Red de atención de gráficos duales para el diagnóstico robusto de fallas en inversores fotovoltaicos

Área de la Ciencia:

• Ingeniería eléctrica
• Inteligencia artificial
• Sistemas de energía renovable

Sus antecedentes:

• Los inversores fotovoltaicos (PV) son cruciales para la conversión de energía estable.
• La detección temprana de fallas de circuito abierto en inversores fotovoltaicos es vital para evitar la degradación del rendimiento y la falla del equipo.

Objetivo del estudio:

• Desarrollar un marco robusto de aprendizaje profundo para el diagnóstico preciso de fallas en inversores fotovoltaicos.
• Mejorar la fiabilidad de los sistemas fotovoltaicos mediante el monitoreo inteligente de las condiciones.

Principales métodos:

• Se propuso un marco de red de atención de gráfico dual (DualGAT), que integra los mecanismos de atención espacial (DisGAT) y temporal (TempGAT).
• Se creó un modelo de simulación detallado de un inversor fotovoltaico conectado a la red en MATLAB/Simulink.
• Se utilizó la transformación de ondas discretas (DWT) para la extracción de características de las señales de corriente del inversor.

Principales resultados:

• El modelo DualGAT logró una precisión de prueba del 97,35% en el diagnóstico de fallas.
• El marco demostró un rendimiento superior significativo en comparación con el aprendizaje automático tradicional y otros métodos de aprendizaje profundo.
• Se mantuvo un alto rendimiento diagnóstico en condiciones de ruido y distorsión de la señal.

Conclusiones:

• El marco DualGAT captura efectivamente las características complejas de fallas espacio-temporales en los inversores fotovoltaicos.
• Este enfoque ofrece una solución prometedora para el monitoreo inteligente de la condición en los sistemas de energía fotovoltaica.
• La robustez del modelo garantiza el funcionamiento y el mantenimiento fiables de la infraestructura fotovoltaica.