Aplicacaotecnicasinteligencia Vieira 2021

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA
ELÉTRICA E DE COMPUTAÇÃO
Aplicação de Técnicas de Inteligência Artificial

para Identificação de Faltas em Módulos
Fotovoltaicos
Romênia Gurgel Vieira
Orientador: Prof. Dr. Fábio Meneghetti Ugulino de Araújo
Tese de Doutorado apresentada ao Programa

de Pós-Graduação em Engenharia Elétrica e de
Computação da UFRN (área de concentração:
Engenharia Elétrica, Sistemas de Controle)
como parte dos requisitos para obtenção do
título de Doutora em Ciências.
Natal, RN, Dezembro de 2021

Universidade Federal do Rio Grande do Norte - UFRN
Sistema de Bibliotecas - SISBI
Catalogação de Publicação na Fonte. UFRN - Biblioteca Central Zila Mamede
Vieira, Romênia Gurgel.

Aplicação de técnicas de inteligência artificial para
identificação de faltas em módulos fotovoltaicos / Romênia Gurgel
Vieira. - 2021.
117f.: il.
Tese (Doutorado) - Universidade Federal do Rio Grande do

Norte, Centro de Tecnologia, Programa de Pós-Graduação em
Engenharia Elétrica e de Computação, Natal, 2022.
Orientador: Dr. Fábio Meneghetti Ugulino de Araújo.
1. Energia Solar - Tese. 2. Módulos Fotovoltaicos - Tese. 3.

Faltas em Sistemas Fotovoltaicos - Tese. 4. Detecção de Faltas -
Tese. 5. Inteligência Artificial - Tese. I. Araújo, Fábio
Meneghetti Ugulino de. II. Título.
RN/UF/BCZM CDU 621.3
Elaborado por Raimundo Muniz de Oliveira - CRB-15/429

Resumo
A energia solar fotovoltaica tem se mostrado como alternativa viável que vem a
contribuir não somente com o desenvolvimento sustentável, como também na garantia de
suprimento energético ao redor do mundo. O crescimento exponencial da capacidade instalada
nos últimos anos tem evidenciado a necessidade de garantir a operação segura e confiabilidade
dos sistemas fotovoltaicos. Neste contexto, a ocorrência de faltas em tais sistemas é uma
questão crucial, uma vez que pode impactar significativamente na potência gerada, diminuir a
vida útil e causar potenciais riscos na operação. Desta forma, esta pesquisa aplicou de técnicas
de inteligência artificial para detecção e diagnóstico de faltas em módulos fotovoltaicos. As
faltas identificadas pelos métodos propostos são: módulos em curto-circuito, desconexão de
strings e sombreamento parcial. Foram desenvolvidos algoritmos que dectectam as faltas
isoladamente, sendo estes: rede neural perceptron de múltiplas camadas, rede neural
probabilística e um método neuro-fuzzy, que combina o uso de uma rede neural com lógica
fuzzy. Todos os algoritmos treinados utilizado dados simulados através do software
MATLAB/Simulink®, e testados com dados experimentais de três sistemas fotovoltaicos
diferentes. Dois dos sistemas fotovoltaicos estudados são plantas instaladas na Universidade de
Huddersfield, com 2,2 kWp e 4,16 kWp de potência instalada. O terceiro sistema fotovoltaico
tem 5 kWp de potência máxima, e está instalado na Universidade Federal Tecnológica do
Paraná. Adicionalmente, ainda foram consideradas situações de treinamento em que o conjunto
de dados estava contaminado por ruídos aleatórios. Os resultados indicaram acurácia máxima
de 99,1% para a falta de módulos em curto-circuito, 100% para desconexão de strings e 82,2%
para a falta de sombreamento parcial. Além disso, as análises permitiram reafirmar a robustez
da rede perceptron de múltiplas camadas para detecção de faltas em sistemas fotovoltaicos,
mesmo com a presença de ruído dos dados de treinamento.
Palavras-chave: Energia Solar; Módulos Fotovoltaicos; Faltas em Sistemas

Fotovoltaicos; Detecção de Faltas; Inteligência Artificial.
Abstract
Photovoltaic solar energy has proven to be a viable alternative that contributes not only
to sustainable development but also to ensuring energy supply around the world. The
exponential growth of installed capacity in recent years has highlighted the need to ensure the
safe operation and reliability of photovoltaic systems. In this context, the occurrence of faults
in such systems is a crucial issue, as it can significantly impact the generated power, decrease
the modules lifetime, and cause potential risks in the operation. Thus, this research applied
artificial intelligence techniques to detect and diagnose faults in photovoltaic modules. The
faults identified by the proposed methods are short-circuit modules, string disconnection, and
partial shading. Algorithms that detect isolated faults were developed, namely: multilayer
perceptron neural network, probabilistic neural network, and a neuro-fuzzy method, which
combines the use of a neural network with fuzzy logic. All trained algorithms used data
simulated through MATLAB/Simulink® software and tested with experimental data from three
different photovoltaic systems. Two of the studied photovoltaic systems are power plants
installed at the University of Huddersfield, with 2.2 kWp and 4.16 kWp of installed power. The
third photovoltaic system has a maximum power of 5 kWp and is installed at the Federal
Technological University of Paraná. Additionally, training situations in which the dataset was
contaminated by random noise were also considered. The results indicated maximum accuracy
of 99.1% for the lack of short-circuited modules, 100% for string disconnection, and 82.2% for
the lack of partial shading. Furthermore, the analyzes allowed to reaffirm the robustness of the
multi-layer perceptron network for fault detection in photovoltaic systems, even with the
presence of noise in the training data.
Keywords: Solar Energy; Photovoltaic Modules; PV Systems Faults; Fault Detection;

Artificial Intelligence.
Sumário
Resumo ..................................................................................................................................3
Abstract ..................................................................................................................................4
Sumário ..................................................................................................................................5
Lista de Figuras ......................................................................................................................8
Lista de Tabelas .................................................................................................................... 11
Lista de Abreviaturas ............................................................................................................ 13
1 Introdução.................................................................................................................. 15
1.1 Revisão da Literatura ..................................................................................................22
1.2 Motivação ..................................................................................................................... 26
1.3 Contribuições da Pesquisa ........................................................................................... 26
1.4 Objetivos ...................................................................................................................... 27
1.4.1 Objetivo Geral ......................................................................................................27
1.4.2 Objetivos Específicos ............................................................................................ 27
1.5 Estrutura do Trabalho ................................................................................................ 27
2 Fundamentação Teórica ............................................................................................ 29
2.1 Energia Solar ............................................................................................................... 29
2.1.1 Energia Solar Fotovoltaica ................................................................................... 30
2.2 Módulos Fotovoltaicos de Silício Cristalino ................................................................ 32
2.2.1 Modelo de uma Célula Fotovoltaica .................................................................... 34
2.2.2 Características Elétricas dos Módulos Fotovoltaicos .......................................... 38
2.3 Classificação de Faltas e Falhas em Módulos Fotovoltaicos ...................................40
2.3.1 Degradação do Módulo ........................................................................................ 41
2.3.2 Deposição de Sujeira ............................................................................................ 43
2.3.3 Sombreamento dos Módulos ................................................................................ 43
2.3.4 Diodos de Bypass ..................................................................................................45
2.3.5 Hotspot .................................................................................................................. 49
2.3.6 Curto-Circuito nos Módulos FV .......................................................................... 50
2.4 Inteligência Artificial para Detecção de Faltas em Sistemas FV ............................ 51
2.4.1 Lógica Fuzzy ......................................................................................................... 51
2.4.2 Redes Neurais Artificiais ...................................................................................... 53
2.4.3 Redes Neurais Probabilísticas (RNP) ..................................................................54
3 Materiais e Métodos ...................................................................................................56
3.1 Metodologia da Pesquisa ............................................................................................. 56
3.2 Modelagem da Célula Fotovoltaica ............................................................................. 56
3.2.1 Extração de parâmetros ....................................................................................... 58
3.3 Métodos de Detecção de Falta ................................................................................. 60
3.3.1 Descrição do Sistema FV 1 ................................................................................... 60
3.3.1.1 Método de Detecção de Módulos Curto-Circuitados (Sistema FV 1) ............. 61
3.3.1.2 Perceptron de Múltiplas Camadas (Sistema FV 1) .......................................... 64
3.3.1.3 Rede Neural Probabilística (Sistema FV 1) ..................................................... 66
3.3.1.4 Neuro-Fuzzy (Sistema FV 1) ............................................................................. 67
3.3.2.1 Método de Detecção de Desconexão String (Sistema FV 2) ............................. 72
3.3.2.4 Neuro-Fuzzy (Sistema FV 2) ............................................................................. 76
3.3.3.1 Método de Detecção de Sombreamento Parcial (Sistema FV 3) ..................... 81
4 Resultados e Discussões ............................................................................................. 85
4.1 Avaliação do Modelo e Simulação da Célula Fotovoltaica ......................................... 85
4.1.1 Avaliação do Modelo para o Arranjo FV-A ........................................................ 85
4.1.2 Avaliação do Modelo para o Arranjo FV-B ........................................................ 87
4.1.3 Avaliação do Modelo para o Arranjo FV-C ........................................................ 89
4.2 Avaliação dos Métodos de Detecção de Módulos em Curto-Circuito ........................ 91
4.2.1 Avaliação do Método usando PMC (Sistema FV 1) ............................................ 93
4.2.2 Avaliação do Método usando RNP (Sistema FV 1) ............................................. 95
4.2.3 Avaliação do Método usando Neuro-Fuzzy (Sistema FV 1) ................................ 96
4.3 Avaliação dos Métodos de Detecção de Desconexão de Strings..................................97
4.3.1 Avaliação do Método usando PMC (Sistema FV 2) ............................................ 99
4.3.2 Avaliação do Método usando RNP (Sistema FV 2) ........................................... 100
4.3.3 Avaliação do Método usando Neuro-Fuzzy (Sistema FV 2) .............................. 102
4.4 Avaliação do Método de Detecção de Sombreamento Parcial dos Módulos ........... 103
4.4.1 Avaliação do Método usando PMC (Sistema FV 3) .......................................... 106
4.4.2 Avaliação do Método usando RNP (Sistema FV 3) ........................................... 106
4.5 Estudo Comparativo .................................................................................................. 108
Conclusões ......................................................................................................................... 111
Sugestões para trabalhos futuros ......................................................................................... 113
Referências ......................................................................................................................... 114
Lista de Figuras
Figura 1.1 - Evolução global de instalações de sistemas fotovoltaicos ...................................16

Figura 1.2 - Classificação de faltas nos módulos FV ............................................................. 19
Figura 1.3 - Classificação dos métodos de detecção e diagnóstico de faltas ........................... 21
Figura 2.1 - - Evolução a energia solar fotovoltaica .............................................................. 32
Figura 2.2 - Representação das ligações em um módulo fotovoltaico .................................... 33
Figura 2.3 - Representação da montagem de um módulo fotovoltaico ...................................34
Figura 2.4 – Modelo de um diodo de uma célula fotovoltaica ............................................... 35
Figura 2.5 – Modelo de um módulo fotovoltaico...................................................................37
Figura 2.6 Curvas características I-V e P-V de um módulo fotovoltaico................................ 38
Figura 2.7 – Efeito causado pela variação de irradiância ...................................................... 40
Figura 2.8 – Efeito causa pela temperatura............................................................................ 40
Figura 2.9 – Célula fotovoltaica exibindo snail trails ............................................................ 42
Figura 2.10 – Módulo FV degradado por (a) quebra das interconexões e (b) corrosão ........... 43
Figura 2.11 – Curvas I-V e P-V de um módulo FV quando sombreado ................................. 44
Figura 2.12 – Curva I-V de uma célula fotovoltaica na região de polarização reversa .......... 45
Figura 2.13 – Módulo fotovoltaico com uma célula sombreada ............................................ 46
Figura 2.14 – Curvas I-V e P-V de um módulo fotovoltaico sombreado com um diodo de by-
pass ativado .......................................................................................................................... 47
Figura 2.15 – Configurações típicas de diodos de bypass ...................................................... 47
Figura 2.16 – Identificação de hotspot com uso da câmera térmica ....................................... 49
Figura 2.17 – Marcas de queimadura na parte traseira do módulo ......................................... 50
Figura 2.18 – Modelo de um sistema fuzzy ............................................................................ 52
Figura 2.19 – Representação de um neurônio artificial .......................................................... 53
Figura 2.20 – Estrutura Básica de uma RNP ......................................................................... 55
Figura 3.1 – Modelo da célula fotovoltaica no MATLAB/Simulink® .................................... 57
Figura 3.2 – Representação esquemática do modelo de um arranjo fotovoltaico .................... 58
Figura 3.3 – Fluxograma para extração dos parâmetros Rs e Rsh ............................................ 59
Figura 3.4 – Representação esquemática do Sistema FV 1 .................................................... 60
Figura 3.5 – Curva I-V para a situação de curto-circuito no Sistema FV 1............................. 62
Figura 3.6 – Representação de curva I-V para os cenários simulados no sistema FV 1 .......... 63
Figura 3.7 – Algoritmos estudados para detecção de módulos em curto-circuito no Sistema
FV 1 .....................................................................................................................................64
Figura 3.8 – Estrutura da rede PMC para detecção de módulos em curto-circuito no Sistema
FV 1 .....................................................................................................................................64
Figura 3.9 - Estrutura da rede RNP para detecção de módulos em curto-circuito no Sistema
FV 1 .....................................................................................................................................66
Figura 3.10 – Representação esquemática do método de detecção de módulos em curto-
circuito Neuro-Fuzzy no Sistema FV 1.................................................................................. 67
Figura 3.11 – Coeficiente de regressão para a RNA treinada para detecção de módulos em
curto-circuito no Sistema FV 1 ............................................................................................. 68
Figura 3.12 – Sistema de lógica fuzzy desenvolvido para detecção de módulos em curto-
circuito no Sistema FV 1 ......................................................................................................69
Figura 3.13 - Representação esquemática do Sistema FV 2 ................................................... 71
Figura 3.14 – Curva I-V para a situação de desconexão de strings no Sistema FV 2.............. 72
Figura 3.15 - Representação de curva I-V para os cenários simulados no sistema FV 2 ......... 73
Figura 3.16 – Algoritmos estudados para detecção de desconexão de strings no Sistema FV 2
............................................................................................................................................. 74
Figura 3.17 - Estrutura da rede PMC para detecção de strings desconectados no Sistema FV 2
............................................................................................................................................. 74
Figura 3.18 – Estrutura da rede RNP para detecção de strings desconectados no Sistema FV 2
............................................................................................................................................. 76
Figura 3.19 - Representação esquemática do método de detecção desconexão de strings
Neuro-Fuzzy no Sistema FV 2 .............................................................................................. 77
Figura 3.20 – Gráfico de regressão para a RNA treinada para detecção de strings
desconectados ....................................................................................................................... 78
Figura 3.21 – Sistema de lógica fuzzy desenvolvido para detecção de desconexão de strings no
Sistema FV 2 ........................................................................................................................ 79
Figura 3.22 – Ilustração do Sistema FV 3 ............................................................................. 80
Figura 3.23 - Representação de curva I-V para os cenários simulados no sistema FV 3 ......... 82
Figura 3.24 – Estrutura da rede RNP para detecção de sombreamento parcial no Sistema FV 3
............................................................................................................................................. 84
Figura 4.1 – Curvas P-V do Sistema 1 (a) Teste A e G=294W/m², (b) Teste A e G=543W/m²,
(c) Teste A e G=881W/m², (d) Teste B e G=371W/m², (e) Teste B e G=883W/m² e (f) Teste
B e G=991W/m² ................................................................................................................... 87
Figura 4.2 - Curvas P-V do Sistema 1 (a) G = 88W/m², (b) G = 110W/m², (c) G = 224W/m² e
(d) G = 329W/m² .................................................................................................................. 88
Figura 4.3 Cenários de teste para o Sistema 3 ....................................................................... 90
Figura 4.4 – Curvas P-V para o Sistema 3 (a) Teste A e (b) Teste B .....................................90
Figura 4.5 – Representação esquemática do experimento realizado no Sistema FV 1 ............ 92
Figura 4.6 – Resultados experimentais da semana 1 para o Sistema FV 1 ............................. 92
Figura 4.7 - Resultados experimentais da semana 2 para o Sistema FV 1 .............................. 93
Figura 4.8 - Matriz de confusão para validação com dados experimentais (a) PMC-A1, (b)
PMC-A2 e (c) PMC-A3 ........................................................................................................ 94
Figura 4.9 – Matriz de confusão para validação da RNP com dados experimentais (a) RNP-
A1, (b) RNP-A2 e (c) RNP-A3 ............................................................................................. 95
Figura 4.10 - Resultados obtidos com o método neuro-fuzzy para módulos em curto-circuito 96
Figura 4.11 - Representação esquemática do experimento realizado no Sistema FV 2 ........... 98
Figura 4.12 - Resultados experimentais para o Sistema FV 2 ................................................ 98
Figura 4.13 – Matriz de confusão para validação com dados experimentais (a) PMC-B1, (b)
PMC-B2 e (c) PMC-B3 ...................................................................................................... 100
Figura 4.14 – Matriz de confusão para validação da RNP com dados experimentais (a) RNP-
B1, (b) RNP-B2 e (c) RNP-B3............................................................................................ 101
Figura 4.15 Resultados obtidos com o método neuro-fuzzy para desconexão de strings ....... 102
Figura 4.16 - Resultados experimentais para o Sistema FV 3 (a) irradiância e temperatura dos
módulos e (b) corrente e tensão de máxima potência........................................................... 104
Figura 4.17 - Resultados experimentais para o Sistema FV 3 no Dia 1 de observação (a)
irradiância e temperatura dos módulos e (b) corrente e tensão de máxima potência ............. 105
Figura 4.18 – Matriz de confusão para validação com dados experimentais da PMC para
detecção de sombreamento parcial no Sistema FV 3 ........................................................... 106
Figura 4.19 – Matriz de confusão para validação da RNP com dados experimentais da RNP
para detecção de sombreamento parcial no Sistema FV 3 ................................................... 107
Lista de Tabelas
Tabela 1.1 - Principais países produtores e suas potências instaladas .................................... 16

Tabela 3.1 – Parâmetros do módulo fotovoltaico SMT6(60)P .............................................. 61
Tabela 3.2 – Características de treinamento da PMC para detecção de módulos em curto-
circuito no Sistema FV 1 ......................................................................................................64
Tabela 3.3 – Valores de saída para as redes PMC desenvolvidas para o Sistema FV 1 .......... 65
Tabela 3.4 – Resultados de treinamento PMC para detecção de módulo em curto-circuito no
Sistema FV 1 ........................................................................................................................ 66
Tabela 3.5 – Faltas indicadas pelo método de detecção de módulos em curto-circuito no
Sistema FV 1 ........................................................................................................................ 67
Tabela 3.6 – Características de treinamento da RNA para detecção de desconexão de módulos
em curto-circuito no Sistema FV 1........................................................................................ 67
Tabela 3.7 – Configurações do classificador fuzzy para detecção de módulos em curto-circuito
no Sistema FV 1 ................................................................................................................... 69
Tabela 3.8 – Características das funções de pertinência de entrada e saída do classificador
fuzzy no Sistema FV 1 .......................................................................................................... 69
Tabela 3.9 - Regras do classificador fuzzy no Sistema FV 1 .................................................. 70
Tabela 3.10 – Parâmetros do módulo fotovoltaico KC130GHT-2 ......................................... 71
Tabela 3.11 – Características de treinamento da PMC para detecção de strings desconectados
no Sistema FV 2 ................................................................................................................... 74
Tabela 3.12 – Valores de saída para a PMC desenvolvida para o Sistema FV 2 .................... 75
Tabela 3.13 - Resultados de treinamento PMC para detecção de strings desconectados no
Sistema FV 2 ........................................................................................................................ 75
Tabela 3.14 – Faltas indicadas pelo método neuro-fuzzy no Sistema FV 2............................. 77
Tabela 3.15 – Características de treinamento da RNA para detecção de desconexão de strings
no Sistema FV 2 ................................................................................................................... 77
Tabela 3.16 – Configurações do classificador fuzzy para detecção de desconexão de strings no
Sistema FV 2 ........................................................................................................................ 79
Tabela 3.17 – Características das funções de pertinência de entrada e saída do classificador
fuzzy no Sistema FV 2 .......................................................................................................... 79
Tabela 3.18 – Regras do classificador fuzzy no Sistema FV 2................................................ 79
Tabela 3.19 – Parâmetros do módulo fotovoltaico CS6U-330P ............................................. 80
Tabela 3.20 – Características de treinamento da PMC para detecção de sombreamento parcial
no Sistema FV 3 ................................................................................................................... 83
Tabela 3.21 – Valores de saída para a PMC desenvolvida para o Sistema FV 3 .................... 83
Tabela 4.1 – Características do módulo Yiglisolar YL245P-29b ........................................... 85
Tabela 4.2 - Comparação entre resultados experimentais e de simulação para o Sistema 1 .... 87
Tabela 4.3 – Comparação entre resultados experimentais e de simulação para o Sistema 1 ...88
Tabela 4.4 – Características do módulo EGing-50W ............................................................. 89
Tabela 4.5 - Comparação entre resultados experimentais e de simulação para o Sistema 3 .... 91
Tabela 4.6 – Resultados experimentais para o Sistema FV 1 na detecção de módulos em
curto-circuito ........................................................................................................................ 97
Tabela 4.7 - Resultados experimentais para o Sistema FV 2 na detecção de strings
desconectados ..................................................................................................................... 102
Tabela 4.8 – Resultados experimentais para o Sistema FV 3 na detecção de sombreamento
parcial dos módulos ............................................................................................................ 107
Tabela 4.9 – Resultados experimentais dos algoritmos de detecção de falta propostos na
pesquisa .............................................................................................................................. 108
Tabela 4.10 – Comparação com trabalhos previamente publicados ..................................... 108
Lista de Abreviaturas
ANEEL Agência Nacional de Energia Elétrica

ANFIS Adaptative Network based Fuzzy Inference System
BIG Banco de Informações de Geração
CA Corrente Alternada
CC Corrente Contínua
CNN Convolutional Neural Network
ENN Elman Neural Network
FF Fill Factor
FPGA Field-Programmable Gate Array
FV Fotovoltaico
GW Giga Watt
IA Inteligência Artificial
I-V Corrente versus Tensão
kNN k-Nearest Neighbors
LAPART Laterally Adaptative Resonance Theory
LF Lógica Fuzzy
LID Light Induced Degradation
ML Machine Learning
MLP Multi-Layer Percectron
MPP Maximum Power Point
MPPT Maximum Power Point Tracking
NOCT Normal Operating Condition Temperature
PID Potential Induced Degradation
PMC Perceptron de Múltiplas Camadas
PMP Ponto de Máxima Potência
PNN Probabilistic Neural Network
P-V Potência versus Tensão
RBF Radial Basis Function
RNA Redes Neurais Artificias
RNP Rede Neural Probabilística
SFCR Sistemas Fotovoltaicos Conectados à Rede
STC Standard Test Conditions
Wp Watt pico
15
1 Introdução
A energia elétrica é considerada um agente primordial na promoção do bem-estar da

população, bem como é um fator significativo para o desenvolvimento econômico. A forte
relação entre a disponibilidade de recursos energéticos e desenvolvimento econômico é
histórica e reafirmada mundialmente (KALOGIROU, 2009).
A crise do petróleo da década de 70 mostrou ao mundo a fragilidade da dependência
energética dos combustíveis fósseis, trazendo preocupações com relação ao custo de produção
de energia. Nas últimas duas décadas, a apreensão é com o aumento da demanda, declínio da
produção e degradação ambiental que se tornaram mais evidentes.
O impacto no meio ambiente se dá devido a uma combinação de fatores, analisando que
as atividades humanas cresceram consideravelmente. Como reflexo do desenvolvimento
populacional, há um crescente aumento no consumo de energia e na atividade industrial. Neste
contexto, fontes de energia renováveis aparecem como uma das soluções mais viáveis na busca
do aumento da oferta de energia e diminuição nos impactos ambientais.
Diante deste cenário mundial, o aproveitamento da energia solar, sobretudo para geração
de energia elétrica, mostra-se como uma alternativa que vem a contribuir não somente com o
desenvolvimento sustentável, como também na garantia de suprimento energético ao redor do
mundo.
A geração de energia solar fotovoltaica traz benefícios, tais como a diversificação da
matriz energética, diminuição dos impactos ambientais e redução da dependência aos
combustíveis fósseis. A Figura 1.1 mostra a evolução da capacidade instalada da energia solar
fotovoltaica no mundo ao longo dos últimos anos. Pode-se observar que a potência instalada
dos sistemas fotovoltaicos vem aumentando a cada ano, e em 2020 atingiu a marca de 760,4GW
(IEA, 2021)
16
Figura 1.1 - Evolução global de instalações de sistemas fotovoltaicos

