Avaliação computacional de pontos quentes em painéis fotovoltaicos: uma estratégia de machine learning

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRomaneli, Eduardo Félix Ribeiro-
Autor(es): dc.contributorRomaneli, Eduardo Félix Ribeiro-
Autor(es): dc.contributorTiepolo, Gerson Máximo-
Autor(es): dc.contributorLeludak, Jorge Assade-
Autor(es): dc.creatorOliveira, Gabriel Tabim de-
Autor(es): dc.creatorRoscoe, Pedro Batista Junqueira-
Data de aceite: dc.date.accessioned2025-08-29T12:30:26Z-
Data de disponibilização: dc.date.available2025-08-29T12:30:26Z-
Data de envio: dc.date.issued2025-06-05-
Data de envio: dc.date.issued2025-06-05-
Data de envio: dc.date.issued2023-11-27-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/37096-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1096630-
Descrição: dc.descriptionThe growing representation of photovoltaic energy in the Brazilian energy matrix leads to the need for a more efficient maintenance strategy in detecting hot spots in solar modules. The traditional method for identifying these flaws is poorly scalable and dependent on human interpretation of thermal images, which highlights the low scalability of the process. The use of computational processing, through deep machine learning, of standardized thermographs is a scalable solution to this problem, in addition to presenting significant efficiency in identifying hot spots. The experimental results obtained with the created algorithm were 96%, 87%, 89% and 90% for the respective convolutional methods MobileNetV2, MobileNetV2, VGG16 and ResNet50, based on training and testing with a set of 419 images.-
Descrição: dc.descriptionA crescente representatividade da energia fotovoltaica na matriz energética brasileira da luz a necessidade de uma estratégia de manutenção mais eficiente na detecção de pontos quentes em módulos solares. O método tradicional de identificação dessas falhas é pouco escalável e dependente da interpretação humana de imagens termográficas, o que ressalta a baixa escalabilidade do processo. A utilização do processamento computacional, através do deep learning, de termografias padronizadas é uma solução escalável para esse problema, além de apresentar uma eficiência significativa na identificação de pontos quentes. Os resultados experimentais obtidos com o algoritmo criado foram de 96%, 87%, 89% e 90% para os respectivos métodos convolucionais MobileNetV2, MobileNetV2, VGG16 e ResNet50, a partir de do treinamento e teste com uma base de dados de 419 imagens.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia Elétrica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-sa/4.0/-
Palavras-chave: dc.subjectPainéis solares-
Palavras-chave: dc.subjectAprendizado profundo (Aprendizado do computador)-
Palavras-chave: dc.subjectTermografia-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectSimulação (Computadores)-
Palavras-chave: dc.subjectSolar panels-
Palavras-chave: dc.subjectDeep learning (Machine learning)-
Palavras-chave: dc.subjectThermography-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectComputer simulation-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Título: dc.titleAvaliação computacional de pontos quentes em painéis fotovoltaicos: uma estratégia de machine learning-
Título: dc.titleComputational evaluation of hotspots in photovoltaic panels: a machine learning strategy-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.