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