Fonte: (IEA, 2021)
Analisando a Figura 1.1, nota-se um crescimento exponencial da geração de energia

solar no mundo. Os dez principais países produtores no ano de 2020 e suas respectivas potências
instaladas estão indicados na Tabela 1.1. O destaque na potência instalada é para China, que
sozinha representa 33,32% da capacidade mundial, além de ser o maior produtor mundial de
módulos fotovoltaicos (IEA, 2021).
Tabela 1.1 - Principais países produtores e suas potências instaladas
1 China 253,4 GW
2 Estados Unidos 93,2 GW
3 Japão 71,4 GW
4 Alemanha 53,9 GW
5 Índia 47,4 GW
6 Itália 21,7 GW
7 Austrália 20,2 GW
8 Vietnã 16,4 GW
9 Korea do Sul 15,9 GW
10 Reino Unido 13,5 GW
Fonte: (IEA, 2021)
No Brasil a matriz energética é essencialmente hidroelétrica, representando

aproximadamente 64% da capacidade instalada (EPE, 2020). A dependência com o ciclo de
chuvas observada nos últimos anos, impulsionou incentivos à diversificação das fontes de
energia. Um exemplo importante foi a criação da Resolução n° 414 da ANEEL (Agência
Nacional de Energia Elétrica), que no ano de 2012 regulamentou a possibilidade da mini e
microgeração distribuída de energia elétrica. Essa ação regulatória permite ao consumidor final
17
gerar energia elétrica na sua instalação e estabelece a possibilidade de compensação de energia

pelo excedente produzido.
Esse marco regulatório, aliado com a diminuição dos custos dos sistemas fotovoltaicos,
impulsionou o crescimento da energia solar como fonte de energia elétrica no Brasil. Segundo
o BIG (Banco de Informações de Geração) o Brasil tem hoje 4357 empreendimentos de geração
fotovoltaica, totalizando aproximadamente 3,8 GW de capacidade instalada até o ano de 2021
(EPE, 2021).
Grande parte dos empreendimentos de geração fotovoltaica no Brasil e no mundo são
de Sistemas Fotovoltaicos Conectados à Rede (SFCR), em que a energia gerada pelo sistema é
consumida pela instalação e o excedente é injetado na rede de distribuição. Essa configuração
abriu caminhos para aplicação dos sistemas fotovoltaicos em meio urbano através do sistema
de compensação e da integração dos módulos às construções.
Com a expansão rápida de sistemas fotovoltaicos produzidos e instalados nos últimos
anos, está se tornando cada vez mais importante compreender o desempenho e a confiabilidade
destes sistemas. A potência gerada de um módulo depende do tamanho, do número de células
e de dois principais fatores ambientais, a irradiância solar e temperatura da célula.
Entretanto, o uso dos sistemas fotovoltaicos chamou atenção para outros fatores que
podem levar à perda de potência gerada, diminuição da vida útil, da confiabilidade e da
segurança dos sistemas fotovoltaicos. Toda e qualquer planta fotovoltaica deve ser instalada em
ambiente externo, o que torna o sistema suscetível à danos causados pelo ambiente. Desta
forma, a operação de tais sistemas pode ser afetada por diversos tipos de falhas nos seus
componentes.
Falhas e erros podem ocorrer em todas as partes que compõem o sistema fotovoltaico
(FV), tais como cabeamento, sistemas de controle, inversores, bateria e nos próprios módulos.
Dentre esses fatores, tratando-se especificamente sobre falhas nos módulos, pode-se destacar
como problemas frequentes: quebra da camada protetora de vidro, falha nas conexões,
rachaduras nas células, defeitos da caixa de junção, corrosão, e o surgimento de pontos quentes
(IEA, 2013).
Além das falhas citadas, ainda pode-se destacar as situações de PID (do inglês, Potential
Induced Degradation) e LID (do inglês, Light Induced Degradation). Ambas as condições tem
o potencial de reduzir significativamente a potência gerada pelo módulo, e ainda comprometer
a operação segura do sistema (IEA, 2017).
A condição de LID é caracterizada pela diminuição da corrente de curto-circuito e da
tensão de circuito aberto da célula fotovoltaica, em geral causada por falhas no processo de
18
fabricação dos módulos (LINDROOS; SAVIN, 2016). Já a falta de PID é causada uma
diferença de potencial entre o módulo e o solo, criando caminho para fuga de corrente. Este
tipo de degradação é considerada uma das mais severas, em que as perdas de potência podem
exceder 30% da potência gerada pelo módulo (DHIMISH et al., 2020).
A ocorrência de falhas em plantas fotovoltaicas tem o potencial de reduzir
aproximadamente 19% da potência gerada anualmente pelo sistema (IEA, 2017). Entretanto,
estas situações são difíceis de serem identificadas pois em geral chamam atenção somente
quando os módulos apresentam distorções significativas nas características de tensão e corrente,
ou danos severos ao sistema.
Desta forma, é fundamental desenvolver técnicas que avaliam continuamente dados
característicos do sistema FV, buscando identificar a ocorrência de falhas. O uso de um
algoritmo que detecta rapidamente a presença de falhas e que identifique as causas é essencial
para melhorar a performance operacional e a confiabilidade do sistema como um todo
(GHAFFARZADEH; AZADIAN, 2019).
É importante destacar que as falhas podem ocorrer no lado de Corrente Contínua (CC)
ou no lado de Corrente Alternada (CA). As falhas em corrente contínua ocorrem nos módulos,
conversores CC, controle do MPPT (Maximum Power Point Tracking) e no armazenamento da
energia gerada. Já as falhas do lado CA ocorrem nos elementos de condicionamento da tensão
e transmissão, tais como inversores, cabeamento, e conexão com a rede.
Sobre as falhas do lado CC, destacam-se aquelas que ocorrem nos módulos
fotovoltaicos, por serem o tipo de falha mais frequentemente observada, bem como por atingir
a unidade geração do sistema (IEA, 2013). A Figura 1.2 esquematiza a classificação de falhas
que podem ocorrer nos módulos fotovoltaicos. Tratando-se especificamente sobre esta
pesquisa, serão abordados os defeitos em destaque na Figura 1.2, a saber, sombreamento
parcial, módulos em curto-circuito e desconexão de strings.
19
Sombreamento
Parcial
Temporárias
Deposição de
Sujeira
Mismatch
Hotspots
Degradação do
Permanentes
módulo
Diodo em Circuito
Quebra das Células
Aberto
Diodo de Bypass
Diodo em Curto-
Falhas e Faltas no Módulo
Circuito
Módulo em Desconexão de
Fotovoltaico
Desconexão dos Circuito-Aberto string

módulos/strings Módulo em Curto-
circuito
Falta Linha-Terra
Faltas Assimétricas
Falta Linha-Linha
Arco Elétrico
Descargas
Atmosféricas
Faltas de
Aterramento
Figura 1.2 - Classificação de faltas nos módulos FV
Fonte: Autoria Própria
Os tipos de falhas abordadas são frequentemente registradas em sistemas fotovoltaicos

(IEA, 2013), e há uma relação direta entre elas. A formação de pontos quentes, ou hotspots,
acontece quando uma célula fotovoltaica se torna reversamente polarizada, comportando-se
como um circuito aberto, e é forçada a conduzir a corrente produzida por outras células
conectadas em série. Aquecimentos localizados em módulos fotovoltaicos são identificados
desde os primeiros usos da tecnologia no espaço (JPL, 1976).
Esse tipo de falha nas células pode ocorrer devido a defeitos nas interconexões, presença
de rachaduras, características de fabricação ou ainda sombreamento parcial dos módulos. As
20
consequências do aquecimento podem causar desde perda de potência gerada, até danos
permanentes nos módulos (MOLENBROEK; WADDINGTON; EMERY, 1991).
O sombreamento parcial dos módulos fotovoltaicos de tecnologia de silício cristalino
tem se tornado causa de falta cada vez mais frequente nos sistemas fotovoltaicos, sobretudo
pela integração dos módulos às construções. No meio urbano há grande dificuldade dos
projetistas de gerenciar a possibilidade de sombreamento, uma vez que a fonte do problema
pode vir das mudanças sazonais do Sol ao longo do ano, de construções vizinhas, árvores,
postes, antenas, deposição de sujeira, entre outros diversos fatores que podem vir a sombrear
os módulos.
Células fotovoltaicas não sombreadas produzem mais corrente, forçando as outras
células que estão sombreadas a conduzir a mesma corrente, mesmo que estas estejam limitadas
em conduzir menos. Esta condição reduz drasticamente a potência de saída do módulo
fotovoltaico, além de favorecer a possibilidade do aparecimento de hotspots.
Considerando essas consequências, os fabricantes de módulos implementam um diodo
em antiparalelo a um conjunto de células, com o objetivo de criar um caminho alternativo para
passagem da corrente quando ocorrer a condição de sombreamento. Tais dispositivos são
nomeados na literatura como diodos de bypass, ficam instalados na caixa de junção do módulo
e frequentemente são fontes causadoras de faltas nos módulos FV.
Um exemplo de falha em decorrência de defeitos nos diodos de bypass é a desconexão
dos módulos de um sistema fotovoltaico. As desconexões dos módulos em uma planta, de um
modo geral, é consequência da ocorrência de outras faltas, ou até mesmo da associação delas,
levando o módulo à falha.
Primeiramente, é necessário entender que um módulo desconectado é aquele que não
contribuiu para a geração de energia, podendo este estar em estado de circuito aberto ou em
curto-circuito. O curto-circuito de um módulo pode ser causado, por exemplo, por ocorrer em
consequência de defeito na caixa de junção ou ainda falta completa dos diodos de bypass.
Por outro lado, um módulo em circuito aberto por ser efeito colateral de uma falta linha-
linha na planta fotovoltaica, quebra nas soldas de interconexões ou desconexões acidentais
(GHAFFARZADEH; AZADIAN, 2019). A desconexão dos módulos é, portanto, um tipo de
falta frequente, e que impacta diretamente na potência gerada pelo sistema e até mesmo levar à
falha permanente.
Os métodos de detecção e diagnósticos permitem identificar e localizar diferentes tipos
de faltas em plantas fotovoltaicas, contribuindo para aumentar a confiabilidade, a vida útil e a
operação segura desses sistemas. Os métodos de detecção podem ser classificados em duas
21
categorias gerais: visuais e elétricos (TINA; COSENTINO; VENTURA, 2016). A Figura 1.3
ilustra a classificação e as suas respectivas subcategorias.
Visual Elétrico
Machine Learning
Inspeção Visual (ML)
Processamento de
Termografia Sinais
Eletroluminescência Método Estatístico
Fluorescência UV
Figura 1.3 - Classificação dos métodos de detecção e diagnóstico de faltas

Fonte: Autoria própria
Os métodos visuais são os mais frequentemente aplicados no campo, entretanto
necessitam de verificações manuais rotineiras. Além disso, demandam o uso de equipamentos
como câmeras termográficas e mão de obra especializada para realização do procedimento no
caso da eletroluminescência e fluorescência UV. Métodos visuais são utilizados na
identificação de faltas nos módulos fotovoltaicos, tais como deposição de sujeira, hotspots,
degradação dos módulos e quebra de células (TINA; COSENTINO; VENTURA, 2016).
Já os métodos elétricos baseiam-se na medição dos parâmetros elétricos do sistema ou
em dados meteorológicos em alguns casos. Este é um tipo de método mais vantajoso e
promissor, uma vez que possibilita a automação e controle da detecção e diagnóstico de falta
nos sistemas fotovoltaicos (GHAFFARZADEH; AZADIAN, 2019). Além disso, há
possibilidade de utilização de sensores e equipamentos já existentes na planta fotovoltaica, tais
como sensores de corrente, de tensão e medidores de irradiância solar. O aproveitamento desses
sensores e equipamentos torna o custo e adequação do sistema de detecção mais viável. Os
métodos elétricos podem ser aplicados em todos dos tipos de faltas do sistema fotovoltaico, seja
do lado CC ou CA.
Dentro do contexto de ocorrência de faltas, nos anos recentes a literatura tem explorado
diferentes técnicas de detecção e diagnóstico de faltas em sistemas fotovoltaicos. As técnicas
que utilizam aprendizagem de máquina, ou Machine Learning (ML), têm sido amplamente
exploradas, pois oferecem uma forma alternativa de abordar problemas complexos e mal
22
definidos. Algumas pesquisas realizadas nos últimos anos serão analisadas na seção 1.1,
buscando contextualizar a pesquisa desenvolvida neste trabalho.
1.1 Revisão da Literatura

Chao et al. (2010), desenvolveram um método de diagnóstico de falta baseado em uma
Rede Neural Artificial (RNA). O algoritmo é capaz de identificar a condição de falta, bem como
a localização do defeito em um sistema FV de 3.15 kWp, entretanto não há diagnóstico do tipo
de falta que está ocorrendo. Os dados utilizados no treinamento da rede foram obtidos através
de simulação com software SolarPro®.
Ducange et al. (2011), desenvolveram um sistema inteligente de detecção de faltas em
sistemas fotovoltaicos. O método consiste em comparar o valor de referência calculado pelo
modelo Takagi-Sugeno-Kahn fuzzy com os valores medidos na planta FV. O modelo fuzzy foi
desenvolvido com dados de simulação de um sistema FV, e suas variáveis de entrada são
irradiância e temperatura dos módulos, e sua saída é a previsão de corrente e tensão gerados no
sistema FV. Os dados fornecidos pelo modelo fuzzy são comparados com o valor medido na
planta. As faltas identificadas são quebra nas células fotovoltaicas, sombreamento parcial e
infiltração de água nos módulos. O método de detecção de falta foi testado com dados de
simulação e mostrou uma acurácia de mais de 90% na identificação de faltas.
Syafaruddin, Karatepe e Hiyama (2011), desenvolveram um sistema de diagnóstico de
falta utilizando RNAs. Neste método, foi treinada uma rede neural para cada módulo FV da
planta, como objetivo de identificar e localizar módulos em curto-circuito. A rede tem como
entradas irradiância, temperatura, tensão de máxima potência e corrente de máxima potência, e
a saída é a tensão de cada módulo. A saída é ligada a um sistema de alarme que indica visual e
sonoramente a ocorrência de módulos em curto-circuito.
Zhao et al. (2012) utilizaram um algoritmo de Decision Tree para identificar e classificar
a presença de faltas linha-linha e sombreamento parcial. Os dados para treinamento do
algoritmo foram extraídos experimentalmente de uma planta FV não conectada à rede,
composta por módulos de filme fino. Os resultados mostraram precisão de até 99,98%.
A pesquisa desenvolvida por Li et al. (2017) utilizou um RNA para diagnóstico de faltas
em sistemas FV, tendo como entradas a temperatura do módulo, corrente e tensão de máxima
potência. As faltas detectadas pelo algoritmo são degradação dos módulos, curto-circuito nos
módulos e sombreamento. O método não foi testado experimentalmente, e as simulações foram
realizadas com o software MATLAB/Simulink®.
23
Outra abordagem para detecção de faltas foi desenvolvida utilizando um algoritmo

Neuro-Fuzzy. O método identifica presença de falta e diagnosticas faltas do tipo linha-terra,
diodo de bypass em curto-circuito e sombreamento parcial. O algoritmo foi treinado com dados
de simulações realizadas no software MATLAB/Simulink® e PSPICE®, e as variáveis de
entrada são: corrente de curto-circuito do módulo, tensão de circuito-aberto do módulo, corrente
e tensão de máxima potência e as constantes S1 e S2 calculadas pelo autor. O método não foi
testado experimentalmente (BONSIGNORE et al., 2014).
Zhao et al. (2015) treinou uma RNA semi-supervisionada para detecção de faltas do
tipo linha-linha e de circuito aberto, tendo como dados de entrada a corrente e a tensão do
módulo. O método foi testado experimentalmente e mostrou 100% de acurácia na detecção das
faltas abordadas.
Jiang e Maskell (2015) desenvolveram um sistema de diagnóstico de falta que utiliza
RNA e método analítico de sinal. A rede neural é responsável por calcular o ponto de máxima
potência para o sistema sem faltas, com base na irradiância e temperatura dos módulos. O valor
calculado é comparado com o valor medido no sistema, e então é identificada a presença de
faltas. As faltas analisadas nesta pesquisa são módulos ou strings em circuito aberto, módulos
em curto-circuito, sombreamento parcial e mal funcionamento do rastreamento de máxima
potência. O método não foi testado experimentalmente.
Jones et al. (2015), treinou uma rede neural do tipo LAPART (do inglês, Laterally
Adaptative Resonance Theory) com dados de uma planta fotovoltaica saudável, com o objetivo
de identificar a presença de faltas no sistema. O método foi testado com dados experimentais e
de simulação. Este método apenas identifica a presença da falta, não diagnostica indicando qual
tipo de falta está ocorrendo.
Akram e Lotfifard (2015) utilizaram uma Probabilistic Neural Network (PNN) para
identificação de faltas de curto-circuito e circuito aberto nos módulos FV. A rede foi treinada e
testada com dados de simulações realizadas no software MATLAB/Simulink®, e mostrou um
erro máximo de 3,5%.
Yi e Etemadi (2016) desenvolveram um método para detecção de faltas linha-linha e
linha-terra em módulos FV, utilizando lógica fuzzy. O sistema fuzzy foi treinado com base no
impacto que as faltas trazem para os parâmetros de tensão de circuito aberto e corrente de curto-
circuito do sistema. O método foi testado experimentalmente e através de dados de simulação,
e os resultados mostraram acurácia de 85%.
Chine et al. (2016) desenvolveram um técnica para diagnóstico de faltas que utilizam
dois algoritmos. O primeiro algoritmo identifica a se há presença de falta no sistema FV,
24
comparando o valor medido de potência com o valor de referência simulado no software

MATLAB/Simulink®. O segundo algoritmo refere-se a uma rede neural do tipo Radial Basis
Function (RBF), capaz de diagnosticar faltas do tipo sombreamento parcial, defeitos nos diodos
de bypass, ou circuito aberto em qualquer célula ou módulo. A rede foi treinada com dados de
simulação e o método foi implementado experimentalmente em um FPGA (do inglês, Field-
Programmable Gate Array).
Liu, Zhu e Yang (2017) desenvolveram um método de diagnóstico de faltas que utiliza
uma RNA e algoritmo genético. A rede é treinada com dados de simulação, mas os pesos
iniciais são definidos pelo algoritmo genético. As variáveis de entrada são tensão, corrente e
potência de máxima potência, tensão de circuito aberto e corrente de curto-circuito. As faltas
identificadas pelo método são módulos em curto-circuito ou circuito aberto, envelhecimento
anormal dos módulos e sombreamento parcial. O modelo não foi testado experimentalmente.
Liu e Yu (2017) treinaram uma Elman Neural Network (ENN) tendo como variáveis de
entrada irradiância, temperatura dos módulos, tensão e corrente de saída do módulo, tensão do
inversor e tensão da carga. A rede neural busca identificar faltas de sombreamento parcial,
circuito aberto e curto-circuito dos módulos. A rede neural foi treinada e testada com base em
dados de um arranjo experimental em laboratório.
Laamami, Benhamed e Sbita (2017), também treinaram uma RNA com base em dados
de simulação, e tendo como entradas tensão e potência dos módulos. As faltas identificadas
nesta pesquisa foram sombreamento e ligação invertida dos módulos. O método não foi testado
experimentalmente.
Garouja et al., (2017) desenvolveram um método de diagnóstico de faltas tipo curto-
circuito no módulo e desconexão do string. Primeiramente, são extraídos os parâmetros do
módulo necessários para simulação. Em seguida a simulação é realizada utilizando os softwares
MATLAB/Simulink®.e PSIM®, e valida com dados experimentais. Então é possível elaborar
um conjunto de dados necessários ao treinamento de uma rede neural do tipo PNN e uma ANN,
tendo como dados de entrada irradiância, temperatura dos módulos, corrente e tensão de
máxima potência. O método foi testado experimentalmente, e os resultados mostraram que o
algoritmo da ANN obteve acurácia de 90,3% e o da PNN obteve 100%.
Dhimish et al. (2017a, 2017b), criaram um método de detecção de faltas de
multicamadas. A primeira camada utiliza um algoritmo com polinômio de terceira ordem, que
processa os sinais de tensão e potência do sistema FV. A segunda utiliza um sistema fuzzy para
diagnóstico final de falta. As faltas identificadas são sombreamento parcial e módulo em curto-
25
circuito. O método foi testado com dados experimentais, e os resultados mostraram uma
acurácia de 95,27% do algoritmo sem o fuzzy, e de 98,8% com o a camada do fuzzy.
Madeti e Singh (2018) desenvolveram um método para detecção de faltas do tipo linha-
linha, sombreamento parcial, defeitos nos diodos de bypass e módulo em circuito-aberto.
Primeiramente o sistema FV é modelado e simulado no software MATLAB/Simulink® com
base nos dados fornecidos pelo fabricante e nos parâmetros de resistência extraídos por
simulação. Através da simulação, são obtidos os dados para treinamento do algoritmo. Neste
caso, a simulação do sombreamento parcial é realizada no conjunto de células do submódulo,
e não individualmente. O algoritmo de aprendizagem de máquina aplicado nesta pesquisa foi
k-Nearest Neighbors (kNN), e tem como variáveis de entrada a irradiância, temperatura dos
módulos, tensão, corrente e potência de máxima potência. O modelo foi testado com dados de
simulação de os resultados mostraram erro máximo de 3%.
Belaout (2018), comparou dois métodos para detecção de faltas do tipo sombreamento
parcial, defeitos nos diodo de bypass, aumento da resistência série dos strings e curto-circuito
nos módulos FV. O autor comparou a aplicação de uma RNA e um Neuro-Fuzzy. Os dados para
treinamento são obtidos através de um arranjo experimental capaz de emular um sistema FV.
O algoritmo do Neuro-Fuzzy mostrou resultados melhores.
Dhimish et al. (2018a), desenvolveu e comparou dois métodos para detecção de faltas.
As faltas abordadas na pesquisa são sombreamento parcial, módulos em curto-circuito, string
desconectado e faltas na unidade de rastreamento do ponto de máxima potência. Os autores
comparam o desempenho de uma RNA e um Mandami Sugeno Fuzzy. Para o treinamento da
RNA, primeiramente o sistema FV é modelado e simulado no software MATLAB/Simulink®,
para obter dados de referência de tensão e potência. A rede neural se mostrou mais acurada que
o fuzzy, chegando a 92,1% de acertos.
Hussain et al. (2020) comparou dois tipos de redes neurais, uma RBF e uma MLP
(Multilayer Percectron) para detecção de falta. As variáveis de entraram utilizadas são a
potência de saída e a irradiância, e a saída é o número de módulos desconectados no sistema
FV. Os resultados mostraram um acurácia de 97,9% na detecção de faltas pela rede RBF.
Lazzaretti et al. (2020), desenvolveram um sistema de monitoramento e identificação
de faltas em sistema FV através de um modelo linear repercussivo. As variáveis de entrada para
identificação da falta são irradiância e temperatura, e a saída é potência. Após identificada a
presença de falta no sistema FV, o seu tipo é classificado por um algoritmo de RNA. A
combinação do modelo de identificação com a rede neural resultou em uma acurácia de 92,64%
26
na identificação e classificação de faltas de sombreamento parcial, módulo em curto-circuito,

degradação dos módulos e desconexão de strings.
Lu et al. (2021), utiliza um algoritmo de sincronização de caos combinado com uma
rede neural CNN (do inglês, Convolutional Neural Network). O experimento testou quatro
estados do módulo FV: operação normal, módulo quebrado, descolamento no contato do vidro
e falha no diodo de bypass. Um sinal de entrada é gerado por um gerador de sinais, e o sinal de
saída é medido nos terminais do módulo. O sinal de saída é submetido ao algoritmo capaz de
identificar e classificar qual está ocorrendo no módulo FV. Os resultados mostraram uma
acurácia de 99,5% para as situações de falta analisadas.
Diante do exposto, é possível observar que o diagnóstico de faltas em sistemas
fotovoltaicos utilizando técnicas de inteligência artificial vem sendo amplamente pesquisado e
mostra-se fundamental para melhoria da eficiência e confiabilidade de tais sistemas. Desta
forma, a seção 1.2 apresenta a motivação para o desenvolvimento da presente pesquisa, bem
como a seção 1.4 descreve seus objetivos.
1.2 Motivação
Dado as experiências valiosas e o feedback contínuo da literatura apresentada,
evidencia-se a necessidade de estudos sobre identificação de faltas de sombreamento e módulos
fotovoltaicos curto-circuitados e strings desconectados. O funcionamento do diodo de bypass
tem influência direta na potência gerada por um módulo fotovoltaico quando submetido a
condições de sombreamento. Além disso, a ocorrência desta e de outras faltas no sistema
fotovoltaico pode levar a condição de curto-circuito nos módulos fotovoltaicos, ou desconexão
de strings no sistema. Desta forma é importante buscar formas de identificar a ocorrência de
tais faltas, uma vez que o mal funcionamento dos módulos pode comprometer a potência gerada
pelo sistema e ainda levar a diminuição da vida útil dos módulos.
1.3 Contribuições da Pesquisa

