Sistema de análise multivariada para identificação de falhas em geração de energia fotovoltaica

Abstract

O rápido avanço na implantação de sistemas de energia solar vem abrindo inúmeras necessidades no processo de geração eficiente de energia. Alguns problemas são crônicos em plantas com módulos solares, além do sombreamento, há outros fatores que contribuem muito no processo de degradação dos equipamentos, causando, em muitos casos, a inutilização de todo o módulo solar. Este trabalho busca o levantamento de mensurações da planta, classificação dos potenciais problemas bem como mecanismos de detecção das falhas durante o funcionamento e a geração de energia. Desta forma, o principal objetivo é produzir um conjunto de dados de tempo real que sirva de subsídio para um sistema de avaliação de módulos solares usando técnicas modernas da computação para auxiliar na predição de problemas. Com isso, durante a produção de energia, será possível detectar as falhas atribuídas aos módulos, quantificar e alertar a operação para possíveis estratégias de manutenção corretiva e/ou preventiva. Para validar os parâmetros de indicadores verificados no sistema, é proposto um ambiente de predição de potência gerada comparando ferramentas de regressão usando machine learning. Este trabalho apresenta uma abordagem para análise de geração de energia em sistemas fotovoltaicos. O objetivo é identificar o impacto qualitativo na energia produzida de acordo com a detecção e previsão de falhas com base no conjunto de dados de medição elétrica e meteorológica. Atualmente, aprendizado de máquina e profundo têm sido usados efetivamente para reconhecer padrões em medições de painéis solares. Sujeira, quebra e sombreamento podem reduzir muito a eficiência projetada de usinas de energia solar. Assim, aumentar a quantidade e a qualidade do conjunto de dados de medição de falhas pode melhorar significativamente a confiabilidade e seu desempenho