Uma nova abordagem de otimização híbrida para a detecção de falhas em painéis e inversores fotovoltaicos usando técnicas de IA e aprendizado estatístico.

• Ano de defesa: 2024
• Autor(a) principal: Abubakar, Ahmad
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Algoritmos de árvore reforçada; Artificial intelligence; Boosted tree algorithms; Desenvolvimento sustentável; Detecção de falhas; Elman neural network; Fault detection; Gaussian processes regression; Inteligência artificial; Multi-layer perceptron; Perceptron multicamadas; Rede neural Elman; Regressão de processos Gaussianos; Sustainable development
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-16102024-065858/

A detecção de falhas em arranjos fotovoltaicos e inversores é fundamental para garantir máxima eficiência e desempenho. O aprendizado de inteligência artificial (IA) pode ser usado para identificar problemas rapidamente, resultando em um ambiente sustentável com tempo de inatividade e custos de manutenção reduzidos. À medida que o uso de sistemas de energia solar continua a crescer, a necessidade de técnicas confiáveis e eficientes de detecção e diagnóstico de falhas torna-se mais crítica. Este pesquisa apresenta uma nova abordagem para detecção de falhas em arranjos fotovoltaicos (FV) e inversores, combinando técnicas de IA. Ele integra Elman Neural Network (ENN), Boosted Tree Algorithms (BTA), Multi-layer Perceptron (MLP) e Regressão de Processos Gaussianos (GPR) para maior precisão e confiabilidade no diagnóstico de falhas. Ele aproveita seus pontos fortes para precisão e confiabilidade no diagnóstico de falhas. A análise de sensibilidade baseada em engenharia de recursos foi utilizada para extração de recursos, a detecção e o diagnóstico de falhas foram avaliados usando vários critérios estatísticos, incluindo PBAIS, MAE, NSE, RMSE e MAPE. Dois cenários de aprendizagem inteligente são realizados, o primeiro cenário é feito para detecção de falhas no arranjo fotovoltaico com alimentação CC como saída. O segundo cenário é feito para detecção de falhas do inversor com alimentação CA como saída. A técnica proposta é capaz de detectar falhas em arranjos fotovoltaicos e inversores, fornecendo uma solução confiável para melhorar o desempenho e a confiabilidade dos sistemas de energia solar. O conjunto de dados de energia solar do mundo real é usado para avaliar a técnica proposta, com resultados comparados às técnicas de detecção existentes e os resultados obtidos mostram que ela supera as técnicas de detecção de falhas existentes, alcançando maior precisão e melhor desempenho. A otimização do GPR-M4 foi justificada de forma confiável entre todos os modelos com MAPE = 0,0393 e MAE = 0,002 para detecção de falhas do inversor e MAPE = 0,091 e MAE = 0,000 para detecção de falhas do arranjo fotovoltaico.