Identificação de funcionamento atípico de painel fotovoltaico

Abstract

RESUMO: A 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%.

ABSTRACT: Solar energy is a cheap and clean source, being an excellent option to replace fossil fuels, reducing the generation of greenhouse gases. To achieve this goal, the cost of energy must be competitive with other sources. The solar modules have a long service life, but maintenance actions are necessary to reach this time. Due to exposure to adverse environmental conditions, equipment is subject to failures, which are usually difficult to detect and locate. This dissertation aims to identify atypical functioning in a photovoltaic string using only the voltage and current at its terminals, without using environmental data of solar irradiation and temperature. The methodology used in the collection of voltage and current data from the string in normal operating conditions and four types of failure conditions: shading of an entire panel, shading of a panel sector, and short-circuit of a whole module, and electric arc. The panel shading, sector shading, and short-circuit failures have subdivided into 6, one for each panel generating 20 different operating conditions, to identify the abnormal module. For each of the 20 states, data have collected under diverse climatic conditions. The collected data has used to train, validate, and test a convolutional neural network, which can learn the characteristics that allow the identification of each of the 20 operating conditions with an accuracy of 94,03%.