Resumen

En las centrales fotovoltaicas a gran escala o en las centrales fotovoltaicas regionales distribuidas hay un gran número de matrices fotovoltaicas (FV), y la producción de las distintas matrices fluctúa con las condiciones externas. La información sobre la desviación y la evolución de la salida de la matriz se ve fácilmente cubierta por las fluctuaciones aleatorias de la salida FV, lo que dificulta el diagnóstico de fallos de las matrices FV. En este trabajo, se propone un método de diagnóstico de fallos basado en las características de desviación de la salida del campo fotovoltaico. Basándose en la corriente del campo fotovoltaico en el lado de CC (corriente continua), se analizan las características de desviación de la salida del campo fotovoltaico en diferentes campos y series temporales. A continuación, se construye la función de desviación para evaluar la desviación de salida del generador fotovoltaico. Por último, se realiza el diagnóstico de fallos de un campo fotovoltaico utilizando la red neuronal probabilística (PNN) y se verifica la eficacia del método propuesto. Las principales aportaciones de este trabajo son la propuesta de una función de desviación capaz de extraer las características de fallo del campo fotovoltaico y un método de diagnóstico de fallos basado en la corriente del campo fotovoltaico que puede aplicarse fácilmente en plantas fotovoltaicas.

• Materias:Energía solar Termodinámica Fotoquímica Fotocatálisis Efecto fotoeléctrico
• Subjects:Solar energy Thermodynamics Photochemistry Photocatalysis Photoelectric effect
• Palabras claves:matriz fotovoltaica, salida de matriz fotovoltaica, método de diagnóstico de fallos, características de desviación, función de desviación, diferentes matrices, diagnóstico de fallos, centrales fotovoltaicas a escala, centrales fotovoltaicas, red neuronal probabilística
• Keywords:pv array, pv array output, fault diagnosis method, deviation characteristics, deviation function, different arrays, fault diagnosis, scale pv power plants, pv power plants, probabilistic neural network