Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/83068
Title: การตรวจจับและระบุประเภทความผิดพร่องในระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์โดยใช้การเรียนรู้ของเครื่อง
Other Titles: Fault detection and classification in photovoltaic systems using machine learning
Authors: เสฎฐวุฒิ ยิ้วเหี้ยง
Advisors: วาทิต เบญจพลกุล
สุรชัย ชัยทัศนีย์
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Issue Date: 2565
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: การใช้พลังงานหมุนเวียนโดยเฉพาะพลังงานแสงอาทิตย์มาผลิตกระแสไฟฟ้าได้รับความนิยมเพิ่มมากขึ้น แต่เนื่องจากพลังงานแสงอาทิตย์มีความผันผวนค่อนข้างสูงและเสี่ยงต่อการเกิดความผิดพร่อง ทำให้มีความท้าทายในการรวมเข้ากับระบบไฟฟ้าที่ใช้พลังงานแบบดั้งเดิมซึ่งเป็นระบบไฟฟ้าหลัก การเกิดความผิดพร่องในระบบไฟฟ้าพลังงานแสงอาทิตย์จึงเป็นหนึ่งในปัจจัยสำคัญที่ต้องพิจารณาเพื่อเพิ่มความน่าเชื่อถือให้ระบบไฟฟ้า วิทยานิพนธ์นี้จึงเสนอแนวทางการตรวจจับและระบุประเภทความผิดพร่องในระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ฝั่งกระแสตรงด้วยเทคนิคการเรียนรู้ของเครื่อง (Machine Learning) โดยเปรียบเทียบความแม่นยำระหว่างอัลกอริทึม AdaBoost กับ Gradient Boosting ในการตรวจจับและระบุประเภทความผิดพร่อง 5 ประเภท ได้แก่ การลัดวงจรระหว่างสายภายในสตริง การเปิดวงจร การบังเงาบางส่วน การเสื่อมสภาพของอุปกรณ์ และการลัดวงจรระหว่างสายข้ามสตริง โดยการฝึกและทดสอบอัลกอริทึมมี 4 พารามิเตอร์ที่เป็นอินพุต ได้แก่  กระแสไฟฟ้าแต่ละสตริง แรงดันไฟฟ้าของระบบ กำลังไฟฟ้าของระบบ และความเข้มแสงอาทิตย์ ซึ่งได้มาจากการจำลองความผิดพร่องบนระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ขนาด 180 W ที่ติดตั้งแบบ 2 สตริง สตริงละ 3 แผง และเก็บรวบรวมข้อมูลด้วยการส่งข้อมูลแบบไร้สาย โดยใช้เทคโนโลยีสื่อสารไร้สาย LoRa เพื่อประหยัดและลดความยุ่งยากในการใช้สายไฟต่อจากอาเรย์เซลล์แสงอาทิตย์มายังศูนย์ควบคุม อีกทั้งยังช่วยลดปัญหาความผิดเพี้ยนของข้อมูลเนื่องจากสายไฟแกว่งจากกระแสลม ผลการทดสอบเปรียบเทียบความแม่นยำในการตรวจจับและระบุประเภทความผิดพร่องแสดงให้เห็นว่าโมเดลที่สร้างจาก Gradient Boosting มีความแม่นยำในการจำแนกประเภทความผิดพร่องภายใต้ชุดข้อมูลความผิดพร่องที่ได้จากการจำลองดังกล่าวมากกว่า AdaBoost อีกทั้งโมเดลที่สร้างจาก Gradient Boosting สามารถตรวจจับและระบุประเภทความผิดพร่องได้อย่างแม่นยำและทำงานได้แบบเรียลไทม์
Other Abstract: Solar energy is increasingly popular for generating electricity. But solar energy has a high fluctuation and risks a fault occurring. This causes a challenge for combining with conventional power systems. The fault occurring in the photovoltaic system is one of the essential factors to consider to increase the reliability of the power system. This thesis studies fault detection and classification on the DC-side of photovoltaic systems using machine learning and compares the accuracy of the AdaBoost and the Gradient Boosting algorithms in fault detection and classification. 5 Faults are classified: Intra string line-to-line fault, open circuit, partial shading, degradation, and Cross string line-line fault. The algorithm training and testing has 4 parameters as inputs: string current, system voltage, system power, and irradiance. The dataset of 4 parameters was obtained from the fault simulation on a stand-alone 180 W PV system (2 strings, 3 modules per string). LoRa wireless communication technology is used instead of wires to save and simplify data transmission. It also reduces the problem of data distortion caused by wires swaying from the wind. The results comparing the accuracy of fault detection and classification showed that the model generated using Gradient Boosting was more accurate in fault classification than AdaBoost. The model developed from Gradient Boosting accurately predicts fault types in real-time.
Description: วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2565
Degree Name: วิศวกรรมศาสตรมหาบัณฑิต
Degree Level: ปริญญาโท
Degree Discipline: วิศวกรรมไฟฟ้า
URI: https://cuir.car.chula.ac.th/handle/123456789/83068
URI: http://doi.org/10.58837/CHULA.THE.2022.844
metadata.dc.identifier.DOI: 10.58837/CHULA.THE.2022.844
Type: Thesis
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6270307621.pdf3.59 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.