Científico sueco revoluciona la detección de fallas en paneles solares con inteligencia artificial

**Científico sueco desarrolla método de aprendizaje automático para detectar fallas en paneles solares**

Un investigador de la Universidad de Jönköping, en Suecia, ha diseñado un innovador método basado en aprendizaje automático para monitorear el estado de los sistemas fotovoltaicos (PV) mediante termografía infrarroja. Este enfoque, liderado por el Dr. Waqas Ahmed, promete superar las limitaciones de los métodos tradicionales y mejorar significativamente la precisión en la detección de fallas en paneles solares.

El método propuesto combina características locales híbridas para analizar imágenes térmicas, logrando una resistencia notable frente a factores como ruido, rotación, escalado y neblina. Según el estudio publicado en la revista *Energy Reports*, este sistema alcanzó una precisión del 98% durante el entrenamiento y del 96.8% en las pruebas, superando a muchas técnicas existentes.

Ahmed explica que los métodos actuales de procesamiento de imágenes y aprendizaje automático enfrentan desafíos importantes, como la sensibilidad a distorsiones y la necesidad de grandes cantidades de memoria y procesamiento. Por otro lado, los enfoques basados en aprendizaje profundo, aunque potentes, suelen ser propensos a problemas de sobreajuste y subajuste si no se dispone de conjuntos de datos robustos y una cuidadosa configuración de parámetros.

El proceso comienza con la captura de imágenes térmicas mediante cámaras infrarrojas. Posteriormente, se mejora la calidad de estas imágenes con algoritmos de eliminación de neblina y ajustes de contraste en escala de grises, en caso de que presenten demasiado ruido. Las imágenes se dividen en subregiones de 5×5 píxeles, de las cuales se extraen características locales utilizando métodos gaussianos y no lineales. Solo el 80% de las características más relevantes se conservan, eliminando datos redundantes o irrelevantes.

Para optimizar el uso de memoria, el método emplea el algoritmo de agrupamiento no supervisado *k-means*, que reduce el vector de características a 300 elementos por termografía. Posteriormente, un clasificador de máquina de soporte vectorial (SVM, por sus siglas en inglés) entrena el modelo utilizando un enfoque de validación cruzada de cinco pliegues. Este modelo clasifica los paneles solares en tres categorías: saludables, con puntos calientes (*hotspots*) y defectuosos.

El método fue probado en un sistema fotovoltaico de 44.24 kW ubicado en Lahore, Pakistán. Este sistema, compuesto por 376 módulos de silicio cristalino (c-Si) de 240 W cada uno, opera en condiciones ambientales con temperaturas entre 32 °C y 40 °C, velocidades de viento de 6.9 m/s y niveles de irradiancia de 700 W/m². Los resultados obtenidos fueron impresionantes, con valores de precisión del 92%, 100% y 100%, y puntuaciones F1 de 0.958, 1.0 y 0.947 para las categorías defectuoso, saludable y con puntos calientes, respectivamente.

En comparación con otros enfoques de inteligencia artificial, solo el método RB basado en transformadas de características invariantes a escala logró un rendimiento ligeramente superior (98.66%). Otros métodos, como SURF (97.6%), redes neuronales profundas preentrenadas (97%) y técnicas basadas en texturas o características HOG, obtuvieron resultados inferiores.

El Dr. Ahmed presentó estos hallazgos en su artículo titulado *“Enhancing solar PV reliability with hybrid local features and infrared thermography”*, publicado recientemente en *Energy Reports*. Este avance representa un paso significativo hacia la mejora de la confiabilidad de los sistemas fotovoltaicos, ofreciendo una herramienta eficiente para identificar y abordar problemas en los paneles solares.

Fuente: https://www.pv-magazine.com/2024/12/20/scientist-develops-machine-learning-method-to-identify-faulty-solar-panels/