Clasificación del estado de módulos fotovoltaicos a partir de datos sintéticos mediante modelado y algoritmos computacionales

dc.contributorGonzález Mancera, Andrés Leónardo
dc.contributorBarbieri, Giacomo
dc.contributorTabares Pozos, Alejandra
dc.creatorRivas Bolívar, Andrés Felipe
dc.date.accessioned2023-07-24T20:02:38Z
dc.date.accessioned2023-09-06T23:21:38Z
dc.date.available2023-07-24T20:02:38Z
dc.date.available2023-09-06T23:21:38Z
dc.date.created2023-07-24T20:02:38Z
dc.date.issued2023-07-07
dc.identifierhttp://hdl.handle.net/1992/68696
dc.identifierinstname:Universidad de los Andes
dc.identifierreponame:Repositorio Institucional Séneca
dc.identifierrepourl:https://repositorio.uniandes.edu.co/
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8726449
dc.description.abstractEl diagnóstico del estado de los módulos fotovoltaicos es cada vez más necesario en las plantas de producción de energía. El principal factor de pérdidas en estos sistemas es la presencia de anomalías o fallas, que disminuyen considerablemente la producción de energía y pueden poner en riesgo la integridad de los equipos. Por lo tanto, es necesario desarrollar sistemas precisos y tempranos para detectar y clasificar anomalías, lo que permite realizar mantenimientos que reduzcan al mínimo el tiempo de inactividad de los módulos solares y maximicen su eficiencia. En este trabajo de tesis, se estudia una cadena de módulos FV de laboratorio de energía solar de la Universidad de los Andes y se simulan condiciones de anomalías mediante un modelo analítico de los módulos, generando una base de datos sintética. Esta base de datos se utiliza para entrenar modelos computacionales de clasificación con el objetivo de detectar y clasificar anomalías presentes en el arreglo.
dc.languagespa
dc.publisherUniversidad de los Andes
dc.publisherMaestría en Ingeniería Mecánica
dc.publisherFacultad de Ingeniería
dc.publisherDepartamento de Ingeniería Mecánica
dc.relationU.S. Energy Information Administration, "Annual Energy Outlook 2023: Narrative", 2023.
dc.relationUnidad de Planeación Minero Energética, "Proyección de Demanda de Energeticos", 2022.
dc.relationA. Catalina, F. Castro, J. L. Mojica, y corficolombiana, "Informe Perspectiva Sectorial-Energía Actualidad del sector energético colombiano 28 de febrero de 2023", 2023.
dc.relationCorficolombana, R. C. Paniagua, y A. Duarte Pérez, "Generación eléctrica en Colombia y su transición hacia Fuentes Renovables No Convencionales", 2021.
dc.relationRyan Kennedy, "Guía para entender las pérdidas en la producción solar", pv magazine latam, el 2 de marzo de 2023. https://www.pv-magazine-latam.com/2023/03/02/guiapara-entender-las-perdidas-en-la-produccion-solar/ (consultado el 16 de junio de 2023).
dc.relationExploringGreenTechnology, "How Monocrystalline Solar Cells Work". https://exploringgreentechnology.com/solar-energy/technology/monocrystalline-solarcells/ (consultado el 16 de junio de 2023)
dc.relationT. Berghout et al., "Machine Learning-Based Condition Monitoring for PV Systems: State of the Art and Future Prospects", 2021, doi: 10.3390/en14196316
dc.relationkWh analytics, "Solar Generation Index", 2022.
dc.relationU. Malavya, R. Chander, y K. Sumalatha, "A Simple Method to Detect Partial Shading in PV Systems", Data Engineering and Communication Technology, vol. 63, pp. 17-28, 2021.
dc.relationD. R. Espinoza Trejo, E. Bárcenas, J. E. Hernández Díez, G. Bossio, y G. E. Pérez, "Open- and Short-Circuit Fault Identification for a Boost dc/dc Converter in PV MPPT Systems", Energies 2018, Vol. 11, Page 616, vol. 11, núm. 3, p. 616, mar. 2018, doi: 10.3390/EN11030616.
dc.relationJ. Kim, M. Rabelo, S. P. Padi, H. Yousuf, E. C. Cho, y J. Yi, "A Review of the Degradation of Photovoltaic Modules for Life Expectancy", Energies 2021, Vol. 14, Page 4278, vol. 14, núm. 14, p. 4278, jul. 2021, doi: 10.3390/EN14144278.
