulação e validação com dados reais, incluindo o sombreamento natural da planta. 2020-09-03T21:55:56Z 2020-09-03T21:55:56Z 2020-07-13 masterThesis COSTA, Clayton Hilgemberg da. Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina. 2020. Dissertação (Mestrado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2020. http://repositorio.utfpr.edu.br/jspui/handle/1/5158 por openAccess application/pdf Universidade Tecnológica Federal do Paraná Curitiba Brasil Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial UTFPR
institution	Universidade Tecnológica Federal do Paraná
collection	RIUT
language	Português
topic	Geração de energia fotovoltaica - Aspectos Ambientais Sistemas de energia fotovoltaica - Monitorização Localização de falhas (Engenharia) Aprendizado do computador Redes neurais (Computação) Modelos matemáticos Simulação (Computadores) Photovoltaic power generation - Environmental aspects Photovoltaic power systems - Monitoring Fault location (Engineering) Machine learning Neural networks (Computer science) Mathematical models Computer simulation CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA Engenharia Elétrica
spellingShingle	Geração de energia fotovoltaica - Aspectos Ambientais Sistemas de energia fotovoltaica - Monitorização Localização de falhas (Engenharia) Aprendizado do computador Redes neurais (Computação) Modelos matemáticos Simulação (Computadores) Photovoltaic power generation - Environmental aspects Photovoltaic power systems - Monitoring Fault location (Engineering) Machine learning Neural networks (Computer science) Mathematical models Computer simulation CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA Engenharia Elétrica Costa, Clayton Hilgemberg da Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina
description	With the progressive increase in interest in solar photovoltaic energy, there is also an growing interest in monitoring plants, as well as the development of practical methods to detect and even classify faults that may occur in any part of photovoltaic systems. Among some of the motivators for this growth, it can be mentioned the fact that most of these systems are in an open and unprotected environment, being susceptible to the effect of meteorological events, such as strong winds and storms, which leads to a greater tendency to failures. Another factor is that the failure of a single system element, such as a photovoltaic module for instance, can impair the functioning of the others, in addition to the fact that a system operating with failures for a long time can reduce the lifespan of the equipment and even generate risks as the occurrence of fires. Thus, this work presents a classification system for short-circuit, degradation, open circuit and shading failures in on grid photovoltaic plants. This system was built using machine learning models, using measurements of local irradiance and temperature, as well as the voltages and currents generated by the photovoltaic modules. Also, the classification model was trained with data gathered from simulation and was also implemented in a monitoring system, which was used to collect the electrical and weather variables around the photovoltaic plant. The work was validated in a real 5kWp plant and took into account two approaches, one with and other without fault detection. The final system presented a competitive result with those found in the literature, reaching over 90% accuracy, while still presenting relevant advantages such as: non-intrusive classification, classifier embedded in the monitoring system, training with simulation data only and validation with data including the natural shading on the photovoltaic plant.
format	Dissertação
author	Costa, Clayton Hilgemberg da
author_sort	Costa, Clayton Hilgemberg da
title	Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina
title_short	Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina
title_full	Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina
title_fullStr	Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina
title_full_unstemmed	Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina
title_sort	classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina
publisher	Universidade Tecnológica Federal do Paraná
publishDate	2020
citation	COSTA, Clayton Hilgemberg da. Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina. 2020. Dissertação (Mestrado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2020.
url	http://repositorio.utfpr.edu.br/jspui/handle/1/5158
_version_	1805318876331769856
score	10,814766

Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina

Registros relacionados