DETECÇÃO DE ANOMALIAS EM PAINÉIS FOTOVOLTAICOS UTILIZANDO REDES ABNET, PSOM E MLP
DOI:
https://doi.org/10.59627/cbens.2016.1957Palavras-chave:
Painéis Fotovoltaicos, Redes Neurais Artificiais, Classificação de PadrõesResumo
Este trabalho tem como objetivo principal propor um método baseado em Redes Neurais Artificiais (RNA) para detectar anomalias em painéis fotovoltaicos instalados em sistemas de geração elétrica, tendo como base imagens termográficas. Assim, foram utilizadas técnicas de processamento de imagem e reconhecimento de padrões por meio de RNA com treinamento supervisionado e adaptativo. Para a implementação do sistema de detecção de anomalias, foram selecionadas imagens do tutorial “Solar Cell Development” da FLIR systems, sendo que estas imagens termográficas apresentam pontos de aquecimento em células específicas de determinado painel fotovoltaico. A ferramenta computacional Matlab© foi utilizada para realizar o pré-processamento do banco de imagens e para o treinamento de uma rede ABNET, uma rede PSOM e uma rede MLP. Por meio de validação cruzada, a taxa de acertos para a classificação dos padrões da rede ABNET e PSOM foi de 87,5% e para a rede MLP foi de 96%. Os resultados corroboram para utilização dessas redes em um banco de imagens que será construído por meio do Projeto de Pesquisa e Desenvolvimento (P&D) em andamento.
Downloads
Referências
C. M. Bishop, Neural networks for pattern recognition. 1rt ed., Oxford: Clarendon Press, 1995.
E. Upton, G. Halfacree. Raspberry Pi user guide. 3rd ed. Hoboken, New Jersey: John Wiley & Sons, 2014.
F. J. Rosenblatt, “The Perceptron: A probabilistic model for information storage and organization in the brain”, Psychological Review, vol. 65, pp. 386–408, Jun. 1958.
FLIR Systems, “FLIR Solution Series: Solar Cell Development”, FLIR Systems, Inc., MoviTHERM, Automation Technology GmbH, Irvine, CA, USA. Disponível em: <http://infraredsys.com/research.pdf>. Acesso em: 25 ago. 2015.
FLIR Systems, “MoviTHERM Solar-Check system”, FLIR Systems, Inc., MoviTHERM, Automation Technology GmbH, Irvine, CA, USA. Disponível em: < http://www.movitherm.com/solar-check-ndt-solar-cells.html>. Acesso em: 25 de ago. 2015.
G Blanchet, M Charbit, Digital signal and image processing using Matlab. 4th ed. London: Iste, 2006.
G. A. de Deus Júnior, L. N. de Castro, J. Portugheis, “Mapa Auto-Organizável Não-Paramétrica (PSOM) Aplicado À Decisão De Lógica Majoritária”, SBAI, pp. 100-155, 1999.
G. A. de Deus Júnior, “Sistemas FFH-CDMA Codificados”, Ph.D. diss., Universidade Estadual de Campinas, Campinas, SP, Brasil, 2002.
K Hornik, M Stinchcombe, H White, “Multilayer feedforward networks are universal approximators”, Neural networks, vol 2, pp. 359-366, May 1989.
L. N. de Castro, F. J. Von Zuben, G. A. de Deus Júnior, “The construction of a Boolean competitive neural network using ideas from immunology”, Neurocomputing, vol 5, pp. 51-85, 2003.
M. Minsky, P. Seymour. Perceptrons, Oxford, England: M.I.T. Press, 1969.
M. Stone, “Cross-validation: A review,” Statistics: A Journal of Theoretical and Applied Statistics, vol. 9, pp. 127–139, 1978.
M. Stone, “Cross-validatory choice and assessment of statistical predictions”, Journal of the Royal Statistical Society, vol. B36, pp. 111–133, 1974.
R. C. Gonzalez and R. E. Woods Processamento de Imagens Digitais. São Paulo: Editora Edgard Blücher Ltda., 1992.
S. S. Haykin, Neural networks and learning machines. 3rd ed., Upper Saddle River: Pearson Education, 2009.
M. Simon and E. L. Meyer, “Detection and analysis of hot-spot formationin solar cells,” Solar Energy Mater. Solar Cells, vol. 94, no. 2, pp. 106–113,2010.