A discussões apresentadas anteriormente demostram a falta de resultados experimentais
em pesquisa sobre detecção de faltas em módulos fotovoltaicos, e principalmente que nenhum
dos estudos apresentados investigam a presença de ruídos no conjunto de dados de treinamento.
Desta forma, esta pesquisa propõe e compara o desenvolvimento de três algoritmos para
detecção e diagnóstico de faltas em sistemas fotovoltaicos. A principal contribuição da pesquisa
proposta é de desenvolver e analisar algoritmos de detecção de falta sem demanda instalação
27
de sensores extras, não necessita de longos conjuntos de dados de plantas fotovoltaicas já

existentes, além de ter sido experimentalmente testado.
1.4 Objetivos
A pesquisa proposta tem seus objetivos divididos em Objetivo Geral e Objetivos
Específicos, a saber:
1.4.1 Objetivo Geral

Aplicar uma técnica de Inteligência Artificial (IA) que permita identificar de modo
isolado as faltas de sombreamento parcial, ocorrência curto-circuito em módulos fotovoltaicos
e desconexão de strings.
1.4.2 Objetivos Específicos

Para atingir o objetivo geral, foram estabelecidos os seguintes objetivos específicos:
• Desenvolver modelo de simulação da célula fotovoltaica;
• Desenvolver modelo de simulação do módulo com diodo de bypass;
• Simular cenários de sombreamento parcial, módulos fotovoltaicos em curto-circuito e
desconexão de strings;
• Coletar os dados de características de tensão, corrente e potência associadas com os
correspondentes valores de irradiância e temperatura das respectivas situações de falta
simuladas;
• Implementar técnicas de inteligência artificial capazes de identificar de modo isolado as
faltas de sombreamento parcial, módulos em curto-circuito e desconexão de strings em
sistemas fotovoltaicos;
• Verificar o desempenho do método de identificação de faltas com dados experimentais
de um sistema fotovoltaico real.
1.5 Estrutura do Trabalho

Neste tópico será apresentado como encontra-se organizado os capítulos desse trabalho,
assim como uma breve descrição dos principais assuntos abordados em cada um deles.
• No Capítulo 2 são apresentados os conceitos fundamentais sobre a energia solar

fotovoltaica, bem como sobre técnicas de inteligência artificial necessários para
28
embasar esta pesquisa;

• No Capítulo 3 é descrita a metodologia adotada para realização da pesquisa, onde serão
detalhados os procedimentos e equipamentos utilizados em cada etapa de
desenvolvimento do trabalho;
• No Capítulo 4 são apresentados alguns resultados da pesquisa, bem como realizada as
discussões;
• No Capítulo de Conclusões são discutidas as principais realizações desta pesquisa,
seguido da seção que trata sobre as Sugestões para trabalhos futuros;
• Por fim, no Capítulo de Referências, estão listadas todas as referências utilizadas no
desenvolvimento da pesquisa.
29
2 Fundamentação Teórica
O presente Capítulo apresenta inicialmente uma conceituação da energia solar, bem

como trata sobre seu aproveitamento para geração de energia elétrica através de módulos
fotovoltaicos. Adicionalmente ainda aborda sobre técnicas de inteligência artificial e suas
aplicações em sistemas fotovoltaicos.
2.1 Energia Solar

A energia solar chega à Terra sob duas formas, energia térmica e energia luminosa.
Pode-se afirmar que esse é um dos recursos energéticos mais abundantes no planeta, sendo
ainda considerado limpo e renovável. É importante definir que a energia solar classifica-se em
duas principais formas de aproveitamento, energia solar direta e energia solar indireta (IPCC,
2012).
Algumas fontes de energia, tais como eólica, biomassa, hidráulica, combustíveis fósseis,
entre outras, são formas de aproveitamento indireto da energia solar, pois utilizam da luz solar
depois de recebida na Terra e convertida em alguma outra forma de energia. Tratando-se sobre
o aproveitamento da energia solar direta, pode ser classificada em três principais formas: solar
térmica, concentrador solar térmico, fotovoltaica (IPCC, 2012).
A energia solar térmica foi a primeira forma de aproveitamento da irradiância solar,
quando em 1767 Saussure construiu uma caixa de madeira com cobertura de vidro e no seu
experimento verificou temperaturas de até 109 °C. Percebeu-se então a possibilidade de
aproveitamento deste calor para aquecimento de fluidos, como a água. O aperfeiçoamento da
tecnologia ao longo dos anos consolidou o coletor solar plano, que consiste basicamente em
uma placa enegrecida com condutos conectados e cobertura de vidro, através dos quais passa
um fluido a ser aquecido. O coletor solar plano encontrou um vasto campo de aplicação
industrial, comercial e sobretudo residencial (PERLIN, 1999).
O concentrador solar térmico é um dispositivo que concentra os raios solares para
aquecer um fluido à altas temperaturas. Os primeiros concentradores solares foram reportados
nas décadas de 1870 e 1880, pelo francês Mouchot construtor do primeiro motor solar, que
produziu vapor suficiente para alimentar um maquinário. A tecnologia desenvolvida por
Mouchot perdeu expressividade no mercado pois foi considerada de baixo rendimento e
demandava ocupação de grandes áreas para produzir vapor na escala que a indústria necessitava
30
(PERLIN, 1999). Atualmente, o fluido aquecido é geralmente utilizado em turbinas a vapor

para geração de eletricidade, mas ainda encontra os mesmos entraves que no século XIX.
Outra forma de gerar eletricidade através da energia solar é utilizando a tecnologia
fotovoltaica (FV), que consiste basicamente em converter diretamente a luz o sol em energia
elétrica através do efeito fotovoltaico. Apesar de haver registros sobre o a geração de corrente
através da luz desde 1839, o efeito fotovoltaico foi confirmado e explicado pela comunidade
científica somente na década de 1920, após a teoria da dualidade onda-partícula de Albert
Einstein (PERLIN, 1999), a partir deste momento o aproveitamento da energia solar
fotovoltaica passou a ser pesquisado mais profundamente e o avanço da tecnologia e suas
aplicações serão discutidos na seção 2.1.1
2.1.1 Energia Solar Fotovoltaica

O efeito fotovoltaico foi primeiramente observado em 1839 por Edmond Becquerel, que
verificou o surgimento de uma diferença de potencial nos terminais de uma célula eletroquímica
expondo-a à luz (CRESESB, 2014). Inicialmente impulsionado pelo desenvolvimento das
telecomunicações, observou-se em um experimento na década de 1870 que o selênio quando
exposto à uma fonte de luz era capaz de produzir corrente elétrica e tensão, a partir desses
resultados foi desenvolvido por Fritts o primeiro módulo fotovoltaico em 1883 (HEGEDUS;
LUQUE, 2011).
A tecnologia fotovoltaica moderna começou a ser desenvolvida da década de 1950, pelo
laboratório de pesquisas Bell Laboratories. Com o objetivo de encontrar possíveis aplicações
do silício no desenvolvimento da eletrônica, os pesquisadores descobriram como dopar o
silício, aumentando assim o nível de corrente produzida pelo material quando exposto à luz
solar (PERLIN, 1999).
A dopagem do silício permitiu o desenvolvimento de células fotovoltaicas com até 6%
de eficiência, iniciando-se a produção industrial dos módulos fotovoltaicos em 1956
(HEGEDUS; LUQUE, 2011). Nesta mesma década deu-se início à corrida espacial, e este foi
o principal agente impulsionador da tecnologia fotovoltaica, uma vez que se adequava às
características de peso e segurança para fornecer energia suficiente aos satélites e veículos
espaciais.
O primeiro sistema de energia solar fotovoltaica operado com sucesso foi lançado em
1958, a bordo do Vanguard I, o segundo satélite terrestre dos Estados Unidos (JPL, 1976).
Ainda na década de 1960, o exército americano trouxe a tecnologia fotovoltaica à Terra, quando
31
instalou uma estação de rádio para comunicação interna alimentada somente com energia solar.
(PERLIN, 1999).
As primeiras aplicações terrestres, fora do universo militar, foram em plataformas de
petróleo no Golfo do México, com o objetivo de fornecer energia para iluminação de
sinalização das plataformas. Desde então, os sistemas fotovoltaicos vêm crescendo em tamanho
e complexidade.
A crise do petróleo em 1973 causou um choque no mundo industrializado, mostrando a
fragilidade da dependência de combustíveis fósseis. A partir de então, muitos governos
iniciaram programas de incentivo à energia solar, impulsionando pesquisas na área de
aplicações terrestres de sistemas fotovoltaicos.
Primeiramente, as pesquisas favoreciam à produção centralizada, em larga escala,
priorizando grandes plantas de sistemas fotovoltaicos em vez de plantas pequenas, autônomas
ou unidades individuais nos telhados das edificações. Até que na década de 1980, o engenheiro
suíço Markus Real demostrou que geração fotovoltaica dispersa em pequenas unidades ou
residências seria uma ideia mais interessante que plantas fotovoltaicas centralizadas (PERLIN,
1999). Surgiu então o conceito dos sistemas fotovoltaicos conectados à rede de distribuição.
Nesta mesma década a indústria começou a amadurecer, dando ênfase à manufatura e
custos de produção. Os sistemas fotovoltaicos saíram do campo da pesquisa em universidades
e laboratórios e passaram para área de comercialização. Plantas industriais para fabricação de
módulos fotovoltaicos foram construídas nos Estados Unidos, Japão e Europa. Os Estados
Unidos era o maior produtor mundial da tecnologia fotovoltaica na década de 1990,
paralelamente, Japão e Alemanha apresentavam aumentos significativos no crescimento deste
mercado.
O crescimento do mercado de produção de módulos fotovoltaicos, impulsionou o rápido
aumento na produção chinesa, que no ano de 2003 não aparecia entre os 10 maiores produtores
do mundo e já no ano de 2009 ocupava a posição de liderança (CRESESB, 2014). A evolução
da tecnologia fotovoltaica em ordem cronológica discutida nesta seção está sumarizada na
Figura 2.1
32
Figura 2.1 - - Evolução a energia solar fotovoltaica

A busca por menores custos de produção, e melhor eficiência da produção de energia

elétrica através do sol ainda fomentam pesquisas na área de desenvolvimento dos módulos
fotovoltaicos, e o funcionamento destes será discutido na seção 2.2.
2.2 Módulos Fotovoltaicos de Silício Cristalino

Módulos fotovoltaicos podem ser definidos como um conjunto de células encapsuladas
e interconectadas de modo a gerar uma tensão e corrente elétrica. Dentro do contexto deste
33
trabalho, o termo “módulos fotovoltaicos” refere-se a módulos fotovoltaicos de silício

cristalino. A topologia das conexões entre as células depende do requerimentos de tensão e
corrente de saída necessários a esse módulo. Considerando que um célula uma única
fotovoltaica fornece uma tensão de saída em seus terminais de em média 0,6 V, normalmente
são conectadas várias células em série para que se obtenha a tensão de saída desejada (WIRTH;
WEISS; WIESMEIER, 2016).
Devido a conexão em série, cada célula do módulo é forçada a conduzir a mesma
corrente elétrica, isso limitaria a geração de energia. Desta forma, buscando aumentar a potência
de saída do módulo, são feitas ligações paralelas nos arranjos de células ligadas em série, de
modo a se obter a tensão e corrente de saída desejadas. A Figura 2.2 ilustra esquematicamente
as ligações série/parelo no módulo.
Figura 2.2 - Representação das ligações em um módulo fotovoltaico

Esse arranjo das células criam o que é frequentemente chamado na literatura de “sub-
módulos” no módulo. Módulos fotovoltaicos convencionais, utilizados em usinas, são
compostos por em média 60 à 72 células, distribuídas em geral por 3 sub-módulos de 18 à 20
células (WIRTH; WEISS; WIESMEIER, 2016).
A matriz de células deve ser encapsulada com material isolante EVA, e protegida por
uma lâmina de vidro devido à fragilidade mecânica das células. O módulo ainda é composto
por um fundo protetor (backsheet) e a caixa de junção. A Figura 2.3 mostra um esquema dos
componentes do módulo fotovoltacico.
34
Figura 2.3 - Representação da montagem de um módulo fotovoltaico

Fonte: (YINGLI SOLAR, 2011)
A caixa de junção, localizada na parte traseira do módulo, é onde são feitas as conexões
dos sub-módulos de células, permitindo a ligação paralela entre eles, bem como onde são
instalados os diodos de bypass.
As características elétricas de um módulo fotovoltaico são definidas pelo seu
componente fundamental, as células. Portanto, é fundamental entender as propriedades desse
dispositivo para compreender as interações elétricas dentro do módulo. Tais característivas
serão discutidas na seção 2.2.1.
2.2.1 Modelo de uma Célula Fotovoltaica

Sistemas, módulos e células fotovoltaicas são descritas através de parâmetros elétricos
que representam as propriedades físicas de uma célula fotovoltaica. A determinação desses
parâmetros do modelo é importante para projeto, análise e simulação de sistemas FV operando
em uma dada condição.
Vários modelos de células FV são encontrados na literatura, como por exemplo o
modelo explícito, modelo de quatro parâmetros, modelo de cinco parâmetros e o modelo de
duas exponenciais (BENGHANEM; ALAMRI, 2009). O modelo mais frequentemente
utilizado e que será abordado nesta pesquisa é o modelo de cinco parâmetros ou modelo de um
diodo. O circuito que representa este modelo está ilustrado na Figura 2.4.
35
Figura 2.4 – Modelo de um diodo de uma célula fotovoltaica

Fonte: (VIEIRA et al., 2020a)
O circuito ilustrado na Figura 2.4 é composto por uma fonte de corrente Iph, a corrente
do diodo Id e duas resistências Rs e Rsh. A fonte de corrente representada por Iph é a fotocorrente
gerada quando a luz solar incide sobre a célula fotovoltaica, esta portanto será diretamente
influenciada pela temperatura e a irradiância.
A resistência série Rs, tem origem no próprio material semicondutor, nos contatos
metálicos e na junção do metal com semicondutor. Desta forma, a resistência série representa
a dificuldade que o material condutor impõe à passagem de corrente. Já a resistência Rsh é
causada por impurezas e defeitos na estrutura, que permitem um caminho para fuga de corrente,
reduzindo a corrente gerada pela célula (CRESESB, 2014).
O parâmetro Rsh representa as perdas por correntes parasitas. Em caso de sombreamento
do módulo FV, a resistência Rsh é um fator relevante, pois uma célula sombreada não produz
corrente (Iph), e desta forma, as correntes produzidas por outras células em série passarão pela
resistência Rsh, gerando uma queda na tensão no módulo. Além disso, a passagem de corrente
em Rsh ocasionará aquecimento, e consequentemente dano à célula sombreada (CRESESB,
2014).
Considerando o circuito apresentado na Figura 2.4, a corrente gerada pela célula FV é
dada pela Equação 1 (VILLALVA; GAZOLI; FILHO, 2009).
(V+IRs )q V − IR s
I = Iph − I0 (e akT ) − (1)
R 𝑠ℎ
Em que:
I Corrente da célula (A)
Iph Fotocorrente gerada (A)
I0 Corrente de saturação reversa do diodo (A)
q Carga de um elétron (q = 1,6 ∙ 10−19 C)
a Fator de idealidade
k Constante de Boltzman (k = 1,38 ∙ 10−23 J/K)
T Temperatura da célula (K)
36
Rs Resistência série (Ω)

Rsh Resistência shunt (Ω)
V Tensão da célula (V)
A fotocorrente gerada Iph é dada pela Equação 2

G
Iph = [Isc + k i (T − T𝑛 )] (2)
G𝑛
Em que:
Iph Fotocorrente gerada (A)
Isc Corrente de curto-circuito da célula (A)
ki Coeficiente de temperatura para corrente (A/K)
Tn Temperatura da célula em condições padrão de teste (298K)
G Irradiância incidente na célula (W/m²)
Gn Irradiância padrão da célula (1000W/m²)
A corrente de saturação reserva I0 do diodo é dada pela Equação 3

1 1
T 3 qEg0 (Tn−T) (3)
I0 = I0n ∙ ( ) ∙ e nk
T𝑛
Em que:
I0n Corrente de saturação reserva do diodo em temperatura padrão de teste (A)
Eg0 Energia de banda proibida (1,1 eV)
A corrente de saturação reversa I0n é dada pela Equação 4:

Isc + k i (T − T𝑛 )
I0n = q(Voc +kv (T−T𝑛 )) (4)
e akT − 1
Em que:
Voc Tensão de circuito aberto (V)
kv Coeficiente de temperatura para tensão (V/K)
Um módulo fotovoltaico é um conjunto de conectadas em série e paralelo de modo a

gerar a potência desejada. Desta forma, pode-se representar o modelo de um módulo FV como
ilustrado na Figura 2.5, em que Ns representa o número de células conectadas em série e Np o
número de células conectadas em paralelo.
37
Figura 2.5 – Modelo de um módulo fotovoltaico

A Equação (5) representa a corrente de gerada em um módulo completo, considerando

as Ns células conectadas em série e Np células conectadas em paralelo.
N N
(V+IRs (N s ))q
p V − IR s (N s )
akTNs p (5)
I = Iph ∙ Np − Is ∙ Np (e − 1) −
N
R 𝑠ℎ (N s )
p
É importante destacar que a temperatura T referida nas equações corresponde a
temperatura da célula fotovoltaica. Entretanto, nem sempre é possível fazer a leitura dessa
variável. Nestes casos é possível aplicar Equação (6), em que a temperatura da célula (Tc) é
dependente da temperatura ambiente (Ta), a irradiância (G) e a temperatura de operação da
célula em NOCT (do inglês, Normal Operating Condition Temperature) (KHATIB;
ELMENREICH, 2016)
G (6)
Tc = Ta + (NOCT − 20)
800
Em que:
Tc Temperatura da célula (°C)
Ta Temperatura ambiente (°C)
G Irradiância (W/m²)
NOCT Temperatura de operação da célula (°C)
Conhecendo a equação da corrente elétrica produzida por uma célula ou módulo FV,
pode-se determinar as curvas e características elétricas dos módulos. Tais parâmetros serão
discutidos na seção 2.2.2.
38
2.2.2 Características Elétricas dos Módulos Fotovoltaicos

As características elétricas de uma célula ou módulo fotovoltaico são definidas através
de ensaios em laboratório com condições padrão de irradiância de 1000 W/m² e temperatura da
célula de 25 °C. Para essa medição geralmente utiliza-se um simulador solar e um sistema de
medição automatizado, e os resultados possibilitam traçar as curvas características I-V
(Corrente versus Tensão) e P-V (Potência versus Tensão) (CRESESB, 2014). A Figura 2.6
ilustra as curvas características I-V e P-V de um módulo fotovoltaico.
Figura 2.6 Curvas características I-V e P-V de um módulo fotovoltaico

O produto da curva I-V representa a potência gerada para aquela condição de operação,
de onde é obtida a curva P-V. A curva P-V ilustrada na Figura 2.6, aponta o Ponto de Máxima
Potência (PMP), também conhecido MPP (do inglês, Maximum Power Point). Este ponto indica
a obtenção de máxima potência do módulo, ou seja, existe somente uma tensão, e corrente
correspondentes as quais podem gerar o máximo energia no módulo. A potência máxima (Pmpp)
é dada geralmente em watt pico (Wp) e indicada nos dados de placa do módulo.
A partir das curvas pode-se determinar parâmetros elétricos que caracterizam as células
e módulos fotovoltaicos tais como tensão de circuito aberto, corrente de curto-circuito, fator de
preenchimento e eficiência. Segue a descrição dessas características:
• Tensão de circuito aberto (VOC): é a tensão entre os terminais do módulo quando não
há carga conectada, neste caso não há fluxo de corrente;
• Corrente de curto-circuito (ISC): máxima corrente medida entre os terminais do
módulo, quando a tensão entre eles é zero;
39
• Fator de Preenchimento ou Fill Factor (FF): é o fator que expressa o quão próximo
de um retângulo é a curva I-V do módulo ou célula. Quanto menores foram as perdas
resistivas em decorrência da resistência série (Rs), e quanto maior for a resistência
paralela (Rsh), melhor será o FF. Os valores do FF dependem da tecnologia da célula e
podem ser expressos de acordo com a Equação 7.
VMP IMP
FF = (7)
VOC ISC
Em que:
FF Fator de Forma
VMP Tensão de máxima potência (V)
IMP Corrente de máxima potência (A)
VOC Tensão de circuito aberto (V)
ISC Corrente de curto-circuito (A)
• Eficiência (η): é o parâmetro que mede quanto de irradiância é realmente convertida

em energia elétrica. É representada pela relação da potência de saída e a potência da
energia solar incidente como descreve a Equação (8)
VOC ISC FF
η= (8)
AG
Em que:
A Área do módulo (m2)
G Irradiância incidente no módulo (W/m2)
É importante ressaltar que as características elétricas dos módulos variam com as

condições do ambiente, estando susceptível a variações de irradiância incidente e temperatura
dos módulos. A corrente gerada aumenta ligeiramente com o aumento da irradiância, portanto,
quanto maior a energia solar incidente, maior a corrente gerada. A Figura 2.7 ilustra o efeito da
variação de irradiância na curva I-V de um módulo FV.
40
Figura 2.7 – Efeito causado pela variação de irradiância

Observa-se na Figura 2.7 o crescimento da corrente gerada acompanhada do aumento
da irradiância solar. Em contrapartida, o aumento da temperatura na célula tem o efeito de
diminuição da corrente, consequentemente diminuindo a potência gerada no módulo como pode
ser notado na Figura 2.8.
Figura 2.8 – Efeito causa pela temperatura

Analisando a Figura 2.8, observa-se que o aumento da temperatura causa diminuição na

tensão e ligeira queda na corrente gerada pelo módulo FV. É válido ressaltar que a variação de
irradiância e temperatura não afetam as varáveis de resistência série e resistência shunt. Outros
fatores influenciam diretamente na variação desses parâmetros e na potência gerada por um
sistema fotovoltaico. Situações de falta no módulo que podem levar a perdas de potência ou até
danos permanentes, e serão discutidos na seção 2.3.
2.3 Classificação de Faltas e Falhas em Módulos Fotovoltaicos

Antes de realizar qualquer classificação de faltas, é necessário definir a diferença entre
o surgimento de falta e falha em módulos FV. Faltas estão relacionadas à falha em uma relação
de causa e consequência. Por exemplo, o sombreamento dos módulos é um tipo de falta, que
será discutido posteriormente, e como consequência podem surgir pontos de hotspot, que é um
tipo de falha. Ou seja, o hotspot é uma falha que pode surgir em diferentes situações, e o
sombreamento é uma delas.
Tais conceitos podem ainda ser definidos de acordo com Isermann (2006) como:
41
• Falta: é uma condição ou estado anormal de funcionamento do sistema que pode

acarretar redução ou perdas na sua capacidade funcional;
• Falha: é a extinção da capacidade funcional de realizar uma determinada
atividade requerida.
Sistemas fotovoltaicos estão sujeitos a diferentes tipos de faltas e falhas, portanto o
primeiro passo para detectá-las é classificar as possíveis faltas que podem ocorrer na planta,
especialmente nos módulos. Diversas definições podem ser encontradas na literatura, mas no
desenvolvimento desta pesquisa a classificação de faltas irá abordar faltas temporárias e
permanentes que que possam vir a afetar as características da curva I-V, ou seja, aquelas que
causarão diretamente perdas de potência.
No contexto deste trabalho, será adotada a denominação de “falta” para todo e qualquer
defeito (seja este falta ou falha) nos módulos fotovoltaicos que venham a ser
diagnosticados/identificados pelo métodos proposto na pesquisa. As faltas aqui abordadas
serão: degradação dos módulos, sombreamento, deposição de sujeira, defeitos no diodo de
bypass e a falha do hotspot, e serão discutidas com mais detalhes na seções 2.3.1 a 2.3.6.
Após a definição das faltas abordadas, é importante destacar que sistemas de detecção
de faltas baseados em modelos utilizam a relação entre várias variáveis medidas para extrair
informações de possíveis mudanças causadas pela ocorrência de faltas. A comparação das
informações recebidas com os valores nominais das variáveis, possibilita a detecção da
ocorrência da falta no sistema. Essa detecção é a base para o diagnóstico da falta. O diagnóstico
da falta consiste em determinar qual o tipo, tamanho e local da falta que foi detectada ocorrendo
no sistema (ISERMANN, 2006). Portanto, no contexto desta pesquisa, pode-se definir que os
algoritmos propostos consistem em um sistema Detecção e Diagnóstico de Falta.
2.3.1 Degradação do Módulo

A degradação dos módulos fotovoltaicos é frequentemente associada a causas naturais,
ocasionadas sobretudo pelas condições de campo e envelhecimento das células fotovoltaicas.
O envelhecimento do material é um dos principais fatores que acarretam a incompatibilidade
das células no módulo fotovoltaico.
A incompatibilidade ocorre quando as células FV conectadas em série no módulo
produzem diferentes níveis de corrente. Devido à natureza da conexão série, todas as células
serão forçadas a conduzir a mesma corrente, o que consequentemente ocasionará perdas na
potência gerada do módulo. Frequentemente a literatura refere-se à incompatibilidade como
42
mismatch. Além de causar perda de potência gerada no módulo a condição de mismatch ainda
aumenta a probabilidade de surgimento de hotspots e consequente dano permanente ao módulo
(PETRONE; RAMOS-PAJA; SPAGNUOLO, 2017).
Adicionalmente, é associado à degradação do módulo por envelhecimento o surgimento
de “trilhas de caracol” ou “snail trails”. As snail trails são definidas como pequenas linhas
escuras e descoloração na superfície da célula, como ilustra a Figura 2.9. A pesquisa
desenvolvida por Andrews e Pearce (2013) aponta que um módulo FV com esse tipo de
degradação pode apresentar até 40% de perda de potência, e a principal causa está na ocorrência
microfissuras na célula fotovoltaica.
Figura 2.9 – Célula fotovoltaica exibindo snail trails

Fonte: (PETRONE; RAMOS-PAJA; SPAGNUOLO, 2017)
A quebra das células fotovoltaicas é também um tipo de falta frequente, e esta pode
ocorrer em qualquer momento da vida útil do módulo. Ocasionalmente pode ocorrer durante o
processo de fabricação, no empacotamento, no transporte ou depois da instalação (IEA, 2013).
Conexões quebradas é outro tipo de degradação que pode ocorrer nos módulos FV. Esta
falta pode ter origem no processo de solda entre as células e conexões dos strings, ou ainda
serem causadas por estresse térmico e mecânico (TRIKI-LAHIANI; BENNANI-BEN
ABDELGHANI; SLAMA-BELKHODJA, 2018).
Outra situação de degradação dos módulos é de corrosão. Tal falta é decorrente do
acúmulo de umidade, proporcionado condições ideais para oxidação dos contatos metálicos
entre as células dentro do módulo, acarretando fuga de corrente. O processo de corrosão ainda
pode atingir a própria célula fotovoltaica e todas as barras condutoras que compõem o módulo.
A Figura 2.10 ilustra exemplos de módulos FV degradas por quebra nas interconexões e por
corrosão.
43
(a) (b)
Figura 2.10 – Módulo FV degradado por (a) quebra das interconexões e (b) corrosão
Fonte: (KATO, 2011; NDIAYE et al., 2013)
2.3.2 Deposição de Sujeira

A falta de deposição de sujeira é o acúmulo de poeira, ou outras partículas orgânicas
como excrementos de pássaros ou folhas de árvores, na superfície dos módulos. Este modo de
falta é uma consequência natural do ambiente onde o módulo fotovoltaico está instalado.
Portanto, algumas regiões irão apresentar empoeiramento mais severo que outras, dependendo
do clima e da condição meteorológica do local (IEA, 2017). Alguns autores classificam a
deposição de sujeira como um tipo de sombreamento, uma vez que as consequências de perdas
de potência e degradação do módulo são similares (TRIKI-LAHIANI; BENNANI-BEN
ABDELGHANI; SLAMA-BELKHODJA, 2018).
A camada de sujeira na superfície dos módulos FV impede que a luz do sol atinja as
células solares, diminuindo a potência gerada e consequentemente gerando perdas. É um tipo
de falta muito comum no campo, seja em grandes plantas fotovoltaicas ou em sistemas urbanos
conectados à rede. Por outro lado, não é uma falta permanente, a potência do módulo pode ser
completamente recuperada se realizada manutenção e limpeza regular (ADINOYI; SAID,
2013). A limpeza dos módulos pode ser realizada de maneira manual ou automática, através de
sistemas de limpeza comercialmente disponíveis (IEA, 2017).
2.3.3 Sombreamento dos Módulos

Desde as primeiras aplicações da tecnologia fotovoltaica, problemas com
sombreamento dos módulos FV foram identificados. Sombreamento causado componentes do
próprio satélite foi primeiramente reportado por Luft (1961). A partir de então, muito estudos
sobre o efeito do sombreamento nos módulos fotovoltaicos vêm sendo desenvolvidos.
O sombreamento dos módulos é um importante critério a ser considerado no
desenvolvimento de projetos. O impacto mais direto do sombreamento é a diminuição da
potência gerada no sistema FV. A parcela de perdas é uma função do tamanho e a forma da
sombra, e como está incide sobre os módulos (SULLIVAN, 1965).
44
Uma célula FV quando sombreada produz menos corrente, desta forma devido às
conexões série do módulo, as células sombreadas são forçadas a conduzir a mesma corrente
que células completamento iluminadas. As células sombreadas podem ficar reversamente
polarizadas, agindo como cargas, consumindo parte da potência pelo módulo
(RAMAPRABHA; MATHUR, 2012). O sombreamento parcial pode causar distorções nas
curvas I-V e P-V dos módulos, como ilustra a Figura 2.11, sem considerar nenhuma técnica de
mitigação deste efeito.
Figura 2.11 – Curvas I-V e P-V de um módulo FV quando sombreado

Fonte: (VIEIRA et al., 2020b)
Devido às características elétricas das células fotovoltaicas, as perdas de potência não

são diretamente proporcionais às áreas sombreadas (RAUSCHENBACH, 1971). Desta forma,
uma pequena área sombreada no módulo pode resultar em perdas significativas na geração de
todo o sistema solar fotovoltaico.
Além das perdas de potência, quando na condição reversamente polarizadas, as células
podem superaquecer. Se o módulo não estiver apropriadamente protegido, o problema do
aquecimento pode crescer e em casos mais extremos, o sistema pode ser danificado
permanentemente.
Danos permanentes podem ocorrer quando a célula FV atinge a tensão de ruptura,
definida como a máxima tensão reversa suportada para opção segura da junção P-N da célula.
A Figura 2.12 ilustra a curva I-V de operação de uma única célula fotovoltaica.
45
Figura 2.12 – Curva I-V de uma célula fotovoltaica na região de polarização reversa
Observa-se na Figura 2.12 que a célula FV tem um limite de tensão reversa suportada
em seus terminais. Se a tensão reversa elevar-se ao ponto da tensão de ruptura, haverá um
aumento exponencial da corrente e possivelmente a danos ao dispositivo serão irreversíveis
(DALIENTO et al., 2016).
A principal forma de mitigar os efeitos negativos do sombreamento dos módulos é a
aplicação de diodos de bypass. Entretanto, este dispositivo também pode vir a ser uma fonte de
falta no módulo FV. Tais questões serão discutidas em detalhes na seção 2.3.4.
2.3.4 Diodos de Bypass

Considerando os efeitos do sombreamento nos módulos fotovoltaicos, os fabricantes
instalam um ou mais diodos de bypass nos módulos como forma de proteção em situações de
iluminação não uniforme. Os diodos de bypass são instalados em antiparalelo com o grupo de
células a ser protegido, e tem a função de contornar as células submetidas à condição de
sombreamento (KO et al., 2017).
A maioria dos módulos destinados à conexão com a rede consistem em 60-72 células,
divididas em três grupos, com o discutido na seção 2.2, o que permite a instalação de um diodo
para cada sub-módulo. Tais dispositivos são acomodados na caixa de junção, no fundo protetor
do módulo (ver Figura 2.3). Isso significa que em módulos convencionais, se um único diodo
de bypass estiver conduzindo, aproximadamente um terço das células do módulo estarão
desconectadas.
46
Quando a corrente de uma célula se torna menor do que as outras, a célula reversamente
polarizada vai ativar o diodo de bypass. Quando diretamente polarizados, os diodos criam um
caminho alternativo para passagem da corrente. Uma vez que a sombra é removida, geralmente
a célula volta para seu estado de polarização direta. Desta forma, a potência gerada pelas células
não sombreadas não é afetada pelas outras parcialmente iluminadas. A Figura 2.13 exemplifica
um modulo fotovoltaico com 60 células, subdividido em 20 células por diodo de bypass,
funcionando com uma célula sombreada.
Figura 2.13 – Módulo fotovoltaico com uma célula sombreada

Uma vez que o diodo de bypass conduz, surge uma queda de tensão no circuito, podendo
aquecer significativamente e consumir parte da potência gerada no módulo. Consequentemente,
a ativação deste dispositivo pode trazer impacto na máxima potência entregue pelo sistema
fotovoltaico (TEO et al., 2017).
Mesmo que a ativação do diodo venha a desconectar um terço das células do módulo, o
MPP será maior do que se o não existisse o diodo. A dificuldade encontrada com essa
abordagem é que a ativação do diodo de bypass cria múltiplos pontos locais de MPP, o que
atrapalha a ação do Rastreador do Máximo Ponto de Potência ou MPPT (do inglês, Maximum
Power Point Tracking) em achar o ponto global de máxima potência (BAUWENS;
DOUTRELOIGNE, 2014). A Figura 2.14 ilustra as curva I-V e P-V de um módulo FV com um
diodo de bypass ativado (ver Figura 2.13).
47
Figura 2.14 – Curvas I-V e P-V de um módulo fotovoltaico sombreado com um diodo de by-pass ativado
Comparando a Figura 2.11 e a Figura 2.14, observa-se que o MPP é maior em condições
de sombreamento parcial quando utiliza-se o diodo de bypass. Entretanto, nessas condições, o
módulo FV exibe múltiplos pontos locais de máxima potência e apenas um deles corresponde
ao ponto de máxima potência global (AHMAD et al., 2017).
Existem duas configurações típicas de diodos de bypass, a saber, sobreposto e não-
sobreposto como ilustra a Figura 2.15. Deve-se ressaltar que a análise dos módulos com diodos
sobrepostos é mais complexa do que os não-sobrepostos, pois pode haver múltiplos caminhos
para a corrente gerada (EKPENYONG; ANYASI, 2013).
Figura 2.15 – Configurações típicas de diodos de bypass

48
Os arranjos diferentes do diodo de bypass em um módulo influenciam diretamente nas

características de tensão, corrente e potência de células sombreadas e não sombreadas e
consequentemente na potência máxima que pode ser gerada em sistemas fotovoltaicos. Além
disso, faltas nos diodos de bypass também podem causar impactos na potência gerada pelo
módulo, e consequentemente diminuir o rendimento de uma planta fotovoltaica.
Este dispositivos são acomodados na caixa de junção, na parte traseira do módulo (ver
Figura 2.3), e são a principal forma de prevenção para evitar o aquecimento das células
operando em condições de sombreamento ou incompatibilidade (KIM; KREIN, 2015).
Podem ocorrer faltas no diodo de bypass, entretanto estas situações são difíceis de serem
identificadas pois chamam atenção somente quando surgem distorções severas nas
características da curva I-V do módulo (IEA, 2013). Como previamente analisado, o diodo de
bypass deve operar como uma chave no circuito, ligando e desligando o caminho alternativo
sempre que necessário. Porém, algumas faltas associadas a este dispositivo podem ocorrer, a
saber: diodo curto circuitado, diodo em circuito aberto, e diodo funcionando na região de
impedância. Em geral, estas faltas são causadas devido a longos períodos de sombreamento nos
módulos (BELAOUT, 2018).
O tipo de diodo mais frequentemente utilizado para esta aplicação é o diodo schottky,
por ser necessária menor tensão de polarização direta. Entretanto, esse tipo de dispositivo
apresenta maior fuga de corrente quando reversamente polarizado. Além disso, quando
submetido a sequências de chaveamento, situação semelhante a sombreamento frequente no
módulo, a temperatura no dispositivo aumenta significativamente, podendo atingir até 200 °C.
Se a temperatura no dispositivo aumenta, e não há dissipação do calor, a corrente de fuga
aumenta abruptamente. Nesta situação, se a potência dissipada pela fuga de corrente for maior
que a dissipada quando polarizado diretamente, haverá dano permanente ao diodo (PETRONE;
RAMOS-PAJA; SPAGNUOLO, 2017).
As faltas no diodo ainda podem haver por consequência de descargas atmosféricas que
venham a atingir a planta fotovoltaica, ou ainda por descargas de tensão estática.
Adicionalmente, estresse mecânico pode interferir na vida útil dos diodos schottky, portanto
estes devem ser manuseados com cuidado, evitando contato humano. Além disso, causas mais
simples como desconexão da solda podem vir a causar falta na ação do diodo (PETRONE;
RAMOS-PAJA; SPAGNUOLO, 2017).
Desta forma, frequentemente acontecem faltas no diodo e estas não são sequer notadas.
No estudo conduzido por Kato (2011), 44% dos diodos analisados estavam em situação de falta
e contudo não havia nenhum sinal visual.
49
Dependendo da tensão nos seus terminais, o diodo irá operar em três diferentes regiões:
diretamente polarizado, reversamente polarizado e ruptura. A situação de falta do diodo em
curto-circuito ocorre quando o dispositivo conduz mesmo que uma tensão reversa seja aplicada
em seus terminais. Outra condição de diodo curto circuitado surge quando o dispositivo atinge
a tensão de ruptura, podendo levar a dano permanente do dispositivo.
Diodos em circuito aberto ocorrem quando o dispositivo permanece bloqueado mesmo
quando uma tensão direta é aplica em seus terminais, ou quando o dispositivo está danificado.
A situação de impedância surge quando o diodo opera na sua região linear. Todas estas
situações de falta do diodo de bypass podem ser identificadas analisando a tensão nos terminais
da célula e comparando-a com a tensão no diodo.
2.3.5 Hotspot
Um ponto quente é definido como uma porção da célula com temperatura maior do que
as células vizinhas, devido à dissipação de potência que ocorre quando a célula está
reversamente polarizada (KIM; KREIN, 2015). Frequentemente a literatura refere-se a ponto
quente como hotspot.
O surgimento de hotspots é uma consequência das faltas discutidas nas seções 2.3.1 a
2.3.4. Desta forma, como previamente definido é uma situação de falha no módulo FV. O
comportamento reversamente polarizado da célula fotovoltaica pode levar ao seu
superaquecimento, e se o módulo não estiver apropriadamente protegido, a falha do hotspot
surge e em casos extremos pode causar danos permanentes ao módulo FV.
A forma mais comum de identificar a presença de hotspots no módulo é através do uso
de uma câmera térmica, como pode ser observado na Figura 2.16.
Figura 2.16 – Identificação de hotspot com uso da câmera térmica

Fonte: (DHIMISH et al., 2018b)
Como ilustra a Figura 2.16, a temperatura na área do hotspot é maior do que nas áreas
ao redor. Em alguns casos as altas temperaturas podem causar marcas de queimadura na parte
traseira do módulo, com ilustra a Figura 2.17.
50
Figura 2.17 – Marcas de queimadura na parte traseira do módulo

Fonte: (IEA, 2013)
O problema dos hotspots foi identificado desde as primeiras aplicações fotovoltaicas

(BLAKE; HANSON, 1969; J. C LARUE, 1980). Inúmeros estudos investigaram esse modo de
falha e técnicas de mitigação para evitar perdas de energia e evitar suas consequências adversas
(BHATTACHARYA; NEOGY, 1991; DANNER; BUCHER, 1997; HERRMANN;
WIESNER; VAASSEN, 1997; MOLENBROEK; WADDINGTON; EMERY, 1991;
YOSHIOKA et al., 1996).
Com base nessas experiências, um teste de resistência a hotspots tornou-se obrigatório
para tipos de módulos de silício cristalino, de acordo com a IEC 61215, que verifica a tolerância
a hotspots, recriando as piores condições operacionais esperadas (WOYTE; NIJS; BELMANS,
2003).
O surgimento de hotspots e os consequentes dados às células fotovoltaicas é um das
falhas mais frequentemente reportadas, podendo diminuir a vida útil dos módulos (IEA, 2013).
A principal forma de prevenção aos hotspots é o uso de diodos de bypass passivos, entretanto
este dispositivo pode vir a se tornar uma fonte de falta nos módulos.
2.3.6 Curto-Circuito nos Módulos FV

A situação de curto-circuito em um módulo fotovoltaico pode ser decorrente de defeitos
nas conexões das células, falha completa na caixa de junção ou mesmo defeitos de fabricação
(MADETI; SINGH, 2017). Os problemas de conexão entre as células, bem como o colapso da
caixa de junção, podem ser consequência das faltas discutidas nas seções 2.3.1 a 2.3.6,
caracterizando, portanto, uma situação de falha.
Quando um módulo FV está em estado de curto-circuito, este passa a não contribuir com
a potência gerada pelo sistema. Portanto, esta situação de falha pode trazer grande impacto na
produção de energia da planta, e se não monitorado adequadamente, pode levar tempo até ser
identificada.
Tendo em vista o papel fundamental da prevenção de faltas e falhas na confiabilidade e
segurança dos sistemas fotovoltaicos, pesquisas vêm sendo desenvolvidas relacionadas a
51
identificação e diagnósticos destas situações de potencial risco. Uma das ferramentas mais
frequentemente utilizada na literatura tem sido a utilização de técnicas de Inteligência Artificial
(IA) aplicadas aos sistemas fotovoltaicos. Tais técnicas serão discutidas na seção 2.4.
2.4 Inteligência Artificial para Detecção de Faltas em Sistemas FV

Sistemas de que fazem aproveitamento da energia solar apresentam uma complexidade
particular, devido à natureza não linear desta fonte energética. A disponibilidade do recurso
solar é diretamente afetada pelas condições climáticas e do ambiente que o sistema está
instalado, como discutido previamente.
Neste sentido, técnicas de inteligência artificial têm sido amplamente utilizadas na
abordagem de problemas complexos relacionados aos sistemas de aproveitamento de energia
solar. Pode-se destacar problemas como previsão de potência gerada, previsão de irradiância,
aquecimento de água, dimensionamento de sistemas fotovoltaicos, melhoramento do MPPT e
diagnóstico de faltas em sistemas FV são exemplos de aplicações de IA (KALOGIROU; SENC,
2012).
As técnicas de IA compreendem áreas como lógica fuzzy, Redes Neurais Artificias
(RNA), algoritmos genéticos, e vários sistemas híbridos, que combinam duas ou mais técnicas,
como por exemplo o ANFIS (do inglês, Adaptative Network based Fuzzy Inference System).
Desta forma, no contexto deste trabalho, serão abordadas as técnicas de Lógica Fuzzy, RNA e
ANFIS, brevemente discutidas nas seções 2.4.1, 2.4.2 e 2.4.3.
2.4.1 Lógica Fuzzy

A teoria dos conjuntos nebulosos ou conjuntos fuzzy foi inicialmente introduzida em
1965 por Zadeh com o propósito de tratar os aspectos de incerteza e imprecisão (SANDRI;
CORREA, 1999). A Lógica Fuzzy (LF) é uma lógica de multivalor, que permite valores
intermediários entre as avaliações tradicionais da lógica booleana, como sim/não,
verdadeiro/falso, alto/baixo. Tais valores intermediários podem ser representados
matematicamente, possibilitando que sejam interpretador por computadores, como o objetivo
de aplicar uma forma de raciocínio semelhante ao pensamento humano (SUMATHI; ASHOK
KUMAR; SUREKHA, 2015).
A LF permite incorporar varáveis linguísticas, de modo a traduzi-las em expressões
matemáticas através do método heurístico. O método heurístico consiste em realizar uma tarefa
de acordo com uma experiência prévia, com regras práticas e estratégias já utilizadas pelo senso
52
comum. Uma regra heurística é uma implicação lógica tal como: SE <condição> ENTÃO
<consequência>. No caso de uma situação de controle tem-se: SE <condição> ENTÃO <ação>
(SIMÕES; SHAW, 2007).
Desta forma, sistema fuzzy têm a vantagem de armazenar o conhecimento de especialista
através de regras e traduzi-las expressões matemáticas, fáceis de visualizar, entrar no sistema e
modificar caso seja necessário. O resultado é que a LF pode ser usada em controladores
inteligentes, capazes de tomarem decisões em processos mal definidos e com dinâmica não
conhecida. Adicionalmente, tais características da LF a fazem ser uma ferramenta útil em
tarefas onde é necessária a tomada de decisão (SIMÕES; SHAW, 2007). Deste modo, devido à
natureza intermitente e imprecisa do recurso solar, a LF é uma técnica frequentemente utilizada
em sistemas de energia solar.
Um sistema fuzzy, ilustrado na Figura 2.18, consiste basicamente em quatro
componentes, a saber: interface de “fuzzificação”, base de conhecimento, procedimento de
inferência e interface de Defuzzificação.
Figura 2.18 – Modelo de um sistema fuzzy

As entradas entram na a interface de “fuzzificação”, onde haverá atribuição de valores

linguísticos às variáveis. A “fuzzificação” é uma espécie de pré-processamento de categorias
dos sinais de entrada. Depois da etapa de “fuzzificação”, o sinal de entrada passará pela base
de dados contendo as regras SE/ENTÃO. Estas regras, juntamente com os dados de entrada
serão processados pelo procedimento de inferência, que enviará o sinal para a interface de
“defuzzificação”. Uma vez realizado o processo de inferência, a “defuzzificação” consiste em
produzir valores de saída linguísticos (SUMATHI; ASHOK KUMAR; SUREKHA, 2015).
Em um sistema fuzzy é importante que existam tantas regras quanto forem possíveis para
ter uma base de dados completa, garantindo que sempre exista uma regra a ser disparada para
qualquer entrada. Também é importante evitar a possibilidade de contradições e interação entre
as regras, minimizando assim a possibilidade de erro (SANDRI; CORREA, 1999).
53
2.4.2 Redes Neurais Artificiais

Redes neurais artificiais são um sistema de processamento de informações inspirados
no sistema nervoso dos seres vivos. Esta técnica tem sido desenvolvida com uma generalização
de modelos matemáticos que representam a cognição humana. Um rede neural consiste em um
conjunto de unidades simples de processamento chamados neurônios (FAUSETT, 1994),
representado na Figura 2.19.
Figura 2.19 – Representação de um neurônio artificial

De acordo com a Figura 2.19, os sinais de entrada são representados pelo conjunto {x1,
x2,...,xn}, que são comparáveis aos impulsos elétricos externos captados pelo neurônio
biológico. O conjunto de pesos sinápticos, representados por {w1, w2,...,wn}, executam
multiplicações que ponderam o sinal enviado ao neurônio, permitindo quantificar a relevância
de tal sinal em relação ao neurônio. O combinador linear é responsável por agregar os sinais e
produzir um sinal de potencial de ativação (u), que é a soma ponderada entre a entrada, os pesos
e o limiar de ativação (θ), de acordo com a Equação (9) (SILVA; SPATTI; FLAUZINO, 2016).
n
u = ∑ wi ∙ x i − θ (9)
i=1
O limiar de ativação é responsável por limitar a saída do neurônio dentro de um intervalo
de valores aceitável para a função de ativação utilizada. O sinal de saída é o valor final
produzido pelo neurônio, portanto y = g(u) (SILVA; SPATTI; FLAUZINO, 2016).
Outro aspecto importante sobre as redes neurais é a arquitetura. A arquitetura de uma
rede define a forma de conexão entre seus diversos neurônios. As principais formas de
arquitetura são: feedfoward, recorrente ou realimentada, reticulada. Para uma mesma
arquitetura, existem diferentes formas de composição da estrutura da rede, chamada de
54
topologia. Por exemplo, pode-se ajustar a quantidade de neurônios e a função de ativação,

mantendo-se a arquitetura (SILVA; SPATTI; FLAUZINO, 2016).
Definidas a arquitetura e topologia da rede, esta deve ser treinada de modo a produzir o
resultado esperado. O treinamento consiste na aplicação de um conjunto de passos com o
objetivo de ajustar os pesos e limiares de ativação dos neurônios. Este processo é chamado de
algoritmo de aprendizagem, busca sintonizar a rede para obter a saída mais próxima ao desejado
(SILVA; SPATTI; FLAUZINO, 2016).
O resultado da rede neural depende fundamentalmente da função de ativação utilizada,
da arquitetura e algoritmo de aprendizagem empregados. Tais aspectos são definidos de acordo
com a aplicação para a qual a rede está sendo treinada.
2.4.3 Redes Neurais Probabilísticas (RNP)

Redes neurais probabilísticas são redes feedforward baseadas em princípios estatísticos
em vez de métodos heurísticos. Em geral, as abordagens heurísticas modificam continuamente
os parâmetros do algoritmo para melhorar gradualmente o desempenho da rede. As redes do
tipo Perceptron de Múltiplas Camadas (PMC) são um exemplo de método heurístico que requer
um longo treinamento, mas nem sempre atinge a melhor solução em um tempo razoável
(SIDDIQUE; ADELI, 2013).
Uma rede do tipo RNP é uma simples rede de três camadas, derivada da estratégia de
decisão de Bayes e estimadores não paramétricos baseados em kernel de funções de densidade
de probabilidade (PDF). O método RNP mais comum usa a soma das funções gaussianas
esféricas centradas em cada vetor de treinamento para estimar a classe dos PDFs. A Equação
(10) e a Figura 2.20 descrevem a base de uma rede PNN
M T
1 1 −(x − xij ) (x − xij )
fi (x) = p × ∑ exp [ ] (10)
(2π)(2) σp M M j=1 2σ2
Em que i representa o número da classe, e j o número do padrão, xij é o jn vetor de

treinamento de i, x é o vetor de teste, M é o número de vetores de teste em i, p é a dimensão do
vetor x, σ é o fator de suavização e fi(x) é a soma da distribuição multivariada gaussiana centrada
em cada uma das amostras de treinamento.
55
Figura 2.20 – Estrutura Básica de uma RNP

