dc.contributor.advisor | Gamarra, Daniel Fernando Tello | |
dc.creator | Silva, Eduardo Goulart da | |
dc.date.accessioned | 2023-08-21T11:26:22Z | |
dc.date.available | 2023-08-21T11:26:22Z | |
dc.date.issued | 2023-07-21 | |
dc.date.submitted | 2023 | |
dc.identifier.citation | SILVA, E. G. da. Classificação do tipo de sombreamento e de sujidade em módulos fotovoltaicos utilizando LGBM e curvas I-V. 2023. 66 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação) - Universidade Federal de Santa Maria, Santa Maria, RS, 2023. | por |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/29986 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2023. | por |
dc.description.abstract | With the growing global demand for electricity, it becomes essential to invest in clean and renewable energy production. Brazil, with its vast grographic potential, has the opportunity to diversify its energy matrix with renewable sources, bringing economic, social, and environmental benefits. Investing in renewable energy production is crucial for creating a sustainable matrix that can efficiently meet consumption needs. Reducing costs for solar energy operation and maintenance is critical to ensure the economic viability of photovoltaic projects. Efficient management of these costs can make the difference between a successful project and an unprofitable installation, especially considering the increase in the installed solar system capacity. This work proposes the structuring of a dataset using I-V curves from a photovoltaic array under different shading and dirtiness conditions, aiming for reducing maintenance costs. The dataset used contains measurements of current, voltage, module temperature and irradiation at the time of sampling. The model used for evaluation and comparison is the Light Gradient-Boosting Machine, which achieved an accuracy of 99.1% in dirtiness evaluation and 96.5% in shading evaluation. Results from other models were also compared, reaching an accuracy of 100% in dirtiness evaluation. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Aprendizagem de máquina | por |
dc.subject | energia solar | por |
dc.subject | detecção de sujidade | por |
dc.subject | detecção de sombreamento | por |
dc.subject | Machine learning | eng |
dc.subject | solar energy | eng |
dc.subject | dirtiness detection | eng |
dc.subject | shading detection | eng |
dc.title | Classificação do tipo de sombreamento e de sujidade em módulos fotovoltaicos utilizando LGBM e curvas I-V | por |
dc.title.alternative | Classification of shading and dirtiness in photovoltaic modules using LGBM and I-V curves | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.degree.graduation | Engenharia de Controle e Automação | por |
dc.description.resumo | Com a crescente demanda global por energia elétrica, torna-se fundamental investir na produção de energia renovável e limpa. O Brasil, com seu vasto potencial geográfico, tem a oportunidade de diversificar sua matriz energética com fontes renováveis, trazendo benefícios econômicos, sociais e ambientais. Investir em produção de energia renovável é essencial para construir uma matriz sustentável capaz de atender às necessidades de consumo de maneira eficiente. Reduzir os custos com operação e manutenção da energia solar é crucial para garantir a viabilidade econômica de projetos fotovoltaicos. A gestão eficiente desses custos pode ser a diferença entre uma operação bem-sucedida e uma instalação pouco rentável, especialmente considerando o aumento da capacidade instalada de sistemas solares. Este trabalho propõe a estruturação de um conjunto de dados utilizando curvas I-V de um arranjo fotovoltaico em diferentes condições de sombreamento e sujeira, tendo em vista aplicar um algoritmo de aprendizagem de máquina que seja capaz de detectar essas condições. O conjunto de dados utilizado contém medições de corrente, tensão, temperatura do módulo e irradiação no momento da amostragem. O modelo utilizado para avaliação e comparação é o Light Gradient-Boosting Machine, que atingiu uma acurácia de 99,1% na avaliação da sujidade e de 96,5% na avaliação de sombreamento. Os resultados de outros modelos também foram comparados, chegando a acurácias de 100% na avaliação da sujidade. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |