Resumen

El diagnóstico eficaz de fallos en un sistema fotovoltaico requiere comprender el comportamiento de los parámetros de corriente/tensión (I/V) en diferentes condiciones ambientales. Especialmente durante la estación invernal, los caracteres I/V de ciertos estados defectuosos en un sistema FV se parecen mucho a los de un estado normal. Por lo tanto, un modelo de detección de fallos normal puede predecir erróneamente un sistema fotovoltaico que funciona correctamente como un estado defectuoso y viceversa. En este trabajo se propone un modelo inteligente de diagnóstico de fallos para la detección y clasificación de fallos en sistemas fotovoltaicos. Para la verificación experimental, se recopilan varios conjuntos de datos de estado de fallo y estado normal durante la temporada de invierno bajo amplias condiciones ambientales. Los conjuntos de datos recogidos se normalizan y preprocesan utilizando varias técnicas de minería de datos y, a continuación, se introducen en una red neuronal probabilística (PNN). El modelo PNN se entrenará con los datos históricos para predecir y clasificar los fallos cuando se le incorporen nuevos datos. El modelo entrenado mostró un mejor rendimiento en la precisión de la predicción en comparación con otros métodos de clasificación en aprendizaje automático.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:sistema fotovoltaico, estación invernal, modelo inteligente de diagnóstico de fallos, modelo normal de detección de fallos, diagnóstico eficaz de fallos, determinados estados defectuosos, diferentes condiciones ambientales, conjuntos de datos de estados normales, otros métodos de clasificación, red neuronal probabilística
• Keywords:pv system, winter season, intelligent fault diagnosis model, normal fault detection model, effective fault diagnosis, certain faulty states, different environmental conditions, normal state datasets, other classification methods, probabilistic neural network