Analysis of photovoltaic systems with emphasis on anomaly classification under a supervised approach
João Lucas de Souza Silva
TESE
Inglês
T/UNICAMP Si38a
[Análise de sistemas fotovoltaicos com ênfase na classificação de anomalias sob abordagem supervisionada]
Campinas, SP : [s.n.], 2024.
1 recurso online (140 p.) : il., digital, arquivo PDF.
Orientador: Tárcio André dos Santos Barros
Tese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Elétrica e de Computação
Resumo: Anomalias em sistemas fotovoltaicos (FV) são fenômenos responsáveis por desvios do comportamento normal de um sistema. Esses desvios são naturais em um sistema FV durante sua vida útil, sendo importante o acompanhamento constante para garantir a eficiência e retorno do investimento. O...
Ver mais
Resumo: Anomalias em sistemas fotovoltaicos (FV) são fenômenos responsáveis por desvios do comportamento normal de um sistema. Esses desvios são naturais em um sistema FV durante sua vida útil, sendo importante o acompanhamento constante para garantir a eficiência e retorno do investimento. O acompanhamento pode ser feito, por exemplo, com a comparação de simulações realizadas antes da instalação do sistema FV. Porém, existe um desafio em analisar diversos dados, entender, e até classificar o problema, já que, seria preciso analisar dados em um intervalo menor do que somente a geração de energia mensal ou anual fornecida por software de simulação. Além disso, simulações também são passíveis de variação dependendo dos dados solarimétricos utilizados. Uma das soluções para essas análises é a aplicação dos conceitos de ciência de dados, sobretudo, técnicas de aprendizado de máquinas. Neste sentido, esse trabalho teve como objetivo investigar e propor um fluxo de processo para classificar anomalias em sistemas FV com abordagem supervisionada. Para isso, o trabalho passou pelas fases de instalação de um sistema FV modelo dentro do projeto Campus Sustentável, coleta de dados, análise da instalação com simuladores FV, e por fim, os estudos de ciência de dados com técnicas de aprendizado de máquina supervisionada. Como resultados, destacou-se as avaliações de diversos sistemas FV próximos por software, criação de metodologia para análise exploratória de dados FV (análise macro), criação de datasets para treino/teste, e uma proposta de processo de fluxo para um algoritmo de classificação de anomalias (análise micro). O processo de fluxo proposto utilizou um ensemble de Random Forest com K-nearest neighbors(k-NN) e uma máquina de inferência para classes específicas, testado em base real e sintética. Os testes indicaram que o método classificou anomalias alcançou uma AUC de 0,9815 para o conjunto de dados sintético e uma AUC de 0,9861 para o conjunto de dados real, e precisão de 0,9647 para o conjunto de dados real. Assim, percebeu-se que a análise exploratória é uma etapa capaz de mostrar indícios de anomalias e métodos para classificação de anomalias se mostraram viáveis e importantes para limitar o escopo de atuação da equipe de manutenção
Ver menos
Abstract: Anomalies in photovoltaic (PV) systems are phenomena responsible for deviations from the normal behavior of a system. These deviations are natural in a PV system during its useful life, and constant monitoring is important to ensure efficiency and return on investment. Monitoring can be...
Ver mais
Abstract: Anomalies in photovoltaic (PV) systems are phenomena responsible for deviations from the normal behavior of a system. These deviations are natural in a PV system during its useful life, and constant monitoring is important to ensure efficiency and return on investment. Monitoring can be done, for example, by comparing simulations carried out before installing the PV system. However, there is a challenge in analyzing various data, understanding, and even classifying the problem, since it would be necessary to analyze data in a smaller range than just the monthly or annual energy generation provided by simulation software. Furthermore, simulations are also subject to variation depending on the solarimetric data used. One of the solutions for these analyses is the application of data science concepts, especially machine learning techniques. In this sense, this work aimed to investigate and propose a flow process to classify anomalies in PV systems with a supervised approach. To achieve this, the work went through the installation phases of a model PV system within the Sustainable Campus project, data collection, analysis of the installation with PV simulators, and finally, data science studies with supervised machine learning techniques. As results, we highlighted the evaluations of several nearby PV systems using software, creation of a methodology for exploratory analysis of PV data (macro analysis), creation of datasets for training/testing, and a new proposal flow process for an algorithm for classifying anomalies (micro analysis). The proposed flow process was a Random Forest ensemble with K-nearest neighbors (k-NN) and an inference machine for specific classes, tested on a real and synthetic basis. Testing indicated that the method classified anomalies achieved an AUC of 0.9815 for the synthetic dataset and an AUC of 0.9861 for the real dataset, and accuracy of 0.9647 for the real dataset. Thus, it was perceived that exploratory analysis is capable of providing clues to anomalies, and anomaly classification can be a viable and important step to limit the scope of action of the maintenance team
Ver menos
Aberto
Barros, Tárcio André dos Santos, 1987-
Orientador
Silva, Luiz Carlos Pereira da, 1972-
Avaliador
Fantinato, Denis Gustavo, 1985-
Avaliador
Rüther, Ricardo
Avaliador
Michels, Leandro
Avaliador
Analysis of photovoltaic systems with emphasis on anomaly classification under a supervised approach
João Lucas de Souza Silva
Analysis of photovoltaic systems with emphasis on anomaly classification under a supervised approach
João Lucas de Souza Silva