Shahed University

Smart Fault Diagnosis in Solar Photovoltaic Systems Using Machine Learning

Seyedmohammad Sadeghzadeh | Yaser Dokamei | Mohammad Dokamei

URL :   http://research.shahed.ac.ir/WSR/WebPages/Report/PaperView.aspx?PaperID=159295
Date :  2021/06/20
Publish in :    دومين کنفرانس بين المللي پژوهشهاي نوين در مهندسي برق، کامپيوتر، مکانيک و مکاترونيک در ايران و جهان


Keywords :سامانه ي خورشيدي، تشخيص خطا، يادگيري ماشين

Abstract :
انرژی الکتریکی در قرن های اخیر به جزئی جدایی ناپذیر از زندگی بشر تبدیل شده است. با افزایش جمعیت و توسعه ی صنایع، اهمیت این شکل از انرژی هر روز بیشتر می شود. یکی از مواردی که برای تولید انرژی الکتریکی از دیرباز مطرح بوده است، استفاده از سوختهای فسیلی در راستای تولید انرژی الکتریکی است. وابستگی به سوختهای فسیلی مشکلات عدیده ای را در تولید توان الکتریکی به وجود اورده است. از اساسی ترین این مشکلات میتوان به پایان پذیری منابع سوخت فسیلی و ایجاد الاینده های هوایی در محیط زیست اشاره کرد. منابع سوخت فسیلی به عنوان انرژیهای تجدید ناپذیر برشمرده میشوند، درنتیجه این منابع به زودی به پایان میرسند. ازاینرو باید برای اینده منابعی را برای انان جایگزین نمایند. با توجه به اینکه انرژی الکتریکی تولیدی در هستند، تجهیزات حفاظت متداول همچون فیوزها نمیتوانند انتخاب DC سامانه های فتوولتائیک دارای سطح ولتاژ مطلوبی برای حفاظت از این سامانهها باشند. از سوی دیگر وجود کنترلکننده های متعدد در سامانه های فتوولتائیک با تاثیر بر خروجیهای سیستم میتواند باعث پیچیده تر نمودن )MPPT( همانند سیستم تعقیب توان حداکثر شرایط خطا شود و تشخیص ان را دشوار نماید. ازاینرو، در این مقاله هدف اصلی ارائهی یک طرح تشخیص خطا برای سامانه های فتوولتائیک است، که شامل خطاهای قطب به قطب داخل رشته، قطب به قطب بین دو رشته و مدارباز می شود. در این راستا استفاده از یک فن ترکیبی مبتنی بر هوش مصنوعی و استخراج ویژگی پیشنهادشده است. نتایج بر اساس مدل شبیه سازی مورد تجزیه وتحلیل قرارگرفته است و دقت و قابلیت اطمینان روش پیشنهادی با استفاده از ماتریس درهم ریختگی نشان داده شده است.



Files in this item :
Download Name : 159295_17698630270.pdf
Size : 1Mb
Format : PDF