INTELIGÊNCIA ARTIFICIAL NA DETEÇÃO DE DEFEITOS EM PAINÉIS FOTOVOLTAICOS

Abstract

Nos últimos anos tem-se verificado um crescimento exponencial de produção energética através de sistemas fotovoltaicos. Porém, a eficiência destes é bastante vulnerável às condi- ções a que são sujeitos (em especial, às condições climatéricas), podendo, por isso, ocorrer diversos defeitos, colocando assim a produção real inferior à esperada. Considerando uma manutenção dos sistemas fotovoltaicos (seja pela análise elétrica do sistema ou presenci- almente) feita por um ou vários operadores, a identificação do defeito (tendo em conta a grande variedade possível) poderá demonstrar-se complexa e morosa. Por isso, seria bastante útil uma ferramenta automática, rápida e eficaz que detetasse e classificasse os defeitos para que o utilizador pudesse agir corretamente. Nesse sentido, o presente trabalho pretende desenvolver uma ferramenta que incor- pore vários métodos de deteção e classificação de defeitos. O utilizador, introduzindo os dados do sistema, poderá obter a resposta de diversos métodos sobre o estado do sistema, podendo assim compará-los. Os métodos desenvolvidos pretendem seguir as tecnologias com melhores resultados nesta área (que vão ser explorados neste estudo), associando as análises visuais e elétricas do sistema ao Deep Learning. Foram construídos dois métodos elétricos distintos, que, recebendo dados como corrente, tensão, irradiância e tempera- tura das células, detetam e classificam os defeitos do sistema e, com o mesmo fim, três métodos visuais/térmicos que têm como entrada imagens fotográficas, infravermelhas e eletroluminescentes. A ferramenta que incorpora estes métodos consiste numa Web App desenvolvida em Python que receberá os dados introduzidos pelo utilizador, fará um processamento e através dos modelos de redes neuronais desenvolvidos (correspondentes aos cinco métodos já indicados) irá classificar o estado de funcionamento do sistema fotovoltaico. Esta ferramenta foi concebida com o objetivo de ser intuitiva, prática ao utilizador e abrangente na identificação dos defeitos. Com a longa pesquisa para a recolha dos melhores estudos nesta área, e posterior- mente na criação da aplicação Web, foi constatado que este trabalho apresenta algumas contribuições originais: com conceção de uma ferramenta virtual que incorpore vários métodos de deteção e classificação (elétricos e visuais), o que não foi encontrado paralelo; e com a construção de modelos de redes neuronais com precisões superiores aos melhores trabalhos estudados no Estado da Arte.

In recent years, there has been an exponential increase in energy production through photovoltaic systems. However, their efficiency is quite vulnerable to the conditions to which they are subjected (especially weather conditions), which can lead to various faults, resulting in actual production being lower than expected. Considering maintenance of photovoltaic systems (whether through electrical analysis of the system or in person) carried out by one or more operators, identifying the defect (taking into account the wide variety possible) may prove to be complex and time-consuming. Therefore, an automatic, fast, and effective tool that detects and classifies faults would be extremely useful, allowing the user to take appropriate action. In this context, the present work aims to develop a tool that incorporates various methods for detecting and classifying faults. By entering system data, the user can obtain the response of different methods regarding the system’s status, allowing for comparison. The methods developed intend to follow the technologies with the best results in this area (which will be explored in this study), associating visual and electrical analyses of the system with Deep Learning. Two distinct electrical methods have been built, which, by receiving data such as current, voltage, irradiance, and cell temperature, detect and classify system faults. Additionally, three visual/thermal methods have been developed that use photographic, infrared, and electroluminescent images as input for the same purpose. The tool that incorporates these methods is a Web App developed in Python, which will receive the data entered by the user, process it, and, through the developed neural network models (corresponding to the five aforementioned methods), classify the operational status of the photovoltaic system. This tool has been designed to be intuitive, user-friendly, and comprehensive in fault identification. With the long research to collect the best studies in this area, and later in the creation of the Web application, it was found that this work presents some original contributions: with the design of a virtual tool that incorporates several detection and classification methods (electrical and visual), which was not found in the bibliography; and with the construction of neural network models with higher precision than the best works studied in the State of the Art.