Resumen

En la actualidad, el sistema solar fotovoltaico se utiliza ampliamente. Sin embargo, una vez que se produce un fallo, se inspecciona manualmente, lo que no resulta económico. Con el fin de remediar el defecto de diagnóstico de fallos no disponibles en cualquier irradiancia y la temperatura en la literatura con la sincronización del caos basado en el diagnóstico inteligente de fallos para los sistemas fotovoltaicos propuestos por Hsieh et al., este estudio propone un método de diagnóstico de fallos de extensión caótica combinada con la red neuronal de retropropagación de errores para superar este problema. Se utilizó la caja de herramientas nn de matlab 2010 para la simulación y comparación, se midió la irradiancia actual y la temperatura, y se utilizó el seguimiento del punto de máxima potencia (MPPT) para la extracción caótica del valor propio. El rango del campo de extensión se determinó mediante una red neuronal. Por último, el eigenvalor de tensión obtenido a partir de la temperatura y la irradiancia actuales se utilizó para el diagnóstico de fallos. Comparando los índices de diagnóstico con los resultados de Hsieh et al., este esquema puede obtener mejores índices de diagnóstico cuando se modifican las irradiancias o las temperaturas.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:hsieh et al, red neuronal, método de diagnóstico de fallos de extensión caótica, mejores índices de diagnóstico, diagnóstico inteligente de fallos, punto de máxima potencia, sistema solar fotovoltaico, diagnóstico de fallos no disponible, irradiancia, temperatura
• Keywords:hsieh et al, neural network, chaotic extension fault diagnosis method, better diagnostic rates, intelligent fault diagnosis, maximum power point, solar photovoltaic system, unavailable fault diagnosis, irradiance, temperature