Técnica de detección de fallos en strings fotovoltaicos basada en una red neuronal multicapa

Share

Un grupo de investigadores de la India ha propuesto una novedosa técnica de detección de fallos en strings fotovoltaicos que utiliza redes neuronales multicapa (MLNN), una técnica de aprendizaje automático que puede manejar relaciones complejas mediante el aprendizaje de sus representaciones jerárquicas.

“Con la ayuda de la técnica propuesta, se detectan, clasifican y localizan fallos de línea a tierra (L-G) y de línea a línea (L-L)”, explican los investigadores. “La técnica MLNN propuesta sólo requiere la instalación de un sensor de corriente por cada ramal. Sin embargo, puede identificar problemas en conjuntos fotovoltaicos de cualquier tamaño o grado de desajuste”.

El grupo de investigación entrenó la técnica de detección de fallos en conjuntos de datos variados con diversas condiciones ambientales. Se tuvieron en cuenta parámetros como la temperatura, la irradiancia y la potencia máxima.

“En el caso de los problemas de clasificación no lineal, se implementan redes neuronales profundas multiclase en el proceso de extracción”, explican los académicos. “El perceptrón multicapa entra dentro de la clasificación no lineal, es decir, los datos complejos no lineales son aceptables para el proceso de cálculo. Cada capa está interconectada con las unidades ocultas existentes. Cada unidad oculta procesa los pesos con la ayuda de la función de sesgo”.

Para probar el método de detección MLNN de fallos en strings fotovoltaicos, los investigadores simularon una matriz solar de 22,5 kW compuesta por cuatro strings paralelos y módulos de 10 series. En la simulación, obtuvieron información sobre cuándo la corriente caía a cero y las diferencias de corriente en los módulos superior e inferior de cada cadena. A continuación, procesaron esas medidas en fallos y discrepancias y las compararon con las presentadas por el modelo de detección.

Los investigadores definieron la precisión como “la fracción del número total de predicciones precisas realizadas de las posibles salidas, dividida por el número total de predicciones realizadas por la matriz”.

La MLNN propuesta alcanzó una precisión del 98,76% en la detección de fallos L-L, fallos L-G y fallos de diodos de derivación. Esto se compara con una precisión del 96,5% alcanzada por la red neuronal probabilística (PNN), del 92,1% por las funciones de base radial (RBF) y del 90% por la red neuronal convolucional (CNN), según se cita en la literatura científica anterior.

“La técnica MLNN propuesta puede resolver cualquier cálculo complejo no lineal, manejar una gran cantidad de datos de entrada de paneles defectuosos y predecir rápidamente los fallos”, concluyen los investigadores.

Sus hallazgos se presentaron en “Photovoltaic string fault optimization using multi-layer neural network technique” (Optimización de fallos de strings fotovoltaicos mediante la técnica de redes neuronales multicapa), publicado en Results in Engineering. El equipo de investigación estaba formado por académicos del Instituto de Tecnología y Gestión Marri Laxman Reddy, el Instituto Nacional de Tecnología de Andhra Pradesh y la Escuela Superior de Ingeniería CVR.

 

Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.