Treinar uma rede PNN é rápido e fácil. Porém, requer muito espaço de memória,
considerando que todos os vetores de treinamento devem ser armazenados e utilizados
(SIDDIQUE; ADELI, 2013).
56
3 Materiais e Métodos
O presente Capítulo apresenta a metodologia utilizada para o desenvolvimento deste

trabalho, de modo a detalhar os procedimento e ferramentas necessários para atingir os
objetivos da pesquisa.
3.1 Metodologia da Pesquisa

A metodologia adotada para realização da pesquisa baseia-se na combinação de técnicas
de inteligência artificial para detecção de faltas em módulos fotovoltaicos. As faltas
investigadas por esta pesquisa são: módulos em curto-circuito, desconexão de strings e
sombreamento parcial nos módulos.
O desenvolvimento da pesquisa foi realizado em duas etapas. A primeira refere-se ao
levantamento bibliográfico no contexto de detecção de falhas em módulos fotovoltaicos,
sobretudo no estado da arte dos métodos que aplicam técnicas de inteligência artificial. Em
seguida, foi possível a realização da segunda etapa, referente ao desenvolvimento de um método
de detecção para as faltas aqui estudadas.
Inicialmente foi desenvolvido o modelo de uma célula fotovoltaica que possibilitou a
obtenção dos dados para treinamento da técnica de aprendizagem de máquina. O modelo
desenvolvido será discutido na seção 3.2.
3.2 Modelagem da Célula Fotovoltaica

O modelo analítico da célula é baseado nas equações discutidas na seção 2.2.1, e foi
desenvolvido utilizando o software MATLAB/Simulink®. A Figura 3.1 ilustra o modelo
desenvolvido e simulado.
57
Figura 3.1 – Modelo da célula fotovoltaica no MATLAB/Simulink®

Na Figura 3.1, os blocos na cor cinza são variáveis de entrada, os cor de rosa são as
saídas da célula FV, os amarelos são constantes, e os azuis são máscaras que contém as
equações previamente discutidas (seção 2.2.1, p. 34). Ademais, a Equação (5), utilizada no
desenvolvimento do modelo, é uma equação transcendental. Desta forma, para evitar o erro na
realimentação, foi empregado um filtro passa baixa (bloco verde na Figura 3.1), e a variável C
representa a constante do filtro. O filtro discretiza a solução do modelo, permitindo que a
equação seja resolvida e seu resultado armazenado em tempo hábil para a próxima solução. O
tempo da constate C deve diminuir com o número de células simuladas no módulo FV,
aumentando o número de amostras armazenadas.
Com o modelo de uma única célula apresentado na Figura 3.1, é a unidade fundamental
é possível montar e simular qualquer módulo fotovoltaico, considerando as conexões
série/paralelo das células, bem como os diodos de bypass do módulo. Consequentemente, é
possível simular um arranjo fotovoltaico inteiro, em condições normais ou de falta,
considerando a temperatura ambiente e irradiância individuais das células, como ilustra a Figura
3.2.
58
Figura 3.2 – Representação esquemática do modelo de um arranjo fotovoltaico

Para que seja possível a simulação do módulo fotovoltaico, é necessário conhecer todos
os parâmetros requeridos pelo modelo. A extração desses parâmetros será discutida na seção
3.2.1.
3.2.1 Extração de parâmetros

Os fabricantes de módulos fotovoltaicos fornecem grande parte dos parâmetros
necessários para simulação. Em geral, os parâmetros disponíveis na folha de dados do módulo
são tensão de circuito aberto (Voc), corrente de curto-circuito (Isc), tensão e corrente no ponto
de máxima potência (VMPP, IMPP), e potência máxima (PMPP). Esses dados são extraídos
experimentalmente para as condições padrão de teste (STC, do inglês, Standard Test
Conditions), ou seja, 25 °C de temperatura da célula e 1000 W/m² de irradiância. A folha de
dados ainda fornece Voc, Isc, VMPP, IMPP e PMPP para as condições de operação normal (NOCT).
Adicionalmente, também são fornecidas as características térmicas tais como o coeficiente de
temperatura para Isc (ki) e para Voc (kv).
Desta forma, de acordo com as equações do modelo, os parâmetros que não estão
disponíveis na folha de dados do fabricante são o fator de idealidade (a), a resistência série (Rs),
e a resistência shunt (Rsh). Enquanto alguns autores tem investigado como estimar o fator de
idealidade a (BAYHAN; BAYHAN, 2011; MEYER, 2017), no contexto desta pesquisa, esta
constate será considerada 1 ≤ a ≤ 1,5 (VILLALVA; GAZOLI; FILHO, 2009). O fator de
idealidade é escolhido de modo a melhorar o resultado do modelo.
Os dois parâmetros que ainda permanecem desconhecidos são a resistência série (Rs) e
a resistência shunt (Rsh) do modelo da célula. Tais parâmetros são essenciais para as
59
características da curva I-V do módulo fotovoltaico. Baseado na Equação (5), para um módulo
FV sem conexões paralelas, a resistência Rsh pode ser expressa pela Equação (11)
VMPP (VMPP + IMPP R s )
R 𝑠ℎ = q(VMPP +IMPP Rs ) (11)
[ ]
VMPP Iph − VMPP I0 e Ns akT +VMPP I0 − PMPP
Desta forma, é possível assumir que a resistência shunt varia com as condições do
ambiente, bem como também depende da resistência série, que ainda é desconhecida. Vários
métodos para extração de parâmetros do modelo têm sido amplamente explorados pela
literatura (KARATEPE; BOZTEPE; ÇOLAK, 2007; LAPPALAINEN et al., 2020;
SPAGNUOLO et al., 2019). Entretanto, a maioria delas requer a instalação de sensores e
equipamentos, ou mesmo longos conjuntos de dados quem nem sempre estão disponíveis.
Portanto, o método utilizado no contexto desta pesquisa é o desenvolvido por Villalva
et al. (2009). Este é um método eficiente e consolidado, que requer somente informações
disponíveis da folha de dados do módulo. Neste procedimento, o valor inicial de Rs deve ser
zero, e o valor inicial de Rsh é dado pela Equação (12).
VMPP Voc − VMPP
R 𝑠ℎ,min = − (12)
Isc − IMPP IMPP
A resistência shunt mínima representa a inclinação da reta traçada entre o ponto da
corrente de curto-circuito (Isc) e o ponto de operação de máxima potência (VMPP, IMPP) na curva
I-V (SUMATHI; ASHOK KUMAR; SUREKHA, 2015). O processo iterativo para o cálculo de
Rs e Rsh segue o algoritmo ilustrado na Figura 3.3.
Figura 3.3 – Fluxograma para extração dos parâmetros Rs e Rsh

60
Como discutido anteriormente, parte dos parâmetros de entrada são fornecidos pela
folha de dados do módulo, e outros são constantes do modelo. A irradiância G e a temperatura
do módulo T são as mesmas para as condições de STC.
Uma vez calculadas as resistências Rsh e Rs, não há mais parâmetros desconhecidos para
aplicação do modelo desenvolvido, sendo possível realizar as simulações para qualquer
módulo.
3.3 Métodos de Detecção de Falta

A modelagem e simulação discutidas na seção 3.2 possibilitou o desenvolvimento de
métodos de detecção de falta abordadas no contexto desta pesquisa. A simulação permite a
obtenção de dos dados necessários para o treinamento do algoritmo de aprendizagem de
máquina responsável pela detecção da falta. Assim, não há necessidade de longos conjuntos de
dados de plantas fotovoltaicas já existentes para o treinamento do método, podendo ser aplicado
a qualquer sistema FV, já em operação ou não.
Portanto, em resumo, os métodos de detecção de faltas aqui propostos consistem
basicamente em simular o sistema FV em situação de falta, treinar o algoritmo para
identificação e classificação da falta e por fim testar o algoritmo utilizando dados experimentais
de plantas FV reais em operação.
No contexto desta pesquisa, foram simulados e testados 3 sistemas fotovoltaicos
diferentes, operando em diferentes condições de ambiente e de falta. Desta forma, as seções
3.3.1 a 3.3.3 descrevem os sistemas para os quais os métodos foram desenvolvidos e testados,
seguidos da discussão dos métodos de detecção de faltas desenvolvidos nesta pesquisa.
3.3.1 Descrição do Sistema FV 1

O sistema fotovoltaico estudado para detecção de módulos em curto-circuito, aqui
chamado de Sistema FV 1, está representando na Figura 3.4. A potência instalada da planta é
de 2,2 kWp, e esta é composta por 10 módulos FV conectados em série.
Figura 3.4 – Representação esquemática do Sistema FV 1

61
Os módulos são do modelo STM6(60)P de tecnologia de silício cristalino, do fabricante

PowerGlaz, instalados no campus da Universidade de Huddersfield, Reino Unido. As
características do módulo estão descritas na Tabela 3.1.
Tabela 3.1 – Parâmetros do módulo fotovoltaico SMT6(60)P
Parâmetros da Folha de Dados
Parâmetro Valor Parâmetro Valor
Voc 36,74 V Ns 60
Isc 8,24 A Np 1
ki 0,0042 A/K PMPP 220 W
kv -0,132 V/K IMPP 7,7 A
NOCT 46 °C VMPP 28,7 V
Parâmetros Calculados
Rsh (Ω) 1108,3972 Rs (Ω) 0,3930
O sistema foi modelado e simulado de acordo com descrito na seção 3.2, e as resistências
série e shunt foram calculadas de acordo com o descrito na seção 3.2.1. Com o objetivo de obter
um conjunto de dados suficiente para o treinamento do algoritmo de inteligência artificial, é
necessário simular cenários para o sistema em condições normais de operação, bem como
cenários com a presença de faltas no sistema, variando a irradiância e a temperatura do módulo.
O conjunto de dados simulados possibilita o desenvolvimento dos métodos de detecção de faltas
propostos nesta pesquisa.
3.3.1.1 Método de Detecção de Módulos Curto-Circuitados (Sistema FV 1)

Quando um módulo FV se encontra na situação de curto-circuito no sistema, este deixa
de contribuir para a potência gerada. A Figura 3.5 as características das curvas I-V do Sistema
FV 1 para o caso de faltas de curto-circuito nos módulos fotovoltaicos.
62
Figura 3.5 – Curva I-V para a situação de curto-circuito no Sistema FV 1

Observa-se pela Figura 3.5 que à medida que aumenta o número de módulos está em
situação de falta, a tensão gerada pelo sistema fotovoltaico diminui, e consequentemente sua
potência.
Para detecção de módulos curto-circuitados no Sistema FV 1 estudado, foram simulados
10 cenários, desconectado 1, 2, 3 até 9 módulos do sistema FV, buscando representar a falta de
curto-circuito em cada módulo. Para cada cenário, a irradiância variou de 100 a 1100 W/m², e
a temperatura ambiente variou de 10 a 40 °C, como representado na Figura 3.6. Além disso, o
ponto de máxima potência (PMPP) foi medido e armazenado para cada caso simulado.
63
Figura 3.6 – Representação de curva I-V para os cenários simulados no sistema FV 1

Utilizando o conjunto de dados simulados, foram propostos três métodos que aplicam
diferentes técnicas de inteligência artificial, a saber, uma rede neural Perceptron de Múltiplas
Camadas (PMC), uma Rede Neural Probabilística (RNP), e um Neuro-Fuzzy. Todos os métodos
propostos buscam diagnosticar a falta do módulo em curto-circuito e identificar o número exato
de módulos com defeito para um dado arranjo.
O dataset obtido para a situação de módulos em curto-circuito no Sistema FV 1 resultou
em 7070 amostras, sendo 707 para cada condição de falta. Foram estabelecidos três cenários
para avaliação dos algoritmos de rede neural (PMC e RNP). O primeiro cenário corresponde
aos dados puros extraídos da simulação. Para as outras duas condições analisadas, foi inserido
um ruído de ±15% na variável de entrada PMPP. Assim, o Cenário 1 é a condição sem ruído, o
Cenário 2 contém o ruído em 50% dos dados, enquanto no Cenário 3 o ruído foi inserido em
100% dos dados da variável do ponto de máxima potência.
Este ruído representa as incertezas associadas aos sensores, amplificadores e
conversores, resultando em leituras incorretas, o que leva o algoritmo de MPPT a indicar pontos
incorretos de MPP (AL-ATRASH; BATARSEH; RUSTOM, 2010). Desta forma, é possível
avaliar como esses algoritmos respondem quando treinados com dados ruidosos.
Para fins de simplificação, a Figura 3.7 ilustra esquematicamente os algoritmos
estudados para detecção de módulos em curto-circuito no Sistema FV 1.
64
Figura 3.7 – Algoritmos estudados para detecção de módulos em curto-circuito no Sistema FV 1

3.3.1.2 Perceptron de Múltiplas Camadas (Sistema FV 1)

A primeira rede neural proposta para de detecção de módulos FV em curto-circuito é do
tipo Perceptron de Múltiplas Camadas, foi desenvolvida utilizando o software MATLAB®.
Foram desenvolvidas três redes neurais do tipo PMC (PMC-A1, PMC-A2 e PMC-A3), uma
para cada cenário analisado, utilizando a mesma estrutura em todos os casos. A estrutura da
rede neural PMC e suas características de treinamento estão ilustradas na Figura 3.8 e na Tabela
3.2.
Figura 3.8 – Estrutura da rede PMC para detecção de módulos em curto-circuito no Sistema FV 1
Tabela 3.2 – Características de treinamento da PMC para detecção de módulos em curto-circuito no Sistema FV
1
PMC Sistema FV 1
65
Variáveis de Entrada 3 (G, T, PMPP)

Variáveis de Saída 10
Número de Camadas 3
Número de Neurônios (35, 10)
Processo de Treinamento supervisionado
Algoritmo de Treinamento Levenberg-Marquardt
Função de Ativação (tansingmoid, tansingmoid)
Treinamento 70%
Validação 15%
Teste 15%
Tipo de Divisão de Amostras aleatório
O processo de treinamento é supervisionado, o que significa que foi fornecido o

conjunto de dados de entrada/saída do comportamento apropriado da rede. As amostras foram
aleatoriamente divididas em 70% para treinamento, 15% para validação e 15% para teste. O
algoritmo de treinamento escolhido foi o Levenberg-Marquardt, considerando seu desempenho
mais rápido para redes neurais de tamanho moderado.
As variáveis de entrada da rede são a irradiância (G), temperatura ambiente (Ta) e o
ponto de máxima potência (PMPP). Os dados de saída consistem em vetores com todos os valores
iguais a zero, exceto por um elemento igual a 1. Este elemento igual a 1 representará a classe
de falta identificada. Para o caso do Sistema FV 1, descrito na seção 3.3.1, serão identificadas
10 categorias, sendo a primeira de funcionamento normal e as demais identificando situação de
falta nos módulos. A Tabela 3.3 ilustra dos vetores de saída para as redes neurais treinadas.
Tabela 3.3 – Valores de saída para as redes PMC desenvolvidas para o Sistema FV 1
Módulos em curto-circuito Falta Saída Classe
0 F0 1000000000 1
1 F1 0100000000 2
2 F2 0010000000 3
3 F3 0001000000 4
4 F4 0000100000 5
5 F5 0000010000 6
6 F6 0000001000 7
7 F7 0000000100 8
8 F8 0000000010 9
9 F9 0000000001 10
A Tabela 3.4 descreve os resultados do processo de treinamento dos redes PMC

desenvolvidas para detecção de módulos em curto-circuito no Sistema FV 1.
66
Tabela 3.4 – Resultados de treinamento PMC para detecção de módulo em curto-circuito no Sistema FV 1
Coeficiente de Acurácia de
PMC Épocas
Regressão Treinamento
A1 69 0,99878 99,9%
A2 74 0,86846 85,5%
A3 52 0,78320 70,4%
Observando a acurácia de treinamento na Tabela 3.4, a rede PMC-A acurácia no

treinamento de 99,9%, enquanto as redes PMC-A2 e PMC-A3 mostraram 85,5% e 70,4%,
respectivamente. Deste modo, a acurácia de treinamento cai drasticamente com a inserção do
ruído do conjunto de dados de treinamento. Após o desenvolvimento das redes neurais do tipo
PMC, a seção 4.2.1 verifica sua acurácia utilizando dados experimentais.
3.3.1.3 Rede Neural Probabilística (Sistema FV 1)

Análogo ao realizado para as redes PMC, são propostas três redes neurais do tipo RNP,
um para cada cenário analisado, utilizando a mesma estrutura em todos os casos. A Figura 3.9
ilustra a estrutura das redes desenvolvidas utilizando o software MATLAB®.
Figura 3.9 - Estrutura da rede RNP para detecção de módulos em curto-circuito no Sistema FV 1

de falta identificada. Para o caso do Sistema FV 1, serão identificadas 10 categorias, sendo a
primeira de funcionamento normal e as demais identificando situação de falta nos módulos. Os
67
vetores de saída para as redes RNP são iguais aqueles utilizados na rede PMC, ilustrados na
Tabela 3.3.
Após o desenvolvimento das redes neurais do tipo RNP, a seção 4.2.2 verifica sua
acurácia, testando o algoritmo com dados experimentais.
3.3.1.4 Neuro-Fuzzy (Sistema FV 1)

O método proposto combina duas técnicas de inteligência artificial, como ilustra a
Figura 3.10. O primeiro algoritmo é uma rede neural de multicamadas, em que as variáveis de
entrada são a irradiância (G), a temperatura do módulo (Tc), e o ponto de máxima potência
(PMPP).
Figura 3.10 – Representação esquemática do método de detecção de módulos em curto-circuito Neuro-Fuzzy no

Sistema FV 1
A saída da rede neural entra no classificador fuzzy, que detecta precisamente quantos
módulos estão na condição de curto-circuito para o arranjo FV. A Tabela 3.5 exemplifica as
faltas indicadas pelo método de detecção proposto.
Tabela 3.5 – Faltas indicadas pelo método de detecção de módulos em curto-circuito no Sistema FV 1
Módulos em curto-circuito Falta Saída
0 F0 0
1 F1 1
2 F2 2
3 F3 3
…
n Fn n
A rede neural aplicada no método de detecção de falta é uma feedfoward

backpropagation de múltiplas camadas, desenvolvida utilizando o software MATLAB®. As
configurações da RNA estão descritas na Tabela 3.6.
Tabela 3.6 – Características de treinamento da RNA para detecção de desconexão de módulos em curto-circuito
no Sistema FV 1
Configuração da RNA
Número de variáveis de entrada 3 (G, T, PMPP)
68
Número de variáveis de saída 1

Número de camadas 2
Número de neurônios (10,1)
Função de Ativação (tansing, purelin)
Treinamento 70%
Validação 15%
Teste 15%
Tipo de divisão de amostras aleatório
O treinamento foi realizado com um total de 1470 amostras, sendo 147 para cada cenário
de falta simulado, e neste caso não é inserido ruído nos dados. As amostras foram organizadas
em ordem crescente de potência (PMPP), juntamente com os respectivos valores de irradiância
(G) e temperatura do módulo (Tc). Para a saída, foram assumidos valores variando de 0 ao
número de módulos em falta possíveis. Desta forma, para o Sistema FV 1, os valores de saída
assumidos variam de 0 a 9,99, com um passo de 0,0068 de acordo com o número de amostras
para cada cenário. Por exemplo, no caso de 2 módulos em curto-circuito, os valores de saída da
rede neural variam de 2 a 2,99. Assim, cada condição de falta corresponde a um intervalo de
valores de saída da RNA. O processo de treinamento levou 6 épocas, e a Figura 3.11 mostra o
gráfico de regressão para a rede neural treinada.
Figura 3.11 – Coeficiente de regressão para a RNA treinada para detecção de módulos em curto-circuito no
Sistema FV 1
69
O sinal de saída da RNA não é um número inteiro, e é neste ponto que entra o segundo
algoritmo de inteligência artificial. O classificador fuzzy classifica e determina precisamente
quantos módulos curto-circuitados há no arranjo FV. O sistema de lógica fuzzy implementado
é do tipo Takagi-Sugeno-Kang, desenvolvido utilizando o software MATLAB®. A Figura 3.12
e a Tabela 3.7 mostram as características do classificador fuzzy desenvolvido.
Figura 3.12 – Sistema de lógica fuzzy desenvolvido para detecção de módulos em curto-circuito no Sistema FV 1
Tabela 3.7 – Configurações do classificador fuzzy para detecção de módulos em curto-circuito no Sistema FV 1
Configurações do classificador fuzzy
Nome Classificador
Tipo Sugeno
Entradas/Saídas [1 1]
Número de funções de pertinência de entrada 10
Número de funções de pertinência de saída 10
Número de regras 10
Entrada Saída da RNA
Saída Falta
Intervalo de entrada [-1 10]
Intervalo de saída [0 9]
Tipos de funções de pertinência de entrada trimf, trapmf
Tipos de funções de pertinência de saída constant
O sistema de classificação fuzzy é responsável por indicar o número preciso de módulos

em curto-circuito no arranjo. Portanto, as funções de pertinência de saída são constantes, e suas
configurações estão descritas na Tabela 3.8.
Tabela 3.8 – Características das funções de pertinência de entrada e saída do classificador fuzzy no Sistema FV 1
Funções de pertinência de entrada Funções de pertinência de saída
Nome Parâmetros Nome Parâmetros
F0 [-1 -1 0 0,5] Falta_0 [0 0 0 0]
F1 [0,5 1 2] Falta_1 [1 0 0 0]
F2 [1,5 2 3] Falta_2 [2 0 0 0]
70
F3 [2,5 3 3,9] Falta_3 [3 0 0 0]

F4 [3,5 4 5] Falta_4 [4 0 0 0]
F5 [4,5 5 6] Falta_5 [5 0 0 0]
F6 [5,5 6 7] Falta_6 [6 0 0 0]
F7 [6,5 7 8] Falta_7 [7 0 0 0]
F8 [7,5 8 9] Falta_8 [8 0 0 0]
F9 [8,5 9 10 10] Falta_9 [9 0 0 0]
As regras do sistema fuzzy são baseadas nas premissas SE/ENTÃO. Então, para o
classificador fuzzy proposto, foram utilizadas 10 regras que estão listadas na Tabela 3.9.
Tabela 3.9 - Regras do classificador fuzzy no Sistema FV 1
Regras Fuzzy
1. SE (Saída da RNA é F0) ENTÃO (Falta é Falta_0) (1)
Depois de desenvolver os dois algoritmos, o método proposto está finalizado e a

validação será realizada na seção 4.2.1.

O sistema fotovoltaico estudado para detecção de desconexão de strings, aqui chamado
de Sistema FV 2, está representando na Figura 3.13. A potência instalada da planta é de 4,16
kWp, e esta é composta por 32 módulos FV, divididos em quatro strings. Todos os strings são
conectados em série através de um módulo combinador de circuito.
71
Figura 3.13 - Representação esquemática do Sistema FV 2

Os módulos são do modelo KC130GHT-2 de silício policristalino, do fabricante

Kyocera, instalados no campus da Universidade de Huddersfield, Reino Unido. As
características do módulo estão descritas na Tabela 3.10.
Tabela 3.10 – Parâmetros do módulo fotovoltaico KC130GHT-2
Voc 21,90 V Ns 36
Isc 8,02 A Np 1
ki 0,00318 A/K PMPP 130 W
kv -0,0821 V/K IMPP 7,39 A
Rsh (Ω) 119,232 Rs (Ω) 0,16
72

3.3.2.1 Método de Detecção de Desconexão String (Sistema FV 2)

Quando um string se encontra desconectado, este deixa de contribuir para geração de
energia do sistema fotovoltaico. A Figura 3.14 as características das curvas I-V do Sistema FV
2 para o caso de desconexão dos strings.
Figura 3.14 – Curva I-V para a situação de desconexão de strings no Sistema FV 2

Observa-se pela Figura 3.14 que à medida que o número de strings é desconectado, a
tensão gerada pelo sistema fotovoltaico diminui, e consequentemente sua potência.
Para detecção de desconexão de strings no Sistema FV 2 estudado, foram simulados 4
cenários, desconectado 1, 2, 3 e 4 strings da planta, buscando representar a falta de desconexão
para cada string. Para cada cenário, a irradiância variou de 100 a 1100 W/m², e a temperatura
ambiente variou de 10 a 40 °C, representado pela Figura 3.15. Além disso, o ponto de máxima
potência (PMPP) foi medido e armazenado para cada caso simulado.
73
Figura 3.15 - Representação de curva I-V para os cenários simulados no sistema FV 2

Utilizando o conjunto de dados simulados, foram propostos três métodos que aplicam
Camadas, uma Rede Neural Probabilística, e um Neuro-Fuzzy. Todos os métodos propostos
buscam diagnosticar a falta de desconexão de strings, identificando o número exato de strings
desconectados para um dado arranjo.
O dataset obtido para a situação de módulos em curto-circuito no Sistema FV 2 resultou
em 2828 amostras, sendo 707 para cada condição de falta. Foram estabelecidos os mesmos três
cenários analisados no Sistema FV 1 para avaliação dos algoritmos de rede neural (ver seção
3.3.1.1). A Figura 3.16 ilustra esquematicamente os algoritmos estudados para detecção de
módulos em curto-circuito no Sistema FV 2.
74
Figura 3.16 – Algoritmos estudados para detecção de desconexão de strings no Sistema FV 2


A primeira rede neural proposta para de detecção de strings desconectados é do tipo
perceptron de múltiplas camadas, desenvolvida utilizando o software MATLAB®. Foram
analisadas três redes neurais do tipo PMC (PMC-B1, PMC-B2 e PMC-B3), utilizando a mesma
estrutura. A Figura 3.17 e a Tabela 3.11 ilustram a estrutura das redes neurais, bem como suas
características de treinamento.
Figura 3.17 - Estrutura da rede PMC para detecção de strings desconectados no Sistema FV 2
Tabela 3.11 – Características de treinamento da PMC para detecção de strings desconectados no Sistema FV 2
PMC
Variáveis de Entrada 3 (G, T, PMPP)
75
Número de Neurônios (10, 4)
Função de Ativação (tansingmoid, tansingmoid)
Treinamento 70%
Validação 15%
Teste 15%

4 categorias, sendo a primeira de funcionamento normal e as demais identificando desconexão
nos strings do sistema FV. A Tabela 3.12 ilustra dos vetores de saída para as redes neurais
treinadas.
Tabela 3.12 – Valores de saída para a PMC desenvolvida para o Sistema FV 2
Strings Desconectados Falta Saída Classe
0 F0 1000 1
1 F1 0100 2
2 F2 0010 3
3 F3 0001 4
A Tabela 3.13 representa os resultados do treinamento das redes PMC no caso do

Sistema FV 2.
Tabela 3.13 - Resultados de treinamento PMC para detecção de strings desconectados no Sistema FV 2
Coeficiente de Acurácia de
PMC Épocas
Regressão Treinamento
B1 48 0,99077 100,0%
B2 28 0,97380 97,2%
B3 36 0,95158 95,1%
Analisando a Tabela 3.13, a acurácia de treinamento da rede PMC-B1 é de 100%,

enquanto nas redes PMC-B2 e PMC-B3 é de 97,2% e 95,1%, respectivamente. Observa-se que
a acurácia de treinamento não cai na tão drasticamente como aconteceu no caso analisado para
o Sistema FV 1. A acurácia neste caso está relacionada ao tipo de falta detectada. No caso de
desconexão de strings, a perda de potência gerada no sistema FV é maior. Portanto, o algoritmo
76
torna-se mais sensível ao diagnóstico e detecção deste tipo de falta. Após o desenvolvimento
das redes neurais do tipo PMC, a seção 4.3.1 verifica sua acurácia, testando o algoritmo com
dados experimentais para o Sistema FV 2.

São propostas três redes neurais do tipo probabilística para de detecção de strings
desconectados, uma para cada cenário analisado. A Figura 3.18 ilustra a estrutura das redes
RNP desenvolvidas utilizando o software MATLAB®.
Figura 3.18 – Estrutura da rede RNP para detecção de strings desconectados no Sistema FV 2

4 categorias, sendo a primeira de funcionamento normal e as demais identificando situação de
desconexão dos strings. Os vetores de saída para as redes RNP são iguais aqueles utilizados na
rede PMC, ilustrados na Tabela 3.12.
Após o desenvolvimento das rede neurais do tipo RNP, a seção 4.3.2 verifica sua
acurácia, testando o algoritmo com dados experimentais para o Sistema FV 2.
3.3.2.4 Neuro-Fuzzy (Sistema FV 2)

O método proposto combina duas técnicas de inteligência artificial, como ilustra a
Figura 3.19. O primeiro algoritmo é uma rede neural de multicamadas, em que as variáveis de
77
entrada são a irradiância (G), a temperatura do módulo (Tc), e o ponto de máxima potência
(PMPP).
Figura 3.19 - Representação esquemática do método de detecção desconexão de strings Neuro-Fuzzy no Sistema
FV 2
A saída da rede neural entra no classificador fuzzy, responsável por indicar quantos
módulos estão na condição de curto-circuito para o arranjo FV. A Tabela 3.14 exemplifica as
faltas indicadas pelo método de detecção proposto.
Tabela 3.14 – Faltas indicadas pelo método neuro-fuzzy no Sistema FV 2
Strings Desconectados Falta Saída
0 F0 0
1 F1 1
2 F2 2
3 F3 3
A rede neural aplicada no método de detecção de falta é uma feedfoward

backpropagation de múltiplas camadas, desenvolvida utilizando o software MATLAB®. As
configurações da RNA estão descritas na Tabela 3.15.
Tabela 3.15 – Características de treinamento da RNA para detecção de desconexão de strings no Sistema FV 2
Configuração da RNA
Número de variáveis de entrada 3 (G, T, PMPP)
Número de variáveis de saída 1
Número de camadas 2
Número de neurônios (10,1)
Função de Ativação (tansing, purelin)
Treinamento 70%
Validação 15%
Teste 15%
Tipo de divisão de amostras dividerand
O treinamento foi realizado com um total de 588 amostras, sendo 147 para cada cenário
de falta simulado. As amostras foram organizadas em ordem crescente de potência (PMPP),
juntamente com os respectivos valores de irradiância (G) e temperatura do módulo (Tc). Para a
78
saída, foram assumidos valores variando de 0 ao número de string desconectados possíveis.

Desta forma, para o Sistema FV 2, os valores de saída assumidos variam de 0 a 4,99, com um
passo de 0,0068 de acordo com o número de amostras para cada cenário. Por exemplo, no caso
de 2 strings desconectados, os valores de saída da rede neural variam de 2 a 2,99. Assim, cada
condição de falta corresponde a um intervalo de valores de saída da RNA. O processo de
treinamento levou 9 épocas, e a Figura 3.20 mostra o gráfico de regressão para a rede neural
treinada.
Figura 3.20 – Gráfico de regressão para a RNA treinada para detecção de strings desconectados
O sinal de saída da RNA não é um número inteiro, e é neste ponto que entra o segundo
algoritmo de inteligência artificial. O classificador fuzzy classifica e determina quantos strings
estão desconectados no sistema FV. O sistema de lógica fuzzy implementado é do tipo Takagi-
Sugeno-Kang, desenvolvido utilizando o software MATLAB®. A Figura 3.21 e a Tabela 3.16
mostram as características do classificador fuzzy desenvolvido.
79
Figura 3.21 – Sistema de lógica fuzzy desenvolvido para detecção de desconexão de strings no Sistema FV 2
Tabela 3.16 – Configurações do classificador fuzzy para detecção de desconexão de strings no Sistema FV 2
Configurações do classificador fuzzy
Nome Classificador
Tipo Sugeno
Entradas/Saídas [1 1]
Número de funções de pertinência de entrada 4
Número de funções de pertinência de saída 4
Número de regras 4
Entrada Saída da RNA
Saída Falta
Intervalo de entrada [-1 4]
Intervalo de saída [0 3]
Tipos de funções de pertinência de entrada trimf, trapmf
Tipos de funções de pertinência de saída constante
O sistema de classificação fuzzy é responsável por indicar o número preciso de strings

desconectados no sistema fotovoltaico. Portanto, as funções de pertinência de saída são
constantes, e suas configurações estão descritas na Tabela 3.17.
Tabela 3.17 – Características das funções de pertinência de entrada e saída do classificador fuzzy no Sistema FV
2
Funções de pertinência de entrada Funções de pertinência de saída
Nome Parâmetros Nome Parâmetros
F0 [-1 -1 0 0,5] Falta_0 [0 0 0 0]
F1 [0,5 1 2] Falta_1 [1 0 0 0]
F2 [1,5 2 3] Falta_2 [2 0 0 0]
F3 [2,5 3 4 4] Falta_3 [3 0 0 0]
As regras do sistema fuzzy são baseadas nas premissas SE/ENTÃO. Então, para o
classificador fuzzy proposto, foram utilizadas 4 regras que estão listadas na Tabela 3.18.
Tabela 3.18 – Regras do classificador fuzzy no Sistema FV 2
Regras Fuzzy
80

Depois de desenvolver os dois algoritmos, o método proposto está finalizado e a

validação será realizada na seção 4.3.3.

O sistema fotovoltaico estudado para detecção de sombreamento parcial, aqui chamado
de Sistema FV 3, está ilustrado na Figura 3.19. O Sistema FV 3 foi previamente estudado por
Lazzaretti et al. (2020), e sua potência instalada da planta é de 5 kWp, composto por 16 módulos
FV, divididos em dois strings. Todos os strings são conectados em série através de um inversor
e conectado à rede.
Figura 3.22 – Ilustração do Sistema FV 3

Fonte: (LAZZARETTI et al., 2020)
Os módulos são do modelo CS6U-330P, do fabricante Canadian Solar, instalados no

campus central da Universidade Tecnológica do Paraná, Curitiba. As características do módulo
estão descritas na Tabela 3.19.
Tabela 3.19 – Parâmetros do módulo fotovoltaico CS6U-330P
Voc 45,6 V Ns 72
Isc 9,45 A Np 1
ki 0,005 A/K PMPP 330 W
kv -0,144 V/K IMPP 8,88 A
81
Rsh (Ω) 2732,17 Rs (Ω) 0,238
3.3.3.1 Método de Detecção de Sombreamento Parcial (Sistema FV 3)

O efeito do sombreamento parcial nos módulos fotovoltaicos foi amplamente discutido
anteriormente na seção 2.3.3. Existem inúmeros possíveis padrões de sombreamento parcial em
um sistema FV, mas para o Sistema FV 3 estudado foram simulados padrões de sombreamento
de 5 a 15%, de acordo com o descrito por Lazzaretti et al. (2020).
Para cada padrão de sombreamento, variou-se a irradiância de 100 a 1100 W/m², e a
temperatura ambiente 10 a 40 °C, representado pelas curvas na Figura 3.20. Para obtenção do
conjunto de dados de treinamento, foi medido e armazenado o a corrente de máxima potência
(IMPP) e tensão de máxima potência (VMPP) para cada situação simulada. A falta de
sombreamento parcial exige mais entradas em relação as outras estudados até aqui, pois é uma
condição que pode resultar em muitas possibilidade de potência e saída, e isso acaba
confundindo o algoritmo de detecção de falta.
82
Figura 3.23 - Representação de curva I-V para os cenários simulados no sistema FV 3

Utilizando o conjunto de dados simulados, foram propostos dois métodos que aplicam
Camadas, e uma Rede Neural Probabilística. Todos os métodos propostos buscam diagnosticar
a falta sombreamento parcial no arranjo FV.
Para o caso da falta de sombreamento parcial, existem inúmeros padrões de
sombreamento possíveis, podendo acontecer desde uma única célula até strings inteiros
afetados pela sombra. Portanto, neste contexto, o método neuro-fuzzy aplicado anteriormente
para os outros tipos de falta exploradas nesta pesquisa não se aplica à falta de sombreamento
parcial, pois o objetivo é apenas de indicar a presença de sombreamento e não quantas células
ou módulos estão afetados pela condição de falta.
Tratando-se de sistema FV pequenos ou domésticos, uma vez indicado a presença do
sombreamento, é visualmente simples identificar a área afetada e realizar a possível correção.
Por outro lado, no caso de um sistema FV de larga a não indicação da área exata afetada pode
tomar muito tempo dos operadores no momento da correção da falta.
O conjunto de dados obtido para a situação de sombreamento dos módulos no Sistema
FV 3 resultou em 2828 amostras, sendo 707 para cada a condição de operação normal e 2121
para a condição de sombreamento parcial. No caso da falta de sombreamento parcial, não foram
considerados conjuntos de dados com a presença de ruído.
83

A primeira rede neural proposta para de detecção sombreamento parcial é do tipo
perceptron de múltiplas camadas, desenvolvida utilizando o software MATLAB®. Foi
desenvolvida uma rede neural utilizando a estrutura e características descritas na Tabela 3.11
Tabela 3.20 – Características de treinamento da PMC para detecção de sombreamento parcial no Sistema FV 3
PMC
Variáveis de Entrada 4 (G, T, IMPP, VMPP)
Número de Neurônios (20,10,2)
Função de Ativação (tansig, logsig, purelin)
Treinamento 70%
Validação 15%
Teste 15%
As variáveis de entrada da rede são a irradiância (G), temperatura do módulo (Tmod),

corrente no ponto de máxima potência (IMPP) e tensão no ponto de máxima potência (VMPP). Os
dados de saída consistem em vetores com todos os valores iguais a zero, exceto por um
elemento igual a 1. Este elemento igual a 1 representará a classe de falta identificada. Para o
caso do Sistema FV 3, descrito na seção 3.3.3, serão identificadas 2 categorias, sendo a primeira
de funcionamento normal e a segunda indicando presença de sombreamento parcial no sistema.
A Tabela 3.21 ilustra dos vetores de saída para as redes neurais treinadas.
Tabela 3.21 – Valores de saída para a PMC desenvolvida para o Sistema FV 3
Sombreamento Parcial Falta Saída Classe
0 F0 10 1
1 F1 01 2
Para o caso da PMC treinada para detecção de sombreamento parcial, o treinamento

apresentou coeficiente de regressão R²=0,99727 e acurácia de treinamento de 99,9%. Após o
desenvolvimento da rede neural do tipo PMC, a seção 4.4.1 verifica sua acurácia, testando o
algoritmo com dados experimentais para o Sistema FV 3.
84

É proposta uma rede neural do tipo probabilística para de detecção de sombreamento
parcial. A Figura 3.18 ilustra a estrutura das redes RNP desenvolvidas utilizando o software
MATLAB®.
Figura 3.24 – Estrutura da rede RNP para detecção de sombreamento parcial no Sistema FV 3

As varáveis de entrada são as mesmas utilizadas no desenvolvimento da rede PMC, bem
como seus vetores de saída, ilustrados na Tabela 3.21. Após o desenvolvimento das rede neurais
do tipo RNP, a seção 4.4.2 verifica sua acurácia, testando o algoritmo com dados experimentais
para o Sistema FV 3.
85
4 Resultados e Discussões
O presente Capítulo apresenta e discute os resultados obtidos com desenvolvimento

desta pesquisa.
4.1 Avaliação do Modelo e Simulação da Célula Fotovoltaica

A comparação com dados experimentais é essencial para validação do modelo
desenvolvido. É importante entender com o modelo funciona para diferentes módulos e
condições do ambiente. Desta forma, o modelo desenvolvido na seção 3.2 será testado para três
sistemas fotovoltaicos diferentes, chamados aqui de Arranjo FV-A, Arranjo FV-B e Arranjo
FV-C. Os arranjos fotovoltaicos A e C são diferentes dos apresentados nos itens 3.3.2 e 3.3.3
Adicionalmente, os resultados do modelo proposto são comparados com os do bloco
“PV Array” do software MATLAB/Simulink®, com o objetivo de comparar a metodologia
desenvolvida com uma ferramenta de simulação já existente no mesmo software comercial. A
validação do modelo está descrita e discutida nas seções 4.1.1, 4.1.1 e 4.1.3.
4.1.1 Avaliação do Modelo para o Arranjo FV-A

O primeiro sistema fotovoltaico analisado é conectado à rede e instalado no campus da
Universidade Federal Rural do Semi-Árido (UFERSA). A planta tem 3,43 kWp de potência, e
é composta por 14 módulos FV conectados em série. Os módulos são do modelo YL245P-29b,
do fabricante Yiglisolar, e suas características estão descritas na Tabela 4.1.
Tabela 4.1 – Características do módulo Yiglisolar YL245P-29b
Parâmetro Valor
Isc 8,83 A
Voc 37,5 V
IMPP 8,28 A
VMPP 29,6 V
PMPP 245 W
Ns 60
ki 0,004415 A/K
kv -0,1248 V/K
NOCT 46 °C
As resistências série e shunt para o módulo YL245P-29b foram calculadas de acordo
com o método descrito na seção 3.2.1, resultando em Rs = 0,411 Ω e Rsh = 404,1 Ω para as
86
condições de STC, e foi assumida constante para qualquer condição. Além disso, o fator de
idealidade foi considerado como a = 1, buscando melhorar o resultado do modelo (VILLALVA;
GAZOLI; FILHO, 2009).
Conhecendo todos os parâmetros necessários, foi possível simular o sistema FV,
comparando os resultados com dados experimentais, e com os resultados do bloco “PV Array”
do software MATLAB®. A comparação do modelo desenvolvido com os resultados do bloco
“PV Array” foi realizada buscando justificar o desenvolvimento do modelo, bem como ressaltar
sua eficácia.
Para o Sistema 1, foram considerados dois cenários de teste, a saber, Teste A e Teste B.
Em ambas as situações, a irradiância (G) é uniforme para todos os módulos, portanto não há
sombreamento. Além disso, o dado de temperatura (T) disponível é de temperatura ambiente
(Ta), portanto neste caso, a Equação (6) foi utilizada.
No Teste A, a temperatura ambiente (Ta) é de 24 °C, e foi variada a irradiância (G) em
níveis de 294 W/m², 543 W/m² e 881 W/m². Para o Teste B, a temperatura ambiente é de 31
°C, e foi variada a irradiância em níveis de 371 W/m², 883 W/m² e 991 W/m². A escolha de tais
níveis de irradiância em ambos os testes se baseou em manter o nível de temperatura constante
e variar a irradiância em níveis baixos, médio e altos. Os resultados estão ilustrados Figura 4.1.
(a) (d)
(b) (e)
87
(c) (f)
Figura 4.1 – Curvas P-V do Sistema 1 (a) Teste A e G=294W/m², (b) Teste A e G=543W/m², (c) Teste A e
G=881W/m², (d) Teste B e G=371W/m², (e) Teste B e G=883W/m² e (f) Teste B e G=991W/m²
Observando a Figura 4.1, é possível verificar que para o caso do Sistema 1, o modelo
proposto é mais acurado do que a ferramenta “PV Array” do software MATLAB/Simulink®,
bem como os resultados são coerentes com a potência medida experimentalmente no sistema.
A diferença entre o modelo proposto e o bloco “PV Array”, neste caso, se deve ao
parâmetros a, Rs e Rsh aplicados a cada método. O bloco “PV Array” extrai os parâmetros do
módulo FV usando uma metodologia distinta da apresentada no modelo proposto,
consequentemente mostrando resultados diferente de potência. A Tabela 4.2 resume a
comparação entre os dados medidos e simulados para o Sistema 1.
Tabela 4.2 - Comparação entre resultados experimentais e de simulação para o Sistema 1
Simulação do Simulação Bloco Bloco PV
Medido Modelo
modelo PV Array Array
Ta G PMPP Erro
PMPP (W) PMPP (W) Erro (%)
(°C) (W/m²) (W) (%)
Teste B Teste A
24 294 929,84 934,06 -0,45 997,9 -7,32

24 543 1595,81 1610,9 -0,95 1781 -11,60
24 881 2337,17 2325,8 0,49 2704 -15,70
31 371 1105,76 1087,6 1,64 1211 -9,52
31 883 2186,39 2138,2 2,20 2661 -21,71
31 991 2261,78 2243,2 0,80 2869 -26,85
4.1.2 Avaliação do Modelo para o Arranjo FV-B

O segundo sistema fotovoltaico é o mesmo já apresentado na seção 3.3.1, composto por
10 módulos conectados em série do modelo STM6(60)P. As resistências série e shunt para o
módulo foram calculadas de acordo com o método descrito na seção 3.3.1.1, resultando em Rs
= 0,393 Ω e Rsh = 1108,4 Ω para as condições de STC, e foi assumida constante para qualquer
condição. Além disso, o fator de idealidade foi considerado como a = 1,2, buscando melhorar
o resultado do modelo (VILLALVA; GAZOLI; FILHO, 2009).
88
As condições de teste experimental do Sistema 2 foi de temperatura aproximadamente

constante em 16 °C, e irradiância uniforme em todos os módulos, variando em 88 W/m², 110
W/m², 224 W/m² e 329W/m². Os níveis de irradiância para teste variam em níveis baixos e
médios, de acordo com a limitação de irradiância do ambiente testado. Os resultados dos testes
com o Sistema 2 estão ilustrados na Figura 4.2.
(a) (b)
(c) (d)
Figura 4.2 - Curvas P-V do Sistema 1 (a) G = 88W/m², (b) G = 110W/m², (c) G = 224W/m² e (d) G = 329W/m²
Observando a Figura 4.2, é possível verificar que para o caso do Sistema 2, o modelo
proposto também é mais acurado do que a ferramenta “PV Array”, bem como os resultados são
coerentes com a potência medida experimentalmente no sistema. A Tabela 4.3 resume a
comparação entre os dados medidos e simulados para o Sistema 2.
Tabela 4.3 – Comparação entre resultados experimentais e de simulação para o Sistema 1
Simulação do Simulação Bloco Bloco PV
Medido Modelo
modelo PV Array Array
Ta G PMPP Erro
PMPP (W) PMPP (W) Erro (%)
(°C) (W/m²) (W) (%)
89
16 88 185,26 186,30 0,56 198,20 6,98

16 110 238,15 236,00 -0,90 249,20 4,64
16 224 493,00 487,90 -1,03 509,60 3,37
16 329 709,11 707,20 -0,27 740,30 4,40
4.1.3 Avaliação do Modelo para o Arranjo FV-C

O terceiro arranjo FV foi experimentalmente testado por Ding et al. (2012). O arranjo
fotovoltaico é composto por módulos do modelo EGing-50W, cujas características estão
descritas na Tabela 4.4.
Tabela 4.4 – Características do módulo EGing-50W
Parâmetro Valor
Isc 3A
Voc 22 V
IMPP 2,77 A
VMPP 17,98 V
PMPP 50 W
Ns 36
ki 0,0012 A/K
kv -0,0726 V/K
As resistências série e shunt para o módulo EGing-50W foram calculadas de acordo

com o método descrito na seção 3.2.1, resultando em Rs = 0,122 Ω e Rsh = 950,71 Ω para as
condições de STC, e foi assumida constante para qualquer condição. Além disso, o fator de
idealidade foi considerado como a = 1,5, buscando melhorar o resultado do modelo
(VILLALVA; GAZOLI; FILHO, 2009).
Para o Sistema 3, foram investigados dois cenários de teste sob condições de
sombreamento uniforme nos módulos, a saber, Teste A e Teste B, conforme ilustra a Figura
4.3.
90
Figura 4.3 Cenários de teste para o Sistema 3

Para o caso do Sistema 3, a temperatura disponível é a temperatura do módulo (Tmod).

