Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/37096| Título: | Avaliação computacional de pontos quentes em painéis fotovoltaicos: uma estratégia de machine learning |
| Título(s) alternativo(s): | Computational evaluation of hotspots in photovoltaic panels: a machine learning strategy |
| Autor(es): | Oliveira, Gabriel Tabim de Roscoe, Pedro Batista Junqueira |
| Orientador(es): | Romaneli, Eduardo Félix Ribeiro |
| Palavras-chave: | Painéis solares Aprendizado profundo (Aprendizado do computador) Termografia Redes neurais (Computação) Simulação (Computadores) Solar panels Deep learning (Machine learning) Thermography Neural networks (Computer science) Computer simulation |
| Data do documento: | 28-Nov-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | OLIVEIRA, Gabriel Tabim de; ROSCOE, Pedro Batista Junqueira. Avaliação computacional de pontos quentes em painéis fotovoltaicos: uma estratégia de machine learning. 2023. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2023. |
| Resumo: | A crescente representatividade da energia fotovoltaica na matriz energética brasileira da luz a necessidade de uma estratégia de manutenção mais eficiente na detecção de pontos quentes em módulos solares. O método tradicional de identificação dessas falhas é pouco escalável e dependente da interpretação humana de imagens termográficas, o que ressalta a baixa escalabilidade do processo. A utilização do processamento computacional, através do deep learning, de termografias padronizadas é uma solução escalável para esse problema, além de apresentar uma eficiência significativa na identificação de pontos quentes. Os resultados experimentais obtidos com o algoritmo criado foram de 96%, 87%, 89% e 90% para os respectivos métodos convolucionais MobileNetV2, MobileNetV2, VGG16 e ResNet50, a partir de do treinamento e teste com uma base de dados de 419 imagens. |
| Abstract: | The growing representation of photovoltaic energy in the Brazilian energy matrix leads to the need for a more efficient maintenance strategy in detecting hot spots in solar modules. The traditional method for identifying these flaws is poorly scalable and dependent on human interpretation of thermal images, which highlights the low scalability of the process. The use of computational processing, through deep machine learning, of standardized thermographs is a scalable solution to this problem, in addition to presenting significant efficiency in identifying hot spots. The experimental results obtained with the created algorithm were 96%, 87%, 89% and 90% for the respective convolutional methods MobileNetV2, MobileNetV2, VGG16 and ResNet50, based on training and testing with a set of 419 images. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/37096 |
| Aparece nas coleções: | CT - Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| pontosquentesmachinelearning.pdf | 4,08 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