dc.relationM. Lave, W. Hayes, A. Pohl, y C. W. Hansen, "Evaluation of Global Horizontal Irradiance to Plane of Array Irradiance Models at Locations across the United States".
dc.relationY. Y. Hong y R. A. Pula, "Methods of photovoltaic fault detection and classification: A review", Energy Reports, vol. 8. Elsevier Ltd, pp. 5898-5929, el 1 de noviembre de 2022. doi: 10.1016/j.egyr.2022.04.043.
dc.relationA. Fezzani, I. H. Mahammed, S. Drid, y L. Chrifi-Alaoui, "Modeling and analysis of the photovoltaic array faults", 3rd International Conference on Control, Engineering and Information Technology, CEIT 2015, ago. 2015, doi: 10.1109/CEIT.2015.7232983.
dc.relationA. Coleman y J. Zalewski, "Intelligent fault detection and diagnostics in solar plants", Proceedings of the 6th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, IDAACS-2011, vol. 2, pp. 948- 953, 2011, doi: 10.1109/IDAACS.2011.6072914.
dc.relationSyafaruddin, E. Karatepe, y T. Hiyama, "Controlling of artificial neural network for fault diagnosis of photovoltaic array", 2011 16th International Conference on Intelligent System Applications to Power Systems, ISAP 2011, 2011, doi: 10.1109/ISAP.2011.6082219.
dc.relationIBM, "What is Supervised Learning? | IBM". https://www.ibm.com/topics/supervisedlearning (consultado el 16 de junio de 2023).
dc.relationsklearn, "sklearn.linear_model.LogisticRegression ¿ scikit-learn 1.2.2 documentation". https://scikitlearn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html (consultado el 17 de junio de 2023).
dc.relationIBM, "What is a Decision Tree?" https://www.ibm.com/topics/decision-trees (consultado el 16 de junio de 2023).
dc.relationGraphite Note y H. Smolic, "How Much Data Is Needed For Machine Learning"-, 2022. https://graphite-note.com/how-much-data-is-needed-for-machine-learning (consultado el 16 de junio de 2023).
dc.relationdatagen, "Synthetic Data: The Complete Guide", 2022. https://datagen.tech/guides/synthetic-data/synthetic-data/ (consultado el 16 de junio de 2023).
dc.relationW. De Soto, S. A. Klein, y W. A. Beckman, "Improvement and validation of a model for photovoltaic array performance", Solar Energy, vol. 80, núm. 1, pp. 78-88, ene. 2006, doi: 10.1016/J.SOLENER.2005.06.010.
dc.relationA. P. Dobos, "An improved coefficient calculator for the california energy commission 6 parameter photovoltaic module model", Journal of Solar Energy Engineering, Transactions of the ASME, vol. 134, núm. 2, 2012, doi: 10.1115/1.4005759.
dc.relationpvlib python, "pvlib.pvsystem.calcparams_desoto". https://pvlibpython.readthedocs.io/en/v0.9.0/generated/pvlib.pvsystem.calcparams_desoto.html (consultado el 17 de junio de 2023).
dc.relationB. Alsayid, "Modeling and simulation of photovoltaic cell/module/array with two-diode model Renewable Energy Technologies View project PM BLDC Motor Drive View project", 2012. [En línea]. Disponible en: https://www.researchgate.net/publication/284673231
dc.relationNREL, "System Advisor Model SAM." https://sam.nrel.gov/download.html (consultado el 18 de junio de 2023).
dc.relationM. Laurino, M. Piliougine, y G. Spagnuolo, "Artificial neural network based photovoltaic module diagnosis by current-voltage curve classification", Solar Energy, vol. 236, pp. 383- 392, abr. 2022, doi: 10.1016/J.SOLENER.2022.02.039.
dc.relationB. Juba y H. S. Le, "Precision-Recall versus accuracy and the role of large data sets", 33rd AAAI Conference on Artificial Intelligence, AAAI 2019, 31st Innovative Applications of Artificial Intelligence Conference, IAAI 2019 and the 9th AAAI Symposium on Educational Advances in Artificial Intelligence, EAAI 2019, pp. 4039-4048, 2019, doi: 10.1609/AAAI.V33I01.33014039.
dc.rightsAtribución-NoComercial 4.0 Internacional
dc.rightsAtribución-NoComercial 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.titleClasificación del estado de módulos fotovoltaicos a partir de datos sintéticos mediante modelado y algoritmos computacionales
dc.typeTrabajo de grado - Maestría


Este ítem pertenece a la siguiente institución