Uma equipe de pesquisa liderada por cientistas da Georgia Southern University, nos Estados Unidos, desenvolveu uma nova estrutura de aprendizado profundo para diagnóstico de falhas em inversores fotovoltaicos.
Para isso, os cientistas utilizaram uma rede de atenção de grafo duplo (DualGAT), que combina mecanismos de atenção espacial e temporal, especificamente o DisGAT e o TempGAT, respectivamente.
“Nosso trabalho apresenta um DualGAT que combina mecanismos de atenção espacial e temporal pela primeira vez no diagnóstico de falhas de inversores fotovoltaicos”, disse o autor correspondente Jakir Hossen à pv magazine. “Essa abordagem de nível duplo permite que o modelo capture correlações de sinal complexas e dinâmicas em evolução sob condições variáveis de irradiância e temperatura, garantindo maior robustez e interpretabilidade em comparação com os métodos anteriores.”
Para coletar dados sobre os quais o sistema deve ser treinado, o grupo simulou um sistema inversor fotovoltaico no MATLAB/Simulink. Consistia em uma fonte fotovoltaica conectada a um inversor trifásico de 2 níveis no lado da rede, com um conversor de reforço DC-DC posicionado no lado da fonte. O inversor compreendia seis interruptores de transistor bipolar de porta isolada (IGBT), cada um emparelhado com um diodo antiparalelo. Dois tipos de falhas de circuito aberto foram considerados, ou seja, falhas de circuito aberto IGBT simples e falhas de circuito aberto IGBT duplas.
“Os sinais de corrente trifásica são medidos à medida que a irradiância e a temperatura do painel fotovoltaico variam para avaliar o desempenho do método proposto. A irradiância é ajustada em incrementos de 1 W/m2, variando de 250 W/m2 a 750 W/m2, enquanto a temperatura varia de 25 C a 35 C em intervalos de 1 C”, explicou o grupo. “Cada sinal de corrente contém 5.511 conjuntos de amostras, com três sinais de corrente correspondentes às três fases para cada tipo de falha. No total, o conjunto de dados compreende 121.242 amostras em 22 classes, incluindo a condição normal de operação.
Usando esses dados, a nova estrutura construiu um gráfico de relações de falhas espaciais para ilustrar como os interruptores defeituosos interagem uns com os outros, juntamente com um gráfico temporal para descrever como as falhas evoluem em sequência. Em seguida, combinou os dois gráficos para ver como as falhas interagem no espaço e no tempo e, com base nisso, previu em qual das 22 condições defeituosas o inversor está. Dos dados simulados, 80% foram usados para treinamento e o restante foi usado para testes.
O sistema foi testado em relação a métodos concorrentes de detecção de falhas. Eles o testaram usando abordagens baseadas em dados, bem como métodos baseados em estatística, ou seja, ANN, CNN, RNN, GAT, GRU + Attention, TCN, Transformer, ResNet-1D, InceptionTime, LightGBM + SHAP, SVM, KNN, RF, DT e BC.
Entre os métodos baseados em redes neurais, o modelo DualGAT proposto alcançou os melhores resultados em todas as métricas, com uma precisão de teste de 97,35%, o que os cientistas disseram demonstrar sua capacidade robusta de capturar padrões de falhas espaciais e temporais. “Outros modelos temporais, como GAT e RNN, também apresentam forte desempenho, com precisões de 95,18% e 94,12%, respectivamente, superando métodos tradicionais como RF e SVM, que alcançam precisões de 87,11% e 85,37%”, acrescentaram.
Além disso, os acadêmicos realizaram estudos de ablação do método, que envolvem a remoção de partes dos modelos. Sem DisGAT, a precisão caiu para 91,27%; sem o TempGAT, caiu para 87,62%; sem o regularizador, era de 90,13%; e sem o componente de atenção cruzada, foi de 92,51%.
O novo enquadramento foi apresentado em “Dual graph attention network for robust fault diagnosis in photovoltaic inverters“, publicado em Scientific Reports. A equipe incluiu pesquisadores nos Estados Unidos, da Georgia Southern University e da Universidade de Cornell, de Bangladesh, a Universidade de Rajshahi, Universidade de Engenharia e Tecnologia de Rajshahi, e da Universidade Multimídia da Malásia.
Este conteúdo é protegido por direitos autorais e não pode ser reutilizado. Se você deseja cooperar conosco e gostaria de reutilizar parte de nosso conteúdo, por favor entre em contato com: editors@pv-magazine.com.
Ao enviar este formulário, você concorda com a pv magazine usar seus dados para o propósito de publicar seu comentário.
Seus dados pessoais serão apenas exibidos ou transmitidos para terceiros com o propósito de filtrar spam, ou se for necessário para manutenção técnica do website. Qualquer outra transferência a terceiros não acontecerá, a menos que seja justificado com base em regulamentações aplicáveis de proteção de dados ou se a pv magazine for legalmente obrigada a fazê-lo.
Você pode revogar esse consentimento a qualquer momento com efeito para o futuro, em cujo caso seus dados serão apagados imediatamente. Ainda, seus dados podem ser apagados se a pv magazine processou seu pedido ou se o propósito de guardar seus dados for cumprido.
Mais informações em privacidade de dados podem ser encontradas em nossa Política de Proteção de Dados.