MODELAGEM DE COMPORTAMENTO LIVRE DE FALHAS COM VISTAS À DETECÇÃO DE FALHAS EM CENTRAL SOLAR FOTOVOLTAICA LOCALIZADA EM PETROLINA
DOI:
https://doi.org/10.59627/cbens.2022.1220Palavras-chave:
Energia solar fotovoltaica, comportamento livre de falhas, modelos de potência geradaResumo
Com a crescente demanda pela instalação de potência solar fotovoltaica, a busca pelo desenvolvimento de ferramentas de análise da potência gerada em centrais solares foi intensificada. Nesse contexto, com aplicação em algoritmos objetivos de detecção de falhas, uma metodologia modelagem do Comportamento Livre de Falhas (CLF) de sistema fotovoltaico é apresentada com vistas à análise da potência gerada em central solar fotovoltaica. A metodologia adotada se baseia na comparação entre valores observados e resultados obtidos por meio da modelagem da potência de saída das stringboxes (CC) e inversores (CA). Mais especificamente, aqui, a aplicação sugerida para a modelagem do CLF tem como motivação a inferência de valores de referência para as diferenças entre os valores simulados e observados, a partir das quais serão identificados os instantes de interesse para fins de inspeção de subsistemas de centrais fotovoltaicas. Duas abordagens foram avaliadas para a modelagem da potência de saída das stringboxes e inversores: i) abordagem analítica (modelos físicos baseados na translação da curva IV e análise de perdas energéticas); ii) abordagem empírica (modelos estatísticos baseados em agrupamento de padrões, regressão multilinear e redes neurais “multilayer perceptron”). Em geral, os resultados preliminares obtidos indicam que os modelos propostos, nas duas abordagens supracitadas, reproduzem o CLF com erros abaixo de 2% da potência nominal. Por um lado, a abordagem estatística apresenta erros ligeiramente mais baixos, entretanto, a abordagem analítica permite uma avaliação mais detalhada do sistema, o que permite a reunião de informações relevantes para a redução no tempo de resposta a eventuais falhas.
Downloads
Referências
Almonacid, F., Rus, C., Pérez-Higueras, P., Hontoria, L., 2011. Calculation of the energy provided by a PV generator. Comparative study: Conventional methods vs. artificial neural networks. Energy, vol. 36, n.1, pp. 375-384.
Breyer, C., Bogdanov, D., Aghahosseini, A., Gulagi, A., Child, M., Oyewo, A. S., Farfan, J., Sadovskaia, K., Vainikka, P., 2018. Solar photovoltaics demand for the global energy transition in the power sector. Progress in Photovoltaics: Research and Applications, vol. 26, n. 8, pp. 505-523.
Botev, Z. I., Grotowski, J. F., Kroese, D. P., 2010. Kernel density estimation via diffusion. The annals of Statistics, vol. 38, n. 5, pp. 2916-2957.
Dirnberger, D., Blackburn, G., Müller, B., Reise, C., 2015. On the impact of solar spectral irradiance on the yield of different PV technologies. Solar Energy Materials and Solar Cells, vol. 132, pp. 431-442.
Duffie, J. A., Beckman, W. A., 2013. Solar Radiation. Solar Engineering of Thermal Processes, 4th. Ed., Hoboken, New Jersey: Wiley, 12-20.
Dubey, S., Sarvaiya, J. N., Seshadri, B., 2013. Temperature dependent photovoltaic (PV) efficiency and its effect on PV production in the world–a review. Energy Procedia, vol. 33, pp. 311-321.
Duda, R. O., Hart, P. E., 2006. Pattern classification. John Wiley & Sons.
Durand, S., Bowling, D., 1993. Field experience with photovoltaic systems: Ten-year assessment. Final report (No. EPRI-TR-102138). Electric Power Research Inst.; Southwest Technology Development Inst., United States.
EPE, Empresa de Pesquisa Energéticas. Balanço Energético Nacional 2020 - Ano base 2019. Rio de Janeiro.
Firth, S. K., Lomas, K. J., Rees, S. J., 2010. A simple model of PV system performance and its use in fault detection. Solar energy, vol. 84, n. 4, pp. 624-635.
Haykin, S., 1999. Principal Components Analysis. Neural Networks: A Comprehensive Foundation, 2.
Kumar, M., Kumar, A., 2017. Performance assessment and degradation analysis of solar photovoltaic technologies: A review. Renewable and Sustainable Energy Reviews, vol. 78, pp. 554-587.
Madeti, S. R., Singh, S. N., 2017. A comprehensive study on different types of faults and detection techniques for solar photovoltaic system. Solar Energy, vol. 158, pp. 161-185.
Moraes, C. F. W. C. B., 2015. Procedimento objetivo para a garantia da qualidade de dados observacionais de vento em superfície no litoral do Rio Grande do Norte, Dissertação de Mestrado, PPGEM, UFPE, Recife.
Murtagh, F., Contreras, P., 2012. Algorithms for hierarchical clustering: an overview. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, vol. 2, n. 1, pp. 86-97.
Oliveira, R., Borges, C. L., 2021. A comparison of photovoltaic models for estimating power generation: a case study of Brazilian data. Clean Technologies and Environmental Policy, vol. 23, n. 2, 517-530.
Osterwald, C. R., 1986. Translation of device performance measurements to reference conditions. Solar cells, vol. 18, n. 3-4, pp. 269-279.
Park, H. S., Jun, C. H., 2009. A simple and fast algorithm for K-medoids clustering. Expert systems with applications, vol. 36, n. 2, pp. 3336-3341.
Pedrosa, G. T. M. D. C., 2016. Detecção e diagnóstico de falhas na performance de aerogeradores, Dissertação de Mestrado, PPGEM, UFPE, Recife.
Perruci, V. P., 2018. Análise da complementariedade entre diferentes técnicas estatísticas para aumento na resolução espacial do comportamento do vento local (Master's thesis, Universidade Federal de Pernambuco).
Petribú, L., Sabino, E., Barros, H., Costa, A., Barbosa, E., Vilela, O. C., 2017. Procedimento objetivo para a garantia de qualidade de dados de radiação solar. Avances en Energías Renovables y Medio Ambiente-AVERMA, 21, 67-78.
Ranaboldo, M., Giebel, G., Codina, B., 2013. Implementation of a Model Output Statistics based on meteorological variable screening for short‐term wind power forecast. Wind Energy, vol. 16, n. 6, pp. 811-826.
Ranganathan, A., 2004. The levenberg-marquardt algorithm. Tutoral on LM algorithm, 11(1), pp. 101-110.
Roberts, J. J., Zevallos, A. A. M., Cassula, A. M., 2017. Assessment of photovoltaic performance models for system simulation. Renewable and Sustainable Energy Reviews, vol. 72, pp. 1104-1123.
Sánchez, I., 2008. Adaptive combination of forecasts with application to wind energy. International Journal of Forecasting, vol. 24, n. 4, pp. 679-693.
Shirzadi, S., Hizam, H., Wahab, N. I. A., 2014. Mismatch losses minimization in photovoltaic arrays by arranging modules applying a genetic algorithm. Solar energy, vol. 108, pp. 467-478.
Timmermann, A., 2006. Forecast combinations. Handbook of economic forecasting, vol. 1, pp. 135-196.
Wilks, D. S., 2011. Statistical methods in the atmospheric sciences (Vol. 100). Academic press.
Zebari, R., Abdulazeez, A., Zeebaree, D., Zebari, D., Saeed, J., 2020. A comprehensive review of dimensionality reduction techniques for feature selection and feature extraction. Journal of Applied Science and Technology Trends, vol. 1, n. 2, pp. 56-70.