FenixEdu™

Dissertação

{en_GB=Failure diagnosis in photovoltaic systems: a pattern recognition approach based on artificial neural networks} {} EVALUATED

Detalhes: {pt=Esta tese visa um método de diagnóstico de comportamentos em sistemas fotovoltaicos usando a técnica de inteligência artificial. Aproximando-se do nível de célula solar, usando o modelo de díodo e cinco parâmetros, outro modelo, capaz de simular falhas de incompatibilidade, é utilizado para criar uma base de dados com os seguintes comportamentos: padrão, onde a condição operacional não apresenta falhas, curto-circuito, onde várias células estão em curto-circuito e sombreamento, onde algumas células estão sob o efeito de menor nível de irradiância. A partir disso, são obtidas as entradas para o modelo de inteligência artificial, sendo elas: tensão na potência máxima, corrente na potência máxima, temperatura do painel e irradiância. Para uma convergência e classificação mais fáceis e com maior precisão, é feita uma normalização dessas entradas. Após o treinamento da rede neural artificial, um modelo matemático é extraído. Um teste ao ar livre de um painel fotovoltaico é realizado com todos os modos. Em seguida, as entradas básicas são apresentadas ao modelo treinado e os comportamentos supostos são obtidos. Uma comparação final entre os comportamentos conhecidos e os produzidos pelo modelo é feita. Isso provou ser eficiente em um primeiro esboço do problema e distinguiu com precisão os modos padrão do sombreamento e altos curtos-circuitos do padrão., en=This thesis aims a method of condition monitoring in photovoltaic systems using machine-learning techniques, more specifically artificial neural network learning. First, to approach from a solar cell level, a known model, the one-diode and five-parameter model is used to model it. Follow, an upgraded solar cell model that englobes the previous one but also capable of simulating mismatch faults is used to simulate the whole system. This model is employed to create a database with the following conditions: standard, short circuit and shading. The first mode has no faults, the second has several cells short-circuited, and the third one has some cells under the effect of a lower level of irradiance. Based on this model, input data for the neural network model has been obtained as the voltage at maximum power, current at maximum power, panel temperature and irradiance. Normalization of the inputs has been considered for a more accessible and better convergence and more precise classification results. The neural network is trained to obtain the functional relation between conditions and fault diagnostic preview. Following the training, an outdoor test of a photovoltaic panel is made. The essential inputs are presented to the trained neural network model for it to preview the supposed PV panel conditions, comparing with the real condition. The results achieved proved to be efficient, and it accurately distinguished standard from shading and high short-circuits from the standard condition. Several recommendations are also systematized to improve and develop this method of diagnosis.}
Keywords: {pt=Diagnóstico, Fotovoltaico, Falhas de incompatibilidade, Rede neural artificial, en=Condition monitoring, Diagnosis, Photovoltaic, Mismatch faults, Artificial neural network, Machine learning}

Discussão: novembro 19, 2019, 15:0