dc.contributor.advisor | Pinheiro, Humberto | |
dc.creator | Ruppenthal, Evelyn Thainá Prass | |
dc.date.accessioned | 2024-02-06T13:41:19Z | |
dc.date.available | 2024-02-06T13:41:19Z | |
dc.date.issued | 2023-12-19 | |
dc.date.submitted | 2023 | |
dc.identifier.citation | RUPPENTHAL, E. T. P. Desenvolvimento de algoritmo para detecção de arco elétrico série no lado CC em sistemas de geração fotovoltaica utilizando máquina de vetores de suporte. 2023. 79 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/1/31400 | |
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 | In photovoltaic systems, series electric arc faults are the main causes of fires and are
strongly associated with the aging and wear of insulating materials, damaged cables, loose
connections, connector corrosion, among other possible reasons. In this context, a machine learning algorithm based on Support Vector Machine was developed to detect this
phenomenon on the DC side of photovoltaic systems. The proposed learning model uses
training and testing data obtained from tests conducted in a solar power plant. The acquired data include events such as inverter start/stop, partial shading, maximum power point
tracking noise, pre-arc noise, series arc, string connection/disconnection, and current anomalies due to external disturbances. For the creation of this model, aimed at classifying
time series into arc and non-arc categories, two attributes were considered. One is derived
from calculating the standard deviation of the pre-processing of the current signal, and the
second comes from calculating the standard deviation of the Fast Fourier Transform applied
to the current signal. The detection algorithm demonstrated good performance; in the best
cases, it achieved an accuracy of 97.3%, capable of identifying series electric arcs and
differentiating them from other events that can cause anomalies in the current. Besides accuracy, other indicators such as the confusion matrix and Receiver Operating Characteristic
and Precision-Recall curves were used to evaluate the model’s performance. | 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 | Sistemas fotovoltaicos | por |
dc.subject | Falhas de arco série | por |
dc.subject | Detecção de arco | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Máquina de vetores de suporte | por |
dc.subject | Photovoltaic systems | eng |
dc.subject | Series arc faults | eng |
dc.subject | Arc detection | eng |
dc.subject | Machine learning | eng |
dc.subject | Support vector machine | eng |
dc.title | Desenvolvimento de algoritmo para detecção de arco elétrico série no lado cc em sistemas de geração fotovoltaica utilizando máquina de vetores de suporte | por |
dc.title.alternative | Development of an algorithm for series arc detection on the dc side in generation systems photovoltaics using support vector machine | 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 | Nos sistemas fotovoltaicos, as falhas de arco elétrico série são as principais causadoras
de incêndios e estão fortemente associadas ao envelhecimento e desgaste dos materiais
isolantes, cabos danificados, conexões frouxas, corrosão de conectores, entre outras possíveis razões. Neste contexto, foi desenvolvido um algoritmo de aprendizado de máquina
baseado em máquina de vetores de suporte para detectar esse fenômeno no lado CC de
sistemas fotovoltaicos. O modelo de aprendizado proposto utiliza dados de treinamento e
teste obtidos a partir de ensaios realizados em uma usina de energia solar. Os dados adquiridos contam com eventos de partida/parada do inversor, sombreamento parcial, ruído
do MPPT, ruído de pré-arco, arco série, conexão e desconexão da string e anomalias na
corrente devido a distúrbios externos. Para a criação desse modelo, cujo objetivo é a classificação das séries temporais em arco e não arco, foram considerados dois atributos. Um
deles é derivado do cálculo do desvio padrão do pré-processamento do sinal de corrente,
e o segundo provém do cálculo do desvio padrão da Transformada Rápida de Fourier aplicado ao sinal de corrente. O algoritmo de detecção demonstrou bom desempenho; no
melhor dos casos, alcançou uma acurácia de 97,3%, sendo capaz de identificar os arcos
elétricos série e diferenciá-los de outros eventos que podem causar anomalias na corrente.
Além da acurácia, outros indicadores, como a matriz de confusão e as curvas de Característica de Operação do Receptor e de Precisão-Sensibilidade, foram utilizados para avaliar
a performance do modelo. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |