Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos
DOI:
https://doi.org/10.26507/paper.2563Palabras clave:
sistemas energéticos, inteligencia artificial, energía fotovoltaica, redes neuronalesResumen
A través de este documento se presenta el marco de trabajo y los avances parciales de la investigación que pretende acondicionar el uso de técnicas de aprendizaje profundo, para diagnosticar fallas de los módulos fotovoltaicos en operación, con base en las termografías como principal insumo de entrada para una red neuronal convolucional, y así obtener una guía en el diagnóstico y detección de fallos por cada módulo fotovoltaico – PV en funcionamiento. Bajo un método de investigación deductivo con enfoque mixto que aborda aspectos tanto cuantitativos como cualitativos, donde posteriormente se evalúa la eficiencia lograda del algoritmo de inteligencia artificial – IA, mediante rangos porcentuales de aciertos de falsos positivos y falsos negativos, siendo así de tipo exploratoria en el uso de redes neuronales convolucionales, este proyecto concluye en la viabilidad de hacer uso de herramientas de IA para diagnosticar sistemas de generación fotovoltaica en sitio, y con sugerencia diagnostica del posible fallo que cada módulo de captación pueda estar sobrellevando en el momento de ser captado por medio de una imagen de espectro infrarrojo. Con lo anterior se puede mejorar la interconexión de los módulos para corregir su proceso de conversión energético, creando así una mejora en eficiencia general del sistema, así como los tiempos de retorno de inversión, lo que se espera redunde un impacto en el uso de masivo de este tipo de sistemas para la obtención de energía eléctrica haciendo uso de fuentes alternativas.
Descargas
Citas
Bastidas-Rodriguez, J. D., Ramos-Paja, C. A., & Saavedra-Montes, A. J. (2013). Reconfiguration analysis of photovoltaic arrays based on parameters estimation. Simulation Modelling Practice and Theory, 35, 50–68. https://doi.org/10.1016/J.SIMPAT.2013.03.001
Bojek, P., Bahar, H., & International Energy Agency. (2021, November). Solar PV - Tracking report November 2021. Https://Www.Iea.Org/Reports/Solar-Pv.
Bommes, L., Hoffmann, M., Buerhop-Lutz, C., Pickel, T., Hauch, J., Brabec, C., Maier, A., & Marius Peters, I. (2022). Anomaly detection in IR images of PV modules using supervised contrastive learning. Progress in Photovoltaics: Research and Applications, 30(6), 597–614. https://doi.org/10.1002/pip.3518
Bommes, L., Pickel, T., Buerhop-Lutz, C., Hauch, J., Brabec, C., & Peters, I. M. (2021). Computer vision tool for detection, mapping, and fault classification of photovoltaics modules in aerial IR videos. Progress in Photovoltaics: Research and Applications, 29(12), 1236–1251. https://doi.org/10.1002/pip.3448
Boukenoui, R., Salhi, H., Bradai, R., & Mellit, A. (2016). A new intelligent MPPT method for stand-alone photovoltaic systems operating under fast transient variations of shading patterns. Solar Energy, 124, 124–142. https://doi.org/10.1016/J.SOLENER.2015.11.023
Buerhop, C., Fecher, F. W., Pickel, T., Häring, A., Adamski, T., Camus, C., Hauch, J., & Brabec, C. J. (2018). Verifying defective PV-modules by IR-imaging and controlling with module optimizers. Progress in Photovoltaics: Research and Applications, 26(8), 622–630. https://doi.org/10.1002/pip.2985
Ding, M., Wang, L., & Bi, R. (2011). An ANN-based Approach for Forecasting the Power Output of Photovoltaic System. Procedia Environmental Sciences, 11(PART C), 1308–1315. https://doi.org/10.1016/J.PROENV.2011.12.196
Gallardo-Saavedra, S., Hernández-Callejo, L., & Duque-Pérez, Ó. (2019). Analysis and characterization of PV module defects by thermographic inspection Análisis y caracterización de defectos en módulos fotovoltaicos por medio de termografía infrarroja. https://doi.org/10.17533/udea.redin
Høiaas, I., Grujic, K., Imenes, A. G., Burud, I., Olsen, E., & Belbachir, N. (2022). Inspection and condition monitoring of large-scale photovoltaic power plants: A review of imaging technologies. Renewable and Sustainable Energy Reviews, 161, 112353. https://doi.org/10.1016/j.rser.2022.112353
Kubat, M. (1999). Neural networks: a comprehensive foundation by Simon Haykin, Macmillan, 1994, ISBN 0-02-352781-7. . The Knowledge Engineering Review, 13(4), 409–412. https://doi.org/10.1017/S0269888998214044
Luis, J., Lozada, P., Autónoma, U., Occidente, D. E., De, F., Departamento, I., Operaciones, D. E., & Sistemas, Y. (2017). ANÁLISIS EXPERIMENTAL DE LA RELACIÓN DE LA TEMPERATURA DE OPERACIÓN DE UN MÓDULO FOTOVOLTAICO Y SU VOLTAJE DE CIRCUITO ABIERTO.
Mekki, H., Mellit, A., & Salhi, H. (2016). Artificial neural network-based modelling and fault detection of partial shaded photovoltaic modules. Simulation Modelling Practice and Theory, 67, 1–13. https://doi.org/10.1016/j.simpat.2016.05.005
Mekki, H., Mellit, A., Salhi, H., & Guessoum, A. (n.d.). Mediterranean Journal of Modeling and Simulation Arti…cial neural Network-Based modeling and monitoring of photovoltaic generator.
Mellit, A., & Kalogirou, S. A. (2008). Artificial intelligence techniques for photovoltaic applications: A review. Progress in Energy and Combustion Science, 34(5), 574–632. https://doi.org/10.1016/J.PECS.2008.01.001
Mellit, A., Saǧlam, S., & Kalogirou, S. A. (2013). Artificial neural network-based model for estimating the produced power of a photovoltaic module. Renewable Energy, 60, 71–78. https://doi.org/10.1016/J.RENENE.2013.04.011
Punitha, K., Devaraj, D., & Sakthivel, S. (2013). Artificial neural network based modified incremental conductance algorithm for maximum power point tracking in photovoltaic system under partial shading conditions. Energy, 62, 330–340. https://doi.org/10.1016/J.ENERGY.2013.08.022
Triki-Lahiani, A., Bennani-Ben Abdelghani, A., & Slama-Belkhodja, I. (2018). Fault detection and monitoring systems for photovoltaic installations: A review. In Renewable and Sustainable Energy Reviews (Vol. 82, pp. 2680–2692). Elsevier Ltd. https://doi.org/10.1016/j.rser.2017.09.101
Velilla, E., Valencia, J., & Jaramillo, F. (2014). Performance evaluation of two solar photovoltaic technologies under atmospheric exposure using artificial neural network models. Solar Energy, 107, 260–271. https://doi.org/10.1016/J.SOLENER.2014.04.033
Descargas
Publicado
Cómo citar
Evento
Sección
Licencia
Derechos de autor 2022 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
