Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Moritz, Guilherme Luiz | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0736175449254807 | - |
Autor(es): dc.contributor | Aoki, Alexandre Rasi | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0566385360819334 | - |
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Delgado, Myriam Regattieri de Biase da Silva | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-2791-174X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4166922845507601 | - |
Autor(es): dc.contributor | Linhares, Robson Ribeiro | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0625140430173288 | - |
Autor(es): dc.creator | Costa, Clayton Hilgemberg da | - |
Data de aceite: dc.date.accessioned | 2022-02-21T22:11:03Z | - |
Data de disponibilização: dc.date.available | 2022-02-21T22:11:03Z | - |
Data de envio: dc.date.issued | 2020-09-03 | - |
Data de envio: dc.date.issued | 2020-09-03 | - |
Data de envio: dc.date.issued | 2020-07-13 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/5158 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/669521 | - |
Descrição: dc.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. | - |
Descrição: dc.description | Agência Nacional de Energia Elétrica (ANEEL) | - |
Descrição: dc.description | 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. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Palavras-chave: dc.subject | Geração de energia fotovoltaica - Aspectos Ambientais | - |
Palavras-chave: dc.subject | Sistemas de energia fotovoltaica - Monitorização | - |
Palavras-chave: dc.subject | Localização de falhas (Engenharia) | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Modelos matemáticos | - |
Palavras-chave: dc.subject | Simulação (Computadores) | - |
Palavras-chave: dc.subject | Photovoltaic power generation - Environmental aspects | - |
Palavras-chave: dc.subject | Photovoltaic power systems - Monitoring | - |
Palavras-chave: dc.subject | Fault location (Engineering) | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Mathematical models | - |
Palavras-chave: dc.subject | Computer simulation | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | Classificação de falhas em plantas fotovoltaicas usando aprendizado de máquina | - |
Título: dc.title | Fault classification for photovoltaic plants using machine learning | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: