Detecção de falhas em sistemas fotovoltaicos a partir da análise dos sinais de geração
Zusammenfassung
A produção de energia por meio de painéis fotovoltaicos é uma tecnologia amplamente conhecida e, recentemente, seu custo se reduziu a ponto de ser viável para usuários domésticos instalarem sistemas para uso pessoal em suas casas, sítios, microempresas e afins. No entanto, as instalações ainda apresentam um custo elevado. Por esse motivo, o monitoramento da geração de energia e a realização de manutenções são necessárias para garantir um funcionamento duradouro e otimizado do sistema. Diversos sistemas foram desenvolvidos na tentativa de monitorar o funcionamento e predizer falhas, utilizando várias técnicas e monitorando diversas variáveis. Neste trabalho, observa-se a tentativa de detectar e predizer falhas através de um software de IA baseado no uso de um AutoEncoder. Redes neurais são elementos complexos no desenvolvimento de software, e AutoEncoders se comportam de maneira específica e diferente se comparados a outros tipos de redes neurais. Portanto, foi apresentado um estudo sobre o funcionamento das redes neurais, como elas "aprendem" e como seus resultados são avaliados. Como o tema deste projeto é AutoEncoders, foi dada ênfase maior a eles, conceituando o que são, o que os diferencia das demais redes, como é sua arquitetura e seu funcionamento, além de avaliar artigos na área de detecção de falhas usando AutoEncoders em outros tipos de sinais. Adicionalmente, também é apresentado o funcionamento de um sistema de geração de energia fotovoltaico, sua instalação, manutenção, medição da quantidade de energia gerada e a qualidade dessa geração. A importância da manutenção preventiva e preditiva para maximizar a eficiência e a vida útil dos sistemas fotovoltaicos também foi discutida. O projeto do sistema de detecção foi iniciado com a obtenção de um DataSet contendo medições do nível de geração juntamente com diversas variáveis sobre o momento desta geração. A segunda etapa constituiu na criação dos conjuntos de treino e teste, bem como no desenvolvimento do AutoEncoder e na definição da métrica de avaliação de performance, sendo esta a divergência de Kullback-Leibler (KL). A etapa seguinte concentrou-se no treino do modelo com diferentes números de camadas e configurações. Por fim, as configurações e seus respectivos erros foram exibidos graficamente para facilitar a análise e comparação. Além disso, foi analisada a viabilidade de aplicação em larga escala e as possíveis melhorias futuras no modelo de AutoEncoder. Concluímos que os resultados foram satisfatórios ao se avaliar a divergência dos dados após a desconstrução e reconstrução pelo AutoEncoder, comparando-os com os dados originais do dataset, demonstrando a eficácia do método na detecção de falhas. [resumo fornecido pelo autor]