Aplicacaotecnicasinteligencia-Vieira-2021

Prévia do material em texto

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 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 
 
 
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 detecçãode 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 adiversificação 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 
 
 
 
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 
F
a
lh
a
s 
e 
F
a
lt
a
s 
n
o
 M
ó
d
u
lo
 
F
o
to
v
o
lt
a
ic
o
Mismatch
Temporárias
Sombreamento 
Parcial
Deposição de 
Sujeira
Permanentes
Hotspots
Degradação do 
módulo 
Quebra das Células
Diodo de Bypass
Diodo em Circuito 
Aberto
Diodo em Curto-
Circuito
Desconexão dos 
módulos/strings
Módulo em 
Circuito-Aberto
Desconexão de 
string
Módulo em Curto-
circuito
Faltas Assimétricas
Falta Linha-Terra
Falta Linha-Linha
Arco Elétrico
Descargas 
Atmosféricas
Faltas de 
Aterramento
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. 
 
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 
Visual
Inspeção Visual
Termografia
Eletroluminescência
Fluorescência UV
Elétrico
Machine Learning
(ML) 
Processamento de 
Sinais
Método Estatístico
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 módulose 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 
fotovoltaicapassou 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 
Fonte: Autoria própria 
 
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 
Fonte: Autoria própria 
 
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 
influenciadapela 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). 
 
I = Iph − I0(e
(V+IRs)q
akT ) −
V − IRs
R𝑠ℎ
 (1) 
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 
 
Iph = [Isc + ki(T − T𝑛)]
G
G𝑛
 (2) 
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 
 
I0 = I0n ∙ (
T
T𝑛
)
3
∙ e
qEg0(
1
Tn
−
1
T
)
nk (3) 
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: 
 
I0n =
Isc + ki(T − T𝑛)
e
q(Voc+kv(T−T𝑛))
akT − 1
 (4) 
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 
Fonte: Autoria própria 
 
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. 
 
I = Iph ∙ Np − Is ∙ Np(e
(V+IRs(
Ns
Np
))q
akTNs − 1) −
V − IRs (
Ns
Np
)
R𝑠ℎ (
Ns
Np
)
 
(5) 
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) 
 Tc = Ta +
G
800
(NOCT − 20) (6) 
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 
Fonte: Autoria própria 
 
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. 
 
FF =
VMPIMP
VOCISC
 (7) 
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) 
 
η =
VOCISCFF
AG
 (8) 
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 
Fonte: Autoria própria 
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 
Fonte: Autoria própria 
 
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