dc.contributor.advisor | Franchi, Claiton Moro | |
dc.creator | Santos, Samuel Winckler | |
dc.date.accessioned | 2024-02-06T13:37:36Z | |
dc.date.available | 2024-02-06T13:37:36Z | |
dc.date.issued | 2023-10-20 | |
dc.date.submitted | 2023 | |
dc.identifier.citation | SANTOS, S. W. Detecção de sujidade e sombreamento em painéis solares com inteligência artificial utilizando aplicativos móveis.
2023. 93 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/1/31399 | |
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 | Solar energy has emerged as one of the main sources of renewable energy, given its abundance
and potential for carbon emission reduction. However, the efficiency of solar panels can be
compromised by various factors, among them dirt and shading. Early and accurate detection of
these issues is crucial to maintain the operational efficiency of the panels and ensure a return
on investment. With this goal in mind, this study developed a system for detecting dirt and
shading on solar panels using advanced Artificial Intelligence techniques. Machine learning
algorithms, such as the Light Gradient Boosting Machine (LGBM) and the Extra Trees
Classifier (ETC), were employed to analyze the I-V curves and identify characteristics
associated with dirt on the panels. The PyCaret tool was used to facilitate data processing and
analysis. To complement the approach, two mobile apps were developed: one aimed at solar
panel owners and another for maintenance companies. The machine learning algorithms
demonstrated high accuracy in detecting dirt and shading, with LGBM standing out for its
superior performance compared to ETC. The developed mobile apps proved to be practical and
efficient, allowing users to monitor the status of their panels in real-time and request
maintenance services when necessary. In conclusion, the combination of advanced data analysis
techniques with mobile solutions offers an innovative approach to optimize the efficiency of
solar panels, ensuring a more efficient and cost-effective operation. | 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 | Energia Solar | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Aplicativos móveis | por |
dc.subject | Manutenção | por |
dc.subject | Inteligência artificial | por |
dc.subject | Solar energy | eng |
dc.subject | Machine learning | eng |
dc.subject | Mobile apps | eng |
dc.subject | Maintenance | eng |
dc.subject | Artificial intelligence | eng |
dc.title | Detecção de sujidade e sombreamento em painéis solares com inteligência artificial utilizando aplicativos móveis | por |
dc.title.alternative | Dirt and shadow detection on solar panels with artificial intelligence using mobile apps | 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 | A energia solar tem se destacado como uma das principais fontes de energia renovável, dada a
sua abundância e potencial de redução de emissões de carbono. No entanto, a eficiência dos
painéis solares pode ser comprometida por diversos fatores, entre eles a sujidade e o
sombreamento. A detecção precoce e precisa desses problemas é crucial para manter a
eficiência operacional dos painéis e garantir um retorno sobre o investimento. Com esse
objetivo, este trabalho desenvolveu um sistema de detecção de sujidade e sombreamento em
painéis solares utilizando técnicas avançadas de Inteligência Artificial. Foram empregados
algoritmos de aprendizado de máquina, como o Light Gradient Boosting Machine (LGBM) e o
Extra Trees Classifier (ETC), para analisar as curvas I-V e identificar características associadas
à sujidade nos painéis. A ferramenta PyCaret foi utilizada para facilitar o processamento e a
análise de dados. Para complementar a abordagem, foram desenvolvidos dois aplicativos
móveis: um voltado para proprietários de painéis solares e outro para empresas de manutenção.
Os algoritmos de aprendizado de máquina demonstraram alta precisão na detecção de sujidade
e sombreamento, com destaque para o LGBM, que apresentou desempenho superior em
comparação ao ETC. Os aplicativos móveis desenvolvidos mostraram-se práticos e eficientes,
permitindo que os usuários monitorassem o status de seus painéis em tempo real e solicitassem
serviços de manutenção quando necessário. Em conclusão, a combinação de técnicas avançadas
de análise de dados com soluções móveis oferece uma abordagem inovadora para otimizar a
eficiência dos painéis solares, garantindo uma operação mais eficiente e econômica. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |