Escolar Documentos
Profissional Documentos
Cultura Documentos
CENTRO DE TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA
ELÉTRICA E DE COMPUTAÇÃO
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.
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.
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 Descrição do Sistema FV 2 ................................................................................... 70
3.3.2.1 Método de Detecção de Desconexão String (Sistema FV 2) ............................. 72
3.3.2.2 Perceptron de Múltiplas Camadas (Sistema FV 2) .......................................... 74
3.3.2.3 Rede Neural Probabilística (Sistema FV 2) ..................................................... 76
3.3.2.4 Neuro-Fuzzy (Sistema FV 2) ............................................................................. 76
3.3.3 Descrição do Sistema FV 3 ................................................................................... 80
3.3.3.1 Método de Detecção de Sombreamento Parcial (Sistema FV 3) ..................... 81
3.3.3.2 Perceptron de Múltiplas Camadas (Sistema FV 3) .......................................... 83
3.3.3.3 Rede Neural Probabilística (Sistema FV 3) ..................................................... 84
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
1 Introdução
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
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
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
Fluorescência UV
definidos. Algumas pesquisas realizadas nos últimos anos serão analisadas na seção 1.1,
buscando contextualizar a pesquisa desenvolvida neste trabalho.
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
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.
1.4 Objetivos
A pesquisa proposta tem seus objetivos divididos em Objetivo Geral e Objetivos
Específicos, a saber:
2 Fundamentação Teórica
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
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
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.
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
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
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)
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.
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)
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 2.12 – Curva I-V de uma célula fotovoltaica na região de polarização reversa
Fonte: (VIEIRA et al., 2020b)
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.
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.
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
Fonte: (VIEIRA et al., 2020b)
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).
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.
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
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.
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.
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
M T
1 1 −(x − xij ) (x − xij )
fi (x) = p × ∑ exp [ ] (10)
(2π)(2) σp M M j=1 2σ2
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
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
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.
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.
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.
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.
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
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 3.8 – Estrutura da rede PMC para detecção de módulos em curto-circuito no Sistema FV 1
Fonte: Autoria própria
Tabela 3.2 – Características de treinamento da PMC para detecção de módulos em curto-circuito no Sistema FV
1
PMC Sistema FV 1
65
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%
Fonte: Autoria própria
Figura 3.9 - Estrutura da rede RNP para detecção de módulos em curto-circuito no Sistema FV 1
Fonte: Autoria própria
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.
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
Fonte: Autoria própria
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
Fonte: Autoria própria
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
Fonte: Autoria própria
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)
2. SE (Saída da RNA é F1) ENTÃO (Falta é Falta_1) (1)
3. SE (Saída da RNA é F2) ENTÃO (Falta é Falta_2) (1)
4. SE (Saída da RNA é F3) ENTÃO (Falta é Falta_3) (1)
5. SE (Saída da RNA é F4) ENTÃO (Falta é Falta_4) (1)
6. SE (Saída da RNA é F5) ENTÃO (Falta é Falta_5) (1)
7. SE (Saída da RNA é F6) ENTÃO (Falta é Falta_6) (1)
8. SE (Saída da RNA é F7) ENTÃO (Falta é Falta_7) (1)
9. SE (Saída da RNA é F8) ENTÃO (Falta é Falta_8) (1)
10. SE (Saída da RNA é F9) ENTÃO (Falta é Falta_9) (1)
Fonte: Autoria própria
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.
72
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
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, 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 3.17 - Estrutura da rede PMC para detecção de strings desconectados no Sistema FV 2
Fonte: Autoria própria
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
Variáveis de Saída 4
Número de Camadas 2
Número de Neurônios (10, 4)
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
Fonte: Autoria própria
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.
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
Fonte: Autoria própria
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
Fonte: Autoria própria
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
Figura 3.20 – Gráfico de regressão para a RNA treinada para detecção de strings desconectados
Fonte: Autoria própria
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
Fonte: Autoria própria
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
Fonte: Autoria própria
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
1. SE (Saída da RNA é F0) ENTÃO (Falta é Falta_0) (1)
80
Parâmetros Calculados
Parâmetro Valor Parâmetro Valor
Rsh (Ω) 2732,17 Rs (Ω) 0,238
Fonte: Autoria própria
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.
Utilizando o conjunto de dados simulados, foram propostos dois métodos que aplicam
diferentes técnicas de inteligência artificial, a saber, uma rede neural Perceptron de Múltiplas
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
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)
Variáveis de Saída 2
Número de Camadas 3
Número de Neurônios (20,10,2)
Processo de Treinamento supervisionado
Algoritmo de Treinamento Levenberg-Marquardt
Função de Ativação (tansig, logsig, purelin)
Treinamento 70%
Validação 15%
Teste 15%
Tipo de Divisão de Amostras aleatório
Fonte: Autoria própria
4 Resultados e Discussões
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
Fonte: Autoria própria
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
(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
Fonte: Autoria própria
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
(a) (b)
Figura 4.4 – Curvas P-V para o Sistema 3 (a) Teste A e (b) Teste B
Fonte: Autoria própria
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
Fonte: Autoria própria
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.
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.
(a) (b)
(c)
Figura 4.8 - Matriz de confusão para validação com dados experimentais (a) PMC-A1, (b) PMC-A2 e (c) PMC-
A3
Fonte: Autoria própria
(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
Fonte: Autoria própria
96
Figura 4.10 - Resultados obtidos com o método neuro-fuzzy para módulos em curto-circuito
Fonte: Autoria própria
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%
Fonte: Autoria própria
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).
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.
(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
Fonte: Autoria própria
(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
Fonte: Autoria própria
Figura 4.15 Resultados obtidos com o método neuro-fuzzy para desconexão de strings
Fonte: Autoria própria
(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
Fonte: Autoria própria
(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
Fonte: Autoria própria
Figura 4.18 – Matriz de confusão para validação com dados experimentais da PMC para detecção de
sombreamento parcial no Sistema FV 3
Fonte: Autoria própria
O método proposto na seção 3.3.3.2 foi validado usando 2880 amostras experimentais,
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
Fonte: Autoria própria
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%
Fonte: Autoria própria
• 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
Fonte: Autoria própria
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
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
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