Científicos indios desarrollan una técnica de detección de fallos en módulos fotovoltaicos con una precisión del 98.76%

Un equipo de científicos de la India ha desarrollado una novedosa técnica para detectar fallos en las cadenas de módulos fotovoltaicos (PV) utilizando una red neuronal multicapa (MLNN). Esta técnica de aprendizaje automático es capaz de manejar relaciones complejas aprendiendo sus representaciones jerárquicas.

Los académicos explican que con esta técnica se pueden detectar, clasificar y localizar fallos de línea a tierra (L-G) y de línea a línea (L-L). La ventaja de la técnica MLNN propuesta es que sólo requiere la instalación de un sensor de corriente para cada cadena. Sin embargo, tiene la capacidad de identificar problemas en matrices fotovoltaicas de cualquier tamaño o grado de desajuste.

Para entrenar esta técnica de detección de fallos, el grupo de investigación utilizó conjuntos de datos variados y bajo diferentes condiciones ambientales. Se consideraron parámetros como la temperatura, la irradiación y la potencia máxima.

«En el caso de los problemas de clasificación no lineal, se implementan redes neuronales profundas de múltiples clases en el proceso de extracción», explicaron los académicos. «El perceptrón multicapa entra en la disposición no lineal, es decir, los datos complejos no lineales son aceptables para el proceso de cálculo. Cada capa está interconectada con unidades ocultas existentes. Cada unidad oculta procesa los pesos con la ayuda de la función de sesgo».

Para probar el método de detección MLNN para fallos en las cadenas PV, los investigadores simularon una matriz solar de 22.5 kW compuesta por cuatro cadenas paralelas y 10 módulos en serie. En la simulación, obtuvieron información sobre cuándo la corriente caía a cero y las diferencias en la corriente en los módulos superiores e inferiores de cada cadena. Estas medidas se procesaron en fallos y discrepancias y se compararon con las presentadas por el modelo de detección.

Según los investigadores, la MLNN propuesta logró una precisión del 98.76% para detectar fallos L-L, L-G y de diodo de bypass. Esto se compara con una precisión del 96.5% lograda por la red neuronal probabilística (PNN), 92.1% por las funciones de base radial (RBF), y 90% por la red neuronal convolucional (CNN), según se cita en la literatura científica previa.

«La técnica MLNN propuesta puede resolver cualquier cálculo complejo no lineal, manejar una gran cantidad de datos de paneles defectuosos y predecir rápidamente el fallo», concluyeron los investigadores.

Estos hallazgos fueron presentados en «Optimización de fallos en cadenas fotovoltaicas utilizando la técnica de red neuronal multicapa», publicado en Results in Engineering. El equipo de investigación estuvo compuesto por académicos del Marri Laxman Reddy Institute of Technology and Management, el National Institute of Technology Andhra Pradesh y el CVR College of Engineering.

Fuente: https://www.pv-magazine.com/2024/05/29/pv-string-fault-detection-technique-based-on-multi-layer-neural-network/