De acordo com a Figura 4.3, o Teste A é um arranjo de 3 módulos conectados em série, cada
um submetido a níveis de irradiância diferentes. O Teste B, é a conexão em paralelo de 2
arranjos de 3 módulos em série, totalizando 6 módulos, submetidos a diferentes níveis de
irradiância. Os resultados para os teste com dados experimentais do sistema 3 estão ilustrados
na Figura 4.4.
(a) (b)
Figura 4.4 – Curvas P-V para o Sistema 3 (a) Teste A e (b) Teste B
Analisando a Figura 4.4, é possível verificar que para a condição de sombreamento

uniforme, os resultados do modelo proposto são mais acurados do que os do bloco “PV Array”.
Além disso, os resultados do modelo são coerentes com os dados experimentais medidos no
91
sistema. A Tabela 4.5 resume a comparação entre os dados medidos e simulados para o Sistema
3.
Tabela 4.5 - Comparação entre resultados experimentais e de simulação para o Sistema 3
Simulação
Simulação do Bloco PV
Medido Modelo Bloco PV
modelo Array
Array
PMPP (W) PMPP (W) Erro (%) PMPP (W) Erro (%)
Pico 1 53,7 56,88 -5,92 57,63 -7,31
Teste A
Pico 2 52,4 51,00 2,67 53,5 -2,10
Pico 1 58,0 59,73 -2,98 63,69 -9,81
Teste B
Pico 2 62,2 59,91 3,68 66,65 -7,15
A partir dos resultados apresentados nas seções 4.1.1, 4.1.1 e 4.1.3 revelam que o
modelo de simulação desenvolvido é adequado para simulação de sistemas fotovoltaicos com
diferentes tipos de módulos, submetidos a vários níveis de irradiância, com e sem variação de
temperatura, ou ainda submetido a condições de sombreamento. Portanto o modelo proposto
pode ser utilizado para o desenvolvimento dos métodos de detecção de falta abordas no contexto
desta pesquisa.
4.2 Avaliação dos Métodos de Detecção de Módulos em Curto-Circuito

A pesquisa propôs três métodos para detecção da falta de módulos em curto-circuito no
arranjo fotovoltaico. Os algoritmos de aprendizagem de máquina foram treinados com dados
obtidos através de simulação, discutida na seção 4.1. Após o treinamento e desenvolvimento
dos métodos, é possível avaliar seu funcionamento utilizando dados obtidos
experimentalmente.
Os experimentos de módulos em curto-circuito foram realizados no Sistema FV 1
descrito na seção 3.3.1. Os módulos foram desconectados do arranjo, avaliando
experimentalmente todos os cenários simulados para o treinamento. A Figura 4.5 exemplifica
a configuração do experimento realizado.
92
Figura 4.5 – Representação esquemática do experimento realizado no Sistema FV 1

Como ilustra a Figura 4.5 os módulos foram desconectados um a um, através da caixa
de conexão do arranjo, buscando representar o curto-circuito nos módulos FV. Os testes
experimentais foram realizados durante duas semanas, e a Figura 4.6 e Figura 4.7 ilustram os
resultados obtidos.
Figura 4.6 – Resultados experimentais da semana 1 para o Sistema FV 1

93
Figura 4.7 - Resultados experimentais da semana 2 para o Sistema FV 1

Durante os experimentos, foram medidas as variáveis de irradiância (G), temperatura

ambiente (Ta) e potência no MPP (PMPP). A temperatura ambiente foi aproximadamente
constante em 16 °C em todos os dias observados. Observando a Figura 4.6 e a Figura 4.7, a
potência de saída decresce significativamente em situações de ocorrência de falta. CQuando
comparado um dia de operação normal (Dia 1, na Figura 4.6) com um dia de ocorrência de falta
(Dia 7, na Figura 4.7), é possível observar que o PMPP não segue o crescimento da irradiância
ao longo do dia, destacando assim a condição de falta no sistema FV.
Os resultados experimentais permitiram validar os métodos de detecção de faltas
propostos, discutidos nas seções 4.2.1 a 4.2.3.
4.2.1 Avaliação do Método usando PMC (Sistema FV 1)

O método proposto na seção 3.3.1.2 foi validado usando 2779 amostras experimentais,
compreendendo todas as situações de falta abordadas pelo método. A Figura 4.8 ilustra os
resultados da detecção de módulos FV em curto-circuito para as redes neurais PMC-A1, PMC-
A2 e PMC-A3 desenvolvidas.
94
(a) (b)
(c)
Figura 4.8 - Matriz de confusão para validação com dados experimentais (a) PMC-A1, (b) PMC-A2 e (c) PMC-
A3
Observando a Figura 4.8, a rede PMC-A1 apresentou melhor desempenho na detecção

de módulos FV em curto-circuito, destacando-se com 99,1% de acurácia. À medida que o ruído
de ±15% é inserido nos dados do PMPP de treinamento, os algoritmos vão perdendo
desempenho, chegando a 98% e 97,2% para PMC-A2 e PMC-A3, respectivamente.
95
4.2.2 Avaliação do Método usando RNP (Sistema FV 1)

compreendendo todas as situações de falta abordadas pelo método. A Figura 4.9 os resultados
da detecção de módulos FV em curto-circuito para à rede neural RNP desenvolvida.
(a) (b)
(c)
Figura 4.9 – Matriz de confusão para validação da RNP com dados experimentais (a) RNP-A1, (b) RNP-A2 e (c)
RNP-A3
96
Observando a Figura 4.9, a rede RNP-A1 apresentou melhor acurácia na detecção de

módulos em curto-circuito. A inserção do ruído no caso do da RNP causa uma diminuição mais
acentuada na acurácia do algoritmo, chegando a cair aproximadamente 29% quando comparado
a RNP-A1 com a RNP-A3.
4.2.3 Avaliação do Método usando Neuro-Fuzzy (Sistema FV 1)

O método para detecção de módulos em curto-circuito proposto na seção 3.3.1.4 foi
validado usando 2779 amostras experimentais, compreendendo todas as situações de falta
abordadas pelo método. Primeiramente, foi testado a combinação da rede neural com um
simples algoritmo de truncamento. O algoritmo é responsável por indicar o número exato de
módulos em falta. Entretanto o resultado obtido não foi acurado, portanto combinar a saída da
RNA com um simples algoritmo de truncamento não se mostrou adequado para detecção de
falta. Para mais detalhes sobre esse teste, ver referência Vieira et al. (2020a).
A Figura 4.10 os resultados da detecção de módulos em curto-circuito com o método
neuro-fuzzy.
Figura 4.10 - Resultados obtidos com o método neuro-fuzzy para módulos em curto-circuito
A menor acurácia observada foi de 98,27% para o caso de 3 módulos em curto-circuito.

As condições ambientais de irradiância intermitente (ver Figura 4.6) durante os experimentos
podem justificar esta situação. A maior precisão observada foi para os casos de 0, 1, 8 e 9
módulos em curto-circuito, detectando 100% dos casos de módulos em situação de falta.
97
De um modo geral, de acordo com os resultados obtidos, todas as situações de falta

foram corretamente detectadas. O método neuro-fuzzy proposto mostrou acurácia de 99,28% na
detecção de módulos curto-circuitados no sistema fotovoltaico estudado.
Para fazer uma análise mais precisa dos resultados experimentais com todos os
algoritmos propostos, a Tabela 4.6 faz um resumo dos dados avaliados até aqui.
Tabela 4.6 – Resultados experimentais para o Sistema FV 1 na detecção de módulos em curto-circuito
Condição de
Algoritmo Cenário Nome Acurácia de Teste
Falta
1 (sem ruído) PMC -A1 99,10%
PMC 2 (50% ruído) PMC -A2 98,00%
3 (100% ruído) PMC -A3 97,20%
Módulo FV em
1 (sem ruído) PNN-A1 96,70%
Curto-Circuito
PNN 2 (50% ruído) PNN-A2 82,40%
3 (100% ruído) PNN-A3 67,50%
Neuro-Fuzzy 1 (sem ruído) Neuro-Fuzzy 99,28%
Analisando a Tabela 4.6, observa-se que a maior acurácia apresentada foi para o
algoritmo de neuro-fuzzy, sendo esta ligeiramente superior do que a da rede neural do tipo PMC.
Quando se compara os dois tipos de rede neural propostas, o algoritmo de PMC apresenta
acurácia de teste superior à RNP em todos os cenários avaliados, chegando a uma taxa de acerto
de 99,1% para o cenário sem ruído inserido.
O algoritmo da RNP decai a acurácia consideravelmente à medida que é inserido o ruído
nos dados de treinamento, o que não acontece com a PMC. Este resultado reforça a robustez do
algoritmo de PMC quando os dados de entrada estão contaminados por ruídos aleatórios (LEE;
OH, 1994).
4.3 Avaliação dos Métodos de Detecção de Desconexão de Strings

A pesquisa propôs três métodos para detecção desconexão de strings no sistema
fotovoltaico. Os algoritmos de aprendizagem de máquina foram treinados com dados obtidos
através de simulação, discutida na seção 4.1. Após o treinamento e desenvolvimento dos
métodos, é possível avaliar seu funcionamento utilizando dados obtidos experimentalmente.
Os experimentos foram realizados Sistema FV 2 descrito na seção 3.3.2. Os strings
foram desconectados do sistema individualmente, um em cada dia de experimento. O
procedimento busca avaliar experimentalmente alguns cenários simulados para o treinamento.
A Figura 4.11 exemplifica a configuração do experimento realizado.
98
Figura 4.11 - Representação esquemática do experimento realizado no Sistema FV 2

Como ilustra a Figura 4.11 os strings foram desconectados um a um, através do módulo
combinador de circuito. Os testes experimentais foram realizados durante oito dias, e a Figura
4.12 ilustra os resultados obtidos.
Figura 4.12 - Resultados experimentais para o Sistema FV 2

Durante os experimentos, foram medidas as variáveis de irradiância (G), temperatura

ambiente (Ta) e potência no MPP (PMPP). A temperatura ambiente foi aproximadamente
99
constante em 16 °C em todos os dias observados. Observando a Figura 4.12, a potência de saída

diminui com a desconexão de um string. Comparando um dia normal de operação (Dia 1) com
um dia de ocorrência de falta (Dia 5), observa-se que o PMPP não acompanha o crescimento da
irradiância ao longo do dia, destacando assim a condição de falta.
propostos, discutidos nas seções 4.3.1 a 4.3.3.

compreendendo todas as situações de operação normal e um string desconectado. A Figura 4.13
os resultados da detecção de desconexão de strings para as redes neurais PMC-B1, PMC-B2 e
PMC-B3 desenvolvidas.
(a) (b)
100
(c)
Figura 4.13 – Matriz de confusão para validação com dados experimentais (a) PMC-B1, (b) PMC-B2 e (c) PMC-
B3
Observando a Figura 4.13, todas os algoritmos desenvolvidos mostram acurácia de

100% ou muito próximo. A inserção do ruído neste caso da desconexão de strings não diminuiu
significativamente a acurácia na detecção de falta. Pode-se atribuir este comportamento ao fato
de que a desconexão de um string do sistema fotovoltaico impacta severamente na potência de
saída. As classes 3 e 4 não foram identificadas, pois o conjunto de dados experimentais
utilizados para o teste não contempla as faltas das de 2 e 3 strings desconectados.

compreendendo a situação de operação normal e um string desconectado. A Figura 4.14 os
resultados da detecção de strings desconectados para as redes neurais RNP-B1, RNP-B2 e RNP-
B3.
101
(a) (b)
(c)
Figura 4.14 – Matriz de confusão para validação da RNP com dados experimentais (a) RNP-B1, (b) RNP-B2 e
(c) RNP-B3
Observando a Figura 4.14, a rede neural RNP-B1 mostrou acuraria de 99,4% na

detecção de strings desconectados no Sistema FV 2, enquanto a RNP-B2 apresentou acurácia
de 96,4% e a RNP-B3 de 92,2%. No caso da rede tipo RNP, à medida que o ruído é inserido,
há uma decaimento considerável na acurácia de detecção de falta. As classes 3 e 4 não foram
identificadas, pois o conjunto de dados experimentais utilizados para o teste não contempla as
faltas das de 2 e 3 strings desconectados.
102
4.3.3 Avaliação do Método usando Neuro-Fuzzy (Sistema FV 2)

O método para detecção de desconexão de strings proposto na seção 4.2.3 foi validado
usando 3927 amostras experimentais, compreendendo a situação de operação normal e um
string desconectado. A mesma avaliação da combinação da RNA com um algoritmo de
truncamento foi realizada para o Sistema FV 2, resultando também em baixa acurácia na
detecção da falta estudada. Para mais detalhes sobre os testes combinando a rede neural com o
algoritmo de truncamento, ver referência Vieira et al. (2020a).
A Figura 4.15 os resultados da detecção de desconexão de strings com o método neuro-
fuzzy.
Figura 4.15 Resultados obtidos com o método neuro-fuzzy para desconexão de strings
A acurácia do método proposto para o conjunto de dados experimentais avaliados foi de

99,43%, apresentando 0,57% de erro na detecção de um string desconectado. Os resultados
permitem avaliar que o método proposto foi eficaz na detecção da falta de desconexão dos
strings.
A Tabela 4.7 resume os resultados encontrados para o Sistema FV 2, buscando fazer

uma análise mais completa e simplificada.
Tabela 4.7 - Resultados experimentais para o Sistema FV 2 na detecção de strings desconectados
Condição de
Falta
PMC 1 (sem ruído) PMC-B1 100,00%
103
2 (50% ruído) PMC-B2 99,90%

3 (100% ruído) PMC-B3 100,00%
Desconexão de 1 (sem ruído) RNP-B1 99,40%
Strings RNP 2 (50% ruído) RNP-B2 96,80%
3 (100% ruído) RNP-B3 92,20%
Neuro-fuzzy 1 (sem ruído) Neuro-Fuzzy 99,43%
Analisando a Tabela 4.7 observa-se que os resultados do Sistema FV 2 concordam com

os encontrados para o Sistema FV 1. Os algoritmos de PMC mostraram acurácia excepcional
de aproximadamente 100% em todos os cenários avaliados, enquanto para o algoritmo de RNP
a maior acurácia foi de 99,4% (RNP-B1). O desempenho das redes RNP diminui à medida que
é inserido o ruído de ±15% nos dados de treinamento, ainda que neste caso o decaimento seja
menor do que comparado com a PMC. Para o caso da desconexão de strings, o algoritmo de
neuro-fuzzy mostrou acurácia semelhante à apresentada pelo algoritmo de RNP.
Em resumo, mais uma vez, a rede neural tipo PMC mostrou melhor acurácia na detecção
de condições de falta em sistemas FV, bem como mostrou-se mais robusta quando consideradas
situações de ruído. Estes resultados permitem avaliar que o algoritmo de PMC mostrou melhor
performance nas situações analisadas, sendo este mais adequado para detecção da ocorrência
de faltas em sistemas fotovoltaicos.
4.4 Avaliação do Método de Detecção de Sombreamento Parcial dos Módulos

A pesquisa propôs dois métodos para detecção sombreamento parcial no Sistema FV 3.
Os algoritmos de aprendizagem de máquina foram treinados com o conjunto de dados obtidos
na seção 3.3.3.1. Após o treinamento e desenvolvimento dos métodos, é possível avaliar seu
funcionamento utilizando dados obtidos experimentalmente.
Os experimentos foram realizados Sistema FV 3 descrito na seção 3.3.3. Os módulos
foram sombreados naturalmente pela presença de construções vizinhas em diferente momentos
da manhã e da tarde (LAZZARETTI et al., 2020). O procedimento busca avaliar
experimentalmente alguns cenários simulados para o treinamento.
Os testes experimentais foram realizados durante oito dias, e a Figura 4.12 ilustra os
resultados obtidos.
104
(a)
(b)
Figura 4.16 - Resultados experimentais para o Sistema FV 3 (a) irradiância e temperatura dos módulos e (b)
corrente e tensão de máxima potência
Durante os experimentos, foram medidas as variáveis de irradiância (G), e temperatura

do módulo (Tmod) e corrente de máxima potência (IMPP) e tensão de máxima potência (VMPP). É
importante destacar que na simulação para composição do conjunto de dados de treinamento
(ver seção 3.3.3.1) utilizou-se como um dos dados a temperatura ambiente. Portanto, neste caso,
para o treinamento do algoritmo, utilizou-se a Equação (6). A Figura 4.17 recorta resultado do
experimento para o Dia 1 da Figura 4.16, e destaca a os pontos de ocorrência do sombreamento.
Assim, é possível observar o impacto da falta de sombreamento nas variáveis de IMPP e VMPP.
105
(a)
(b)
Figura 4.17 - Resultados experimentais para o Sistema FV 3 no Dia 1 de observação (a) irradiância e temperatura
dos módulos e (b) corrente e tensão de máxima potência

propostos, discutidos nas seções 4.4.1 e 4.4.2.
106

equivalentes a dois dias de observação experimental de sombreamento parcial. A Figura 4.18
ilustra os resultados da detecção de Operação Normal (ON) e Sombreamento parcial (SP) para
a rede PMC proposta.
Figura 4.18 – Matriz de confusão para validação com dados experimentais da PMC para detecção de
sombreamento parcial no Sistema FV 3
Observando a Figura 4.18, o algoritmo de PMC desenvolvido mostrou acurácia de total

de 81,2%, e de 45,9% para a classe de sombreamento parcial. Este resultado pode ser justificado
pelos inúmeros padrões de sombreamento possíveis em um sistema FV. Por exemplo, um
padrão de sombra causado pela presença de uma antena próxima ao sistema pode sombrear
apenas algumas células, o que pode atingir um submódulo ou mais, levando à condução de um
ou mais diodos de bypass, resultando em várias condições possíveis para a curva I-V neste
momento. A referência utilizada para o desenvolvimento dos algoritmos do Sistema FV 3
(LAZZARETTI et al., 2020) não esclarece qual o padrão de sombra que o conjunto está
submetido, o que consequentemente, leva a uma simulação imprecisa da situação de
sombreamento. Ainda assim, o resultado encontrado é considerado satisfatório para detecção
desse tipo de falta no Sistema FV 3.

107
equivalentes a dois dias de observação experimental de sombreamento parcial. A Figura 4.19
ilustra os resultados da detecção de Operação Normal (ON) e Sombreamento Parcial (SP) para
a rede RNP proposta.
Figura 4.19 – Matriz de confusão para validação da RNP com dados experimentais da RNP para detecção de
sombreamento parcial no Sistema FV 3
Observando a Figura 4.19, a rede neural RNP mostrou acurácia total de 82,2%, e de
46,2% para a classe de sombreamento parcial. As mesmas discussões do item 4.4.1 sobre os
padrões de sombreamento e da imprecisão da simulação são aplicadas no caso do algoritmo de
RNP.
Para fazer uma análise mais precisa dos resultados experimentais com todos os
algoritmos propostos, a Tabela 4.10 faz um resumo dos dados avaliados até aqui.
Tabela 4.8 – Resultados experimentais para o Sistema FV 3 na detecção de sombreamento parcial dos módulos
Condição de
Algoritmo Acurácia de Teste
Falta
Sombreamento PMC 81,2%
Parcial RNP 82,2%
Analisando a Tabela 4.10, observa-se que os algoritmos propostos para detecção do

sombreamento parcial apresentaram acurácia aproximadamente iguais. Neste caso não é
possível afirmar que um algoritmo se mostrou superior ao outro, a falta de informações claras
sobre as condições de sombreamento resultou em um conjunto de dados de treinamento de
menor qualidade e que consequentemente em uma acurácia de detecção de faltas menor.
108
4.5 Estudo Comparativo
Antes de realizar qualquer análise comparativa entre a pesquisa desenvolvida e qualquer

outro trabalho previamente publicado, a Tabela 4.9 sumariza todos os resultados encontrados
com o desenvolvimento e teste dos algoritmos propostos.
Tabela 4.9 – Resultados experimentais dos algoritmos de detecção de falta propostos na pesquisa
Condição de
Falta
1 (sem ruído) PMC -A1 99,10%
PMC 2 (50% ruído) PMC -A2 98,00%
3 (100% ruído) PMC -A3 97,20%
Módulo FV em
1 (sem ruído) PNN-A1 96,70%
Curto-Circuito
RNP 2 (50% ruído) PNN-A2 82,40%
3 (100% ruído) PNN-A3 67,50%
1 (sem ruído) PMC-B1 100,00%
PMC 2 (50% ruído) PMC-B2 99,90%
3 (100% ruído) PMC-B3 100,00%
Desconexão de
1 (sem ruído) RNP-B1 99,40%
Strings
RNP 2 (50% ruído) RNP-B2 96,80%
3 (100% ruído) RNP-B3 92,20%
Sombreamento PMC 1 (sem ruído) PMC 81,20%
Parcial RNP 1 (sem ruído) RNP 82,20%
Para avaliar os resultados da pesquisa proposta em relação à trabalhos previamente

publicados, foi desenvolvida a Tabela 4.10.
Tabela 4.10 – Comparação com trabalhos previamente publicados
Experimentalmente
Referência Faltas Algoritmo Acurácia
Testado
(CHAO et al., • Módulo com
PMC 93,33% Não
2010) defeito
• Módulo em
(AKRAM;
circuito-aberto
LOTFIFARD, RNP 96,50% Não
2015) • Módulo em curto-
circuito
• Sombreamento
PMC 90,30%
Parcial
(CHINE et al.,
• Diodo de bypass Sim
2016)
• Módulo em curto- RBF 68,40%
circuito
(GAROUDJA et • Módulo em curto- PMC 90,30%
Sim
al., 2017) circuito RNP 100,00%
109
• Strings
desconectados
• Módulo em
circuito-aberto
(MADETI; SINGH, • Falta linha-a-
kNN 98,70% Não
2018) linha
• Sombreamento
• Diodo de bypass
• Sombreamento
(DHIMISH et al., Parcial
RBF 92,10% Sim
2018a) • Módulo com
defeito
• Módulo em curto-
(HUSSAIN et al., circuito
PMC 97,00% Sim
2020) • Strings
desconectados
• Módulo em curto-
circuito
(LAZZARETTI et • Degradação
PMC 95,45% Sim
al., 2020) • Circuito aberto
• Sombreamento
parcial
Buscando fazer uma comparação razoável, as pesquisas listadas na Tabela 4.10

utilizaram redes neurais artificias como algoritmo, e detectaram faltas iguais ou comparáveis
às abordadas neste estudo. Nenhuma das referências listadas consideram ruído no conjunto de
dados de treinamento, portanto, para esta análise serão considerados somente os resultados do
Cenário 1 (sem ruído).
Como discutido nas seções 4.2.3 e 4.3.3, os algoritmos PMC mostraram melhor acurácia
no contexto desta pesquisa. Os resultados indicaram 99,1% (PMC-A1) de acerto na detecção
de módulos em curto-circuito, e 100% (PMC-B1) na detecção de strings desconectados.
Comparando com as pesquisas destacas na Tabela 4.10, nota-se que os resultados obtidos
indicam maior acurácia.
É bem estabelecido na literatura que a performance de redes neurais depende da
qualidade dos de treinamento (KORDOS; RUSIECKI, 2016). Entretanto, esta pesquisa
demonstra que mesmo usando conjunto de dados de treinamento imperfeitos (ruidosos), a rede
PMC mostrou uma acurácia de 97% (PMC-A3), equivalente aquelas apresentadas na Tabela
4.10.
Especificamente comparando com o trabalho de Garoudja et al. (2017), em que também
foram utilizadas redes do tipo PMC e RNP na detecção de faltas em módulos fotovoltaicos,
110
pode-se destacar que o método aqui proposto identifica quantos módulos ou strings encontram-
se em situação de falta. Além disso, o referido método requer mais variáveis de entrada.
Tratando-se somente da falta de sombreamento parcial, a principal pesquisa utilizada
como base para este estudo foi a desenvolvida por Lazzaretti et al. (2020). O trabalho em
questão também utiliza uma rede tipo PMC para identificação de faltas no sistema FV. As faltas
abordadas foram as de curto-circuito, circuito-aberto, degradação dos módulos e sombreamento
parcial, e apresentou acurácia total de 95,45%, na detecção de todas as faltas citadas. Por outro
lado, quando se analisa somente a falta de sombreamento parcial, a acurácia foi de 89,26%,
enquanto o método aqui proposto demonstrou acurácia de 81,2%.
A principal limitação do método proposto envolve o retreinamento da rede neural para
ser implementado em qualquer sistema fotovoltaico. Este requer dados de treinamento
específicos para cada planta, de acordo com suas características. Portanto, há uma necessidade
de desenvolver um modelo mais flexível, que seja possível ser empregado em qualquer sistema
FV com apenas pequenos ajustes.
111
Conclusões
A pesquisa desenvolvida propôs o desenvolvimento de algoritmos de inteligência

artificial para detecção de faltas em sistemas fotovoltaicos. Especificamente, tratou sobre
detecção de faltas de módulos em curto-circuito, desconexão de strings e sombreamento parcial
dos módulos. Foram desenvolvidas redes neurais artificiais do tipo perceptron de múltiplas
camadas, rede neural probabilística e a combinação de algoritmos de rede neural com lógica
fuzzy (neuro-fuzzy).
O método proposto consiste inicialmente da modelagem e simulação do sistema
fotovoltaico através do software MATLAB Simulink®. O modelo desenvolvido permite ajustar
os dados de irradiância e temperatura em cada módulo do sistema e os demais parâmetros de
simulação são extraídos da folha de dados do módulo FV. Desta forma, é possível simular
diferentes módulos/sistemas FV considerando diferentes níveis de irradiância e temperatura e
ainda possíveis condições ocorrência de falta. O modelo proposto foi testado com dados
experimentais de três arranjos FV diferentes, em condições de operação diversas, incluindo a
condição de sombreamento parcial. Os resultados mostraram percentual de erro aceitável de no
máximo 5% para a análise do arranjo com sombreamento parcial dos módulos.
O modelo desenvolvido permitiu o desenvolvimento dos métodos de detecção de falta
propostos e estudados nesta pesquisa. Os algoritmos foram treinados utilizando conjunto de
dados simulados, e testados com dados experimentais. Para as faltas de curto-circuito e
desconexão de strings foram desenvolvidos três tipos de algoritmo: PMC, RNP e neuro-fuzzy,
todos tendo com dados de entrada irradiância, temperatura ambiente e ponto de máxima
potência. A saída da rede neural é um vetor que indica qual falta está ocorrendo naquele sistema
FV.
No caso das redes PMC e RNP, foram considerados três diferentes cenários para o
conjunto de dados de treinamento. Na primeira situação, chamada aqui de Cenário 1, foi
utilizado o conjunto de dados de original extraídos através da simulação. Para o caso dos
Cenário 2 e 3, foi inserido um ruído de ± 15% nos dados de PMPP. Este ruído representa as
incertezas associadas com o dispositivo de MPPT.
Além das redes neurais, para as faltas de curto-circuito nos módulos e desconexão de
strings, ainda foi desenvolvido um algoritmo que combina uma rede neural com lógica fuzzy.
O método neuro-fuzzy também tem como dados de entrada irradiância, temperatura ambiente e
112
ponto de máxima potência, e a saída indica o número exato de faltas que está ocorrendo no
sistema FV analisado. Neste caso não foi inserido ruído do conjunto de dados de treinamento.
Estes algoritmos foram testados com dados experimentais de dois sistemas FV
diferentes instalados no campus da Universidade de Huddersfield, Reino Unido. O primeiro
deles, chamado aqui de Sistema FV 1, tem potência instalada de 2,2 kWp, enquanto o segundo,
Sistema FV 2, tem potência de pico de 4,16 kWp.
Para a falta de sombreamento parcial, foram desenvolvidos dois tipos de rede neural,
PMC e RNP. Neste caso os dados de entrada foram IMPP, VMPP, G e Tmod, e não foi inserido
ruído do conjunto de dados de treinamento. A falta de sombreamento parcial foi testada com
dados experimentais Sistema FV 3, com potência máxima de 5 kWp. Este sistema foi
previamente estudado por Lazzaretti et al. (2020), e instalado no campus central da
Universidade Tecnológica do Paraná, Curitiba. A Tabela 4.9 resume os resultados
experimentais encontrados para todos os algoritmos propostos.
Para as faltas de curto-circuito nos módulos e desconexão de strings, o a rede neural
PMC demostrou superioridade nos resultados quando comparado com a PNN e o neuro-fuzzy,
pois ficou demostrada a robustez do algoritmo para os casos de conjuntos de dados de
treinamento ruidosos. Isto faz do algoritmo proposto não só mais acurado, como também mais
confiável.
No caso da falta de sombreamento parcial, a acurácia de detecção de falta foi menor
quando comparadas às outras faltas e a outros estudos realizados, mesmo sem considerar dados
ruidosos para o treinamento. A falta de informações claras sobre as condições de sombreamento
resultou em um conjunto de dados de treinamento de menor qualidade e que consequentemente
em uma acurácia de detecção de faltas menor.
Diante dos resultados, é possível avaliar que dentre as situações propostas a rede neural
perceptron de múltiplas camadas é mais adequada para detecção de faltas em sistemas FV,
mesmo considerando dados contaminados.
113
Sugestões para trabalhos futuros
Após o desenvolvimento da pesquisa, é possível sinalizar sugestões de melhorias para

