Monitoring, diagnosis and localization of the partial shading fault in a photovoltaic power plant with an approach by artificial neural networks

• Autorzy: Saada Zakarya , Zebirate Soraya

Identyfikatory

DOI

10.15199/48.2022.12.42

Warianty tytułu

PL

Monitoring, diagnostyka i lokalizacja zwarcia częściowego zacienienia w elektrowni fotowoltaicznej z podejściem sztucznych sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

This paper aims to propose a useful modeling diagnostic method for solar plants. The study was performed on the basis of the localization of the failing panel obtained by an effective comparison of measured output voltages and estimator voltages. The comparison is done with the ideal solar plant using learning approach based on artificial neuronal network (ANN). The partial shading failure was detected by the given equation d²ΔV/dI²>0. The obtained results using MATLAB/Simulink environment show a satisfactory performance in terms of rapidity and precision under variable shading conditions.

PL

Celem artykułu jest zaproponowanie użytecznej metody diagnostycznej modelowania dla elektrowni słonecznych. Badania przeprowadzono na podstawie lokalizacji uszkodzonego panelu uzyskanej poprzez efektywne porównanie zmierzonych napięć wyjściowych i napięć estymatorów. Porównanie jest dokonywane z idealną elektrownią słoneczną przy użyciu podejścia uczenia opartego na sztucznej sieci neuronowej (ANN). Częściowe zacienienie zostało wykryte za pomocą podanego równania d²ΔV/dI²>0. Uzyskane wyniki w środowisku MATLAB/Simulink wykazują zadowalające działanie pod względem szybkości i precyzji w zmiennych warunkach zacienienia.

Słowa kluczowe

EN

solar plant; partial shading failure; diagnostic system; PV; modeling of the photovoltaic; plant system; artificial neuronal network; ANN

PL

awaria częściowego zacienienia; system diagnostyczny; modelowanie systemu elektrowni fotowoltaicznej; PV; sztuczna sieć neuronowa; ANN

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 12
• Strony: 182--186
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Saada Zakarya

• Industrial Safety and Sustainable Development Engineering Laboratory ‘LISIDD’, Institute of Maintenance and Industrial Safety, University of Oran 2 Mohamed Ben Ahmed 31000

autor

Zebirate Soraya

• Industrial Safety and Sustainable Development Engineering Laboratory ‘LISIDD’, Institute of Maintenance and Industrial Safety, University of Oran 2 Mohamed Ben Ahmed 31000

Bibliografia

• [1] A Hemza, H Abdeslam, C Rachid, N Aoun, Simplified methods for evaluating the degradation of photovoltaic module and modeling considering partial shading, Measurement 138 (2019) 217–224
• [2] A. Mellit, G.M. Tina, S.A. Kalogirou, Fault detection and diagnosis methods for photovoltaic systems, Renewable and Sustainable Energy Reviews 91 (2018) 1–17
• [3] A. Zegaoui, P. Petit, M. Aillerie, J.P. Sawicki, A.W. Belarbi, M.D. Krachai, J.P. Charles, Photovoltaic cell/panel/array characterizations and modeling considering both reverse and direct modes, Energy Procedia 6 (2011) 695–703
• [4] F. Attivissimo, F. Adamo, A. Carullo, A.M.L. Lanzolla, F. Spertino, A. Vallan, On the performance of the double-diode model in estimating the maximum power point for different photovoltaic technologies, Measurement 46 (2013) 3549–3559
• [5] K. Ishaque, Z. Salam, H. Taheri, Simple, fast and accurate two diode model for photovoltaic modules, Solar Energy Mater. Solar Cells 95 (2011) 586–594
• [6] N Gokmen, E Karatepe, B Celik, S Silvestre, Simple diagnostic approach for determining of faulted PV modules in string based PV arrays, Solar Energy 86 (2012) 3364–3377
• [7] Mariusz Ś., Michał G., Wpływ efektu zacienienia na pracę elektrowni solarnej z systemem rozproszonych paneli fotowoltaicznych, PRZEGLĄD ELEKTROTECHNICZNY, R. 96 NR 7/2020, (2020), 76-79
• [8] S Bader, X Ma, B Oelmann, One-diode photovoltaic model parameters at indoor illumination levels – A comparison, Solar Energy 180 (2019) 707–716
• [9] M.A. Hasan , S.K. Parida, An overview of solar photovoltaicpanel modeling based on analytical and experimental viewpoint, Renewable and Sustainable Energy Reviews 60 (2016) 75–83
• [10] W. Chine, A. Mellit, V. Lughi, A. Malek, G. Sulligoi, A. Massi Pavan, A novel fault diagnosis technique for photovoltaic systems based on artificial neural networks, Renewable Energy 90 (2016) 501e512
• [11] F Dkhichi, B Oukarfi, Y El Kouari, David Ouoba, A Fakkar, Neural network based integration of MPPT and diagnosis of degradation for photovoltaic module, Opt Quant Electron (2016) 48:105 DOI 10.1007/s11082-015-0355-3
• [12] Karri H.K., Gadi V.S.K.R., A Photovoltaic System Maximum Power Point Tracking by using Artificial Neural Network, PRZEGLĄD ELEKTROTECHNICZNY, R. 98 NR 2/2022, (2022), 33-38
• [13] A H. Elsheikh, S W. Sharshir, M Abd Elaziz, A.E. Kabeel,W Guilan, Z Haiou, Modeling of solar energy systems using artificial neural network: A comprehensive review, Solar Energy180 (2019) 622–639
• [14] KHENFER Riad, Détection et isolation de défauts combinantdes méthodes à base de données appliquées aux systèmes électro-énergétiques, UNIVERSITE FERHAT ABBES - SETIF 1 UFAS(ALGERIE), 05 Mars 201

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).