A novel hybrid optimization approach for fault detection in PV arrays and inverters using AI and statistical learning techniques (2024)
- Authors:
- Autor USP: ABUBAKAR, AHMAD - EP
- Unidade: EP
- Sigla do Departamento: PEA
- Subjects: ALGORITMOS; DESENVOLVIMENTO SUSTENTÁVEL; INTELIGÊNCIA ARTIFICIAL; REDES NEURAIS
- Agências de fomento:
- Language: Inglês
- Abstract: A detecção de falhas em arranjos fotovoltaicos e inversores é fundamental para garantir máxima eficiência e desempenho. O aprendizado de inteligência artificial (IA) pode ser usado para identificar problemas rapidamente, resultando em um ambiente sustentável com tempo de inatividade e custos de manutenção reduzidos. À medida que o uso de sistemas de energia solar continua a crescer, a necessidade de técnicas confiáveis e eficientes de detecção e diagnóstico de falhas torna-se mais crítica. Este pesquisa apresenta uma nova abordagem para detecção de falhas em arranjos fotovoltaicos (FV) e inversores, combinando técnicas de IA. Ele integra Elman Neural Network (ENN), Boosted Tree Algorithms (BTA), Multi-layer Perceptron (MLP) e Regressão de Processos Gaussianos (GPR) para maior precisão e confiabilidade no diagnóstico de falhas. Ele aproveita seus pontos fortes para precisão e confiabilidade no diagnóstico de falhas. A análise de sensibilidade baseada em engenharia de recursos foi utilizada para extração de recursos, a detecção e o diagnóstico de falhas foram avaliados usando vários critérios estatísticos, incluindo PBAIS, MAE, NSE, RMSE e MAPE. Dois cenários de aprendizagem inteligente são realizados, o primeiro cenário é feito para detecção de falhas no arranjo fotovoltaico com alimentação CC como saída. O segundo cenário é feito para detecção de falhas do inversor com alimentação CA como saída. A técnica proposta é capaz de detectar falhas em arranjos fotovoltaicos e inversores, fornecendo uma solução confiável para melhorar o desempenho e a confiabilidade dos sistemas de energia solar. O conjunto de dados de energia solar do mundo real é usado para avaliar a técnica proposta, com resultados comparados às técnicas de detecção existentes e os resultados obtidos mostram que elasupera as técnicas de detecção de falhas existentes, alcançando maior precisão e melhor desempenho. A otimização do GPR-M4 foi justificada de forma confiável entre todos os modelos com MAPE = 0,0393 e MAE = 0,002 para detecção de falhas do inversor e MAPE = 0,091 e MAE = 0,000 para detecção de falhas do arranjo fotovoltaico.
- Imprenta:
- Data da defesa: 04.09.2024
-
ABNT
ABUBAKAR, Ahmad. A novel hybrid optimization approach for fault detection in PV arrays and inverters using AI and statistical learning techniques. 2024. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-16102024-065858/pt-br.php. Acesso em: 13 fev. 2026. -
APA
Abubakar, A. (2024). A novel hybrid optimization approach for fault detection in PV arrays and inverters using AI and statistical learning techniques (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3143/tde-16102024-065858/pt-br.php -
NLM
Abubakar A. A novel hybrid optimization approach for fault detection in PV arrays and inverters using AI and statistical learning techniques [Internet]. 2024 ;[citado 2026 fev. 13 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-16102024-065858/pt-br.php -
Vancouver
Abubakar A. A novel hybrid optimization approach for fault detection in PV arrays and inverters using AI and statistical learning techniques [Internet]. 2024 ;[citado 2026 fev. 13 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-16102024-065858/pt-br.php
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