continuação de estudos nessa linha de trabalho:
• Desenvolver um método de detecção de falta que seja mais flexível, não
necessitando de retreinamento dos algoritmos para cada planta fotovoltaica a ser
implementado;
• Desenvolver um algoritmo que permita identificação das faltas em paralelo, pois
mais de uma falta pode ocorrer ao mesmo tempo em um mesmo sistema FV;
• Aumentar o número de variáveis de entrada, na busca de detectar mais de um
tipo de falta em paralelo;
• Desenvolver um algoritmo que permita identificar a localização exata da falta
que está ocorrendo no sistema;
• Melhorar a acurácia no diagnóstico de sombreamento parcial para o trabalho
aqui proposto.
114
Referências
ADINOYI, M. J.; SAID, S. A. M. Effect of dust accumulation on the power outputs of solar
photovoltaic modules. Renewable Energy, v. 60, p. 633–636, 2013.
AHMAD, R. et al. An analytical approach to study partial shading effects on PV array supported
by literature. Renewable and Sustainable Energy Reviews, v. 74, n. December 2016, p. 721–
732, 2017.
AKRAM, M. N.; LOTFIFARD, S. Modeling and Health Monitoring of DC Side of
Photovoltaic Array. IEEE Transactions on Sustainable Energy, p. 1–9, 2015.
AL-ATRASH, H.; BATARSEH, I.; RUSTOM, K. Effect of measurement noise and bias on
hill-climbing MPPT algorithms. IEEE Transactions on Aerospace and Electronic Systems,
v. 46, n. 2, p. 745–760, 2010.
ANDREWS, R. W.; PEARCE, J. M. The effect of spectral albedo on amorphous silicon and
crystalline silicon solar photovoltaic device performance. Solar Energy, v. 91, p. 233–241,
2013.
BAUWENS, P.; DOUTRELOIGNE, J. Reducing partial shading power loss with an integrated
Smart Bypass. Solar Energy, v. 103, p. 134–142, 2014.
BAYHAN, H.; BAYHAN, M. A Simple Approach to Determine the Solar Cell Diode Ideality
Factor Under Illumination. Solar Energy, v. 85, n. 5, p. 769–775, 2011.
BELAOUT, A. Application of Artificial Intelligence Techniques for Faults Diagnosis in
Photovoltaic Systems. [s.l.] University of Sétif-1, 2018.
BENGHANEM, M. S.; ALAMRI, S. N. Modeling of Photovoltaic Module and Experimental
Determination of Serial Resistance. Journal of Taibah University for Science, v. 2, n. 1, p.
94–105, 2009.
BHATTACHARYA, G.; NEOGY, C. Removal of the hot-spot problem in photovoltaic
modules and arrays. Solar Cells, v. 31, n. 1, p. 1–12, 1991.
BLAKE, F. A.; HANSON, K. L. The Hot-spot failure mode for Solar Arrays. Proceedings
4th IECEC Conference. Anais...Washington, Semptember 22-26: 1969
BONSIGNORE, L. et al. Neuro-Fuzzy Fault Detection Method for Photovoltaic Systems.
Energy Procedia, v. 62, p. 431–441, 2014.
CHAO, K. H. et al. A novel fault diagnosis method based-on modified neural networks for
photovoltaic systems. ICSI: International Conference in Swarm Intelligence. Anais...Beijing,
China: Spinger, June 12-15, 2010
CHINE, W. et al. A Novel Fault Diagnosis Technique for Photovoltaic Systems Based on
Artificial Neural Networks. Renewable Energy, v. 90, p. 501–512, 2016.
CRESESB. Manual de Engenharia para Sistemas Fotovoltaicos. Rio de Janeiro: Centro de
Referência para Energia Solar e Eólica Sérgio de Salvo Brito, 2014. Disponível em:
<http://www.cresesb.cepel.br/publicacoes/download/Manual_de_Engenharia_FV_2014.pdf>.
DALIENTO, S. et al. A modified bypass circuit for improved hot spot reliability of solar panels
subject to partial shading. Solar Energy, v. 134, p. 211–218, 2016.
DANNER, M.; BUCHER, K. Reverse characteristics of commercial silicon solar cells-impact
on hot spot temperatures and module integrity. p. 1137–1140, 1997.
DHIMISH, M. et al. Multi-Layer Photovoltaic Fault Detection Algorithm. High Voltage, v. 2,
n. 4, p. 244–252, 2017a.
DHIMISH, M. et al. Photovoltaic Fault Detection Algorithm Based on Theoretical Curves
Modelling and Fuzzy Classification System. Energy, v. 140, p. 276–290, 2017b.
115
DHIMISH, M. et al. Comparing Mamdani Sugeno fuzzy logic and RBF ANN network for PV
fault detection. Renewable Energy, v. 117, p. 257–274, 2018a.
DHIMISH, M. et al. Novel Hot Spot Mitigation Technique to Enhance Photovoltaic Solar
Panels Output Power Performance. Solar Energy Materials and Solar Cells, v. 179, n.
February, p. 72–79, 2018b.
DHIMISH, M. et al. Mitigating Potential-Induced Degradation (PID) Using SiO 2 ARC Layer.
Energies, v. 13, n. 19, p. 1–12, 2020.
DING, K. et al. A MATLAB-Simulink-Based PV Module Model and Its application Under
Conditions of Nonuniform Irradiance. IEEE Transactions on Energy Conversion, v. 27, n.
4, p. 864–872, 2012.
DUCANGE, P. et al. An intelligent system for detecting faults in photovoltaic fields. 11th
International Conference on Intelligent Systems Design and Applications. Anais...Cordoba,
Spain: IEEE, November 22-24, 2011
EKPENYONG, E. E.; ANYASI, F. Effect of Shading on Photovoltaic Cell. IOSR Journal of
Electrical and Electronics Engineering, v. 8, n. 2, p. 2278–1676, 2013.
EPE. Balanço Energético Nacional de 2020. Rio de Janeiro: Empresa de Pesquisa Energética,
2020. Disponível em: <http://epe.gov.br/sites-pt/publicacoes-dados-
abertos/publicacoes/PublicacoesArquivos/publicacao-303/topico-419/BEN2018__Int.pdf>.
EPE. Sistema de Informação de Geração da ANEEL. Disponível em:
<http://www2.aneel.gov.br/aplicacoes/capacidadebrasil/FontesEnergia.asp>.
FAUSETT, L. Fundamental of Neural Networks: Architectures, Algorithms and
Applicantions. New Jersey: Prentice Hall, 1994.
GAROUDJA, E. et al. An Enhanced Machine Learning Based Approach for Failures Detection
and Diagnosis of PV Systems. Energy Conversion and Management, v. 151, n. September,
p. 496–513, 2017.
GHAFFARZADEH, N.; AZADIAN, A. A Comprehensive Review and Performance
Evaluation in Solar (PV) Systems Fault Classification and Fault Detection Techniques. Journal
of Solar Energy Research, v. 4, n. 4, p. 252–272, 2019.
HEGEDUS, S.; LUQUE, A. Achievements and Challenges of Solar Electricity from
Photovoltaics. 2. ed. Chicchester: John Wiley & Sons, 2011.
HERRMANN, W.; WIESNER, W.; VAASSEN, W. Hot spot investigations on PV modules-
new concepts for a test standard and consequences for module design with respect to bypass
diodes. p. 1129–1132, 1997.
HUSSAIN, M. et al. Artificial Neural Network Based Photovoltaic Fault Detection Algorithm
Integrating Two Bi-Directional Input Parameters. Renewable Energy, v. 155, p. 1272–1292,
2020.
IEA. Review on Failures of Photovoltaic Modules. Brussels: [s.n.]. Disponível em:
<http://iea-pvps.org/fileadmin/dam/intranet/ExCo/IEA-PVPS_T13-
01_2014_Review_of_Failures_of_Photovoltaic_Modules_Final.pdf>.
IEA. Assessment of PV Module Failures in the FieldIEA-Photovoltaic Power Systems
Programme. Emmerthal: [s.n.]. Disponível em: <http://www.iea-
pvps.org/index.php?id=92&eID=dam_frontend_push&docID=4059>.
IEA. Snapshot of Global PV Markets. [s.l: s.n.]. Disponível em: <http://www.iea-
pvps.org/fileadmin/dam/public/report/technical/PVPS_report_-
_A_Snapshot_of_Global_PV_-_1992-2014.pdf>.
IPCC. Special Report of the Intergovernmental Panel on Climate Change. New York:
Cambridge University Press, 2012. Disponível em:
<https://www.ipcc.ch/site/assets/uploads/2018/03/SRREN_FD_SPM_final-1.pdf>.
ISERMANN, R. Fault-Diagnosis Systems. 1. ed. Berlin: Springer, 2006.
J. C LARUE, E. DU T. Effect of Partial Shadowing on Solar Panels Hot Spot or
116
Breakdown? Palz W. (eds) Photovoltaic Solar Energy Conference. Anais...Cannes: Springer,

October 27-31, 1980
JIANG, L. L.; MASKELL, D. L. Automatic Fault Detection and Diagnosis for Photovoltaic
Systems Using Combined Artificial Neural Network and Analytical Based Methods.
Proceedings of the International Joint Conference on Neural Networks. Anais...Killarney,
Ireland: IEEE, 12-17 July, 2015
JONES, C. B. et al. Photovoltaic System Fault Detection and Diagnostics Using Laterally
Primed Adaptive Resonance Theory Neural Network. IEEE 42nd Photovoltaic Specialist
Conference, PVSC 2015. Anais...New Orleans, LA, USA: IEEE, 14-19 June, 2015
JPL. Solar Cell Array Design Handbook. 1. ed. Pasadena: NASA, 1976. v. I
KALOGIROU, S.; SENC, A. Artificial Intelligence Techniques in Solar Energy Applications.
Solar Collectors and Panels, Theory and Applications, p. 1–8, 2012.
KARATEPE, E.; BOZTEPE, M.; ÇOLAK, M. Development of a suitable model for
characterizing photovoltaic arrays with shaded solar cells. Solar Energy, v. 81, n. 8, p. 977–
992, 2007.
KATO, K. PVRessQ!: a research activity on reliability of PV systems from an user’s viewpoint
in Japan. Reliability of Photovoltaic Cells, Modules, Components, and Systems IV, v. 8112,
p. 81120K, 2011.
KHATIB, T.; ELMENREICH, W. Modeling of Photovoltaic Systems Using MATLAB. 1.
ed. Hoboken: John Wiley & Sons, 2016. v. 3
KIM, K. A.; KREIN, P. T. Reexamination of Photovoltaic Hot Spotting to Show Inadequacy
of the Bypass Diode. IEEE Journal of Photovoltaics, v. 5, n. 5, p. 1435–1441, 2015.
KO, S. W. et al. Electric and thermal characteristics of photovoltaic modules under partial
shading and with a damaged bypass diode. Energy, v. 128, p. 232–243, 2017.
KORDOS, M.; RUSIECKI, A. Reducing noise impact on MLP training: Techniques and
algorithms to provide noise-robustness in MLP network training. Soft Computing, v. 20, n. 1,
p. 49–65, 2016.
LAAMAMI, S.; BENHAMED, M.; SBITA, L. Artificial Neural Network-Based Fault
Detection and Classification for Photovoltaic System. International Conference on Green
Energy and Conversion Systems, GECS 2017. Anais...Hammamet, Tunisia: IEEE, 23-25
March, 2017
LAPPALAINEN, K. et al. Virtual Sensing of Photovoltaic Module Operating Parameters.
IEEE Journal of Photovoltaics, v. 10, n. 3, p. 852–862, 2020.
LAZZARETTI, A. E. et al. A monitoring system for online fault detection and classification in
photovoltaic plants. Sensors, v. 20, n. 17, p. 1–30, 2020.
LEE, Y.; OH, S. H. Input noise immunity of multilayer perceptrons. ETRI Journal, v. 16, n.
1, p. 35–43, 1994.
LI, Z. et al. An Intelligent Method for Fault Diagnosis in Photovoltaic Array. International
Conference on Electrical and Information Technologies (ICEIT). Anais...Rabat, Morocco:
IEEE, 15-18 November, 2012
LINDROOS, J.; SAVIN, H. Review of Light-Induced Degradation in Crystalline Silicon Solar
Cells. Solar Energy Materials and Solar Cells, v. 147, p. 115–126, 2016.
LIU, G.; YU, W. A Fault Detection and Diagnosis Technique for Solar System Based on
Elman Neural Network. IEEE 2nd Information Technology, Networking, Electronic and
Automation Control Conference, ITNEC 2017. Anais...Chengdu, China: IEEE, 15-17
December, 2017
LIU, Y.; ZHU, X.; YANG, J. Fault Diagnosis of PV Array Based on Optimised BP Neural
Network By Improved Adaptive Genetic Algorithm. The Journal of Engineering, v. 2017, n.
13, p. 1427–1431, 2017.
LU, S.-D. et al. Photovoltaic Module Fault Detection Based on a Convolutional Neural
117
Network. Processes, v. 9, p. 17, 2021.

LUFT, W. Partial shading of silicon solar cell converter panels. AIEE Conference.
Anais...1961
MADETI, S. R.; SINGH, S. N. A Comprehensive Study on Different Types of Faults and
Detection Techniques for Solar Photovoltaic System. Solar Energy, v. 158, n. August, p. 161–
185, 2017.
MADETI, S. R.; SINGH, S. N. Modeling of PV System Based on Experimental Data for Fault
Detection Using kNN Method. Solar Energy, v. 173, n. March, p. 139–151, 2018.
MEYER, E. L. Extraction of Saturation Current and Ideality Factor from Measuring Voc and
Isc of Photovoltaic Modules. International Journal of Photoenergy, v. 2017, 2017.
MOLENBROEK, E.; WADDINGTON, D. W.; EMERY, K. A. Hot spot susceptibility and
testing of PV modules. The Conference Record of the Twenty-Second IEEE Photovoltaic
Specialists Conference. Anais...Las Vegas, 7-11 Octuber: IEEE, 1991
NDIAYE, A. et al. Degradations of silicon photovoltaic modules: A literature review. Solar
Energy, v. 96, n. October 2018, p. 140–151, 2013.
PERLIN, J. From Space to Earth: The Story of Solar Electricity. 2. ed. Cambridge: Harvard
University Press, 1999.
PETRONE, G.; RAMOS-PAJA, C. A.; SPAGNUOLO, G. Photovoltaic Sources Modeling.
Chichester, West Sussex, United Kingdom: Wiley, 2017.
RAMAPRABHA, R.; MATHUR, B. L. A Comprehensive Review and Analysis of Solar
Photovoltaic Array Configurations under Partial Shaded Conditions. International Journal of
Photoenergy, v. 2012, p. 1–16, 2012.
RAUSCHENBACH, H. S. Electrical Output of Shadowed Solar Arrays. IEEE Transactions
on Electron Devices, n. 8, p. 483–490, 1971.
SANDRI, S.; CORREA, C. Lógica Nebulosa. V Escola de Redes Neurais, Promoção:
Conselho Nacional de Redes Neurais. Anais...São José dos Campos: 1999
SIDDIQUE, N.; ADELI, H. Computational Intelligence Computational Intelligence
Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing. 1. ed. New
Delhi, India: John Wiley & Sons, 2013.
SILVA, I. N. DA; SPATTI, D. H.; FLAUZINO, R. A. Redes Neurais Artificiais. 2. ed. São
Paulo: Artliber, 2016.
SIMÕES, M. G.; SHAW, I. S. Controle e Modelagem Fuzzy. 2. ed. São Paulo: Blucher, 2007.
SPAGNUOLO, G. et al. Photovoltaic Module Parametric Identification. th International
Conference on Clean Electrical Power: Renewable Energy Resources Impact. Anais...Otranto,
Italy, Italy: IEEE, 2-4 July, 2019
SULLIVAN, R. M. Shadows Effect on Serie-Parellel Array of Solar Cells. Greenbelt:
Goddard Space Flight Center, NASA. Rep. N6529814, 1965. Disponível em:
<https://ntrs.nasa.gov/search.jsp?R=19650020213 2019-04-04T19:21:04+00:00Z>.
SUMATHI, S.; ASHOK KUMAR, L.; SUREKHA, P. Solar PV and Wind Energy
Conversion Systems. 1. ed. Switzerland: Springer, 2015.
SYAFARUDDIN; KARATEPE, E.; HIYAMA, T. Controlling of artificial neural network
for fault diagnosis of photovoltaic array. 16th International Conference on Intelligent System
Applications to Power Systems. Anais...Hersonissos, Greece: IEEE, 25-28 September, 2011
TEO, J. C. et al. Effects of bypass diode configurations to the maximum power of photovoltaic
module. International Journal of Smart Grid and Clean Energy, p. 225–232, 2017.
TINA, G. M.; COSENTINO, F.; VENTURA, C. Monitoring and Diagnostics of Photovoltaic
Power Plants. In: SAYIGH, A. (Ed.). . Renewable Energy in the Service of Mankind Vol II.
1. ed. Brighton: Springer, 2016. p. 505–516.
TRIKI-LAHIANI, A.; BENNANI-BEN ABDELGHANI, A.; SLAMA-BELKHODJA, I. Fault
detection and monitoring systems for photovoltaic installations: A review. Renewable and
118
Sustainable Energy Reviews, v. 82, n. September, p. 2680–2692, 2018.

VIEIRA, R. G. et al. PV Module Fault Detection Using Combined Artificial Neural Network
and Sugeno Fuzzy Logic. Electronics (Switzerland), v. 9, n. 12, p. 1–21, 2020a.
VIEIRA, R. G. et al. A Comprehensive Review on Bypass Diode Application on Photovoltaic
Modules. Energies, v. 13, n. 10, p. 2472, 2020b.
VILLALVA, M. G.; GAZOLI, J. R.; FILHO, AND E. R. Comprehensive Approach to
Modeling and Simulation of Photovoltaic Arrays. IEEE TRANSACTIONS ON POWER
ELECTRONICS, v. 24, n. 5, p. 1198–1208, 2009.
WIRTH, H.; WEISS, K.-A.; WIESMEIER, C. Photovoltaic Modules Technology and
Reliability. 1. ed. Berlim: De Gruyter, 2016.
WOYTE, A.; NIJS, J.; BELMANS, R. Shadowing of Photovoltaic Arrays With Different
System Configurations: Literature. Solar Energy, v. 74, p. 217–233, 2003.
YI, Z.; ETEMADI, A. H. Fault Detection for Photovoltaic Systems Based on Multi-Resolution
Signal Decomposition and Fuzzy Inference Systems. IEEE Transactions on Smart Grid, v.
8, n. 3, p. 1274–1283, 2016.
YINGLI SOLAR. Installation and User Manual, 2011. Disponível em:
<https://www.eborx.com/download/en/yingli/EN_YINGLI-Installation-Manual.pdf>
YOSHIOKA, H. et al. Non hot-spot PV module using solar cells with bypass diode function.
p. 1271–1274, 1996.
ZHAO, Y. et al. Decision tree-based fault detection and classification in solar photovoltaic
arrays. Twenty-Seventh Annual IEEE Applied Power Electronics Conference and Exposition.
Anais...Orlando, FL, USA: IEEE, 5-9 February, 2012
ZHAO, Y. et al. Graph-Based Semi-Supervised Learning for Fault Fetection and Classification
in Solar Photovoltaic Arrays. IEEE Transactions on Power Electronics, v. 30, n. 5, p. 2848–
2858, 2015.

Aplicacaotecnicasinteligencia Vieira 2021

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aplicacaotecnicasinteligencia Vieira 2021

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

Aplicação de Técnicas de Inteligência Artificial

Romênia Gurgel Vieira

Orientador: Prof. Dr. Fábio Meneghetti Ugulino de Araújo

Tese de Doutorado apresentada ao Programa

Natal, RN, Dezembro de 2021

Vieira, Romênia Gurgel.

Tese (Doutorado) - Universidade Federal do Rio Grande do

1. Energia Solar - Tese. 2. Módulos Fotovoltaicos - Tese. 3.

Elaborado por Raimundo Muniz de Oliveira - CRB-15/429

Palavras-chave: Energia Solar; Módulos Fotovoltaicos; Faltas em Sistemas

Keywords: Solar Energy; Photovoltaic Modules; PV Systems Faults; Fault Detection;

Figura 1.1 - Evolução global de instalações de sistemas fotovoltaicos ...................................16

Tabela 1.1 - Principais países produtores e suas potências instaladas .................................... 16

ANEEL Agência Nacional de Energia Elétrica

A energia elétrica é considerada um agente primordial na promoção do bem-estar da

Figura 1.1 - Evolução global de instalações de sistemas fotovoltaicos

Analisando a Figura 1.1, nota-se um crescimento exponencial da geração de energia

No Brasil a matriz energética é essencialmente hidroelétrica, representando

gerar energia elétrica na sua instalação e estabelece a possibilidade de compensação de energia

Desconexão dos Circuito-Aberto string

Os tipos de falhas abordadas são frequentemente registradas em sistemas fotovoltaicos

Eletroluminescência Método Estatístico

Figura 1.3 - Classificação dos métodos de detecção e diagnóstico de faltas

1.1 Revisão da Literatura

Outra abordagem para detecção de faltas foi desenvolvida utilizando um algoritmo

comparando o valor medido de potência com o valor de referência simulado no software

na identificação e classificação de faltas de sombreamento parcial, módulo em curto-circuito,

1.3 Contribuições da Pesquisa

de sensores extras, não necessita de longos conjuntos de dados de plantas fotovoltaicas já

1.4.1 Objetivo Geral

1.4.2 Objetivos Específicos

1.5 Estrutura do Trabalho

• No Capítulo 2 são apresentados os conceitos fundamentais sobre a energia solar

embasar esta pesquisa;

O presente Capítulo apresenta inicialmente uma conceituação da energia solar, bem

2.1 Energia Solar

(PERLIN, 1999). Atualmente, o fluido aquecido é geralmente utilizado em turbinas a vapor

2.1.1 Energia Solar Fotovoltaica

Figura 2.1 - - Evolução a energia solar fotovoltaica

A busca por menores custos de produção, e melhor eficiência da produção de energia

2.2 Módulos Fotovoltaicos de Silício Cristalino

trabalho, o termo “módulos fotovoltaicos” refere-se a módulos fotovoltaicos de silício

Figura 2.2 - Representação das ligações em um módulo fotovoltaico

Figura 2.3 - Representação da montagem de um módulo fotovoltaico

2.2.1 Modelo de uma Célula Fotovoltaica

Figura 2.4 – Modelo de um diodo de uma célula fotovoltaica

Rs Resistência série (Ω)

A fotocorrente gerada Iph é dada pela Equação 2

A corrente de saturação reserva I0 do diodo é dada pela Equação 3

A corrente de saturação reversa I0n é dada pela Equação 4:

Um módulo fotovoltaico é um conjunto de conectadas em série e paralelo de modo a

Figura 2.5 – Modelo de um módulo fotovoltaico

A Equação (5) representa a corrente de gerada em um módulo completo, considerando

2.2.2 Características Elétricas dos Módulos Fotovoltaicos

Figura 2.6 Curvas características I-V e P-V de um módulo fotovoltaico

• Eficiência (η): é o parâmetro que mede quanto de irradiância é realmente convertida

É importante ressaltar que as características elétricas dos módulos variam com as

Figura 2.7 – Efeito causado pela variação de irradiância

Figura 2.8 – Efeito causa pela temperatura

Analisando a Figura 2.8, observa-se que o aumento da temperatura causa diminuição na

2.3 Classificação de Faltas e Falhas em Módulos Fotovoltaicos

• Falta: é uma condição ou estado anormal de funcionamento do sistema que pode