Innovador método chino revoluciona el diagnóstico de fallos en paneles solares con IA avanzada

Investigadores de la Universidad de Shandong en China han desarrollado un método innovador para el diagnóstico de fallos en arreglos fotovoltaicos (PV), combinando ingeniería de características y redes neuronales convolucionales unidimensionales (1D-CNN). Este enfoque se destaca por su capacidad para normalizar las entradas de datos, haciéndolas independientes del tamaño o la disposición del sistema, lo que mejora la generalización del modelo en datos limpios o ruidosos.

El equipo creó un conjunto de datos utilizando un arreglo PV simulado en MATLAB/Simulink, compuesto por 20 módulos organizados en cuatro cadenas paralelas. Se evaluaron seis escenarios, uno de operación regular y cinco con fallos: cortocircuito, fallo de arco, condición de sombreado parcial, circuito abierto y degradación. Con variaciones de irradiancia, temperatura y resistencia, se generaron 16,200 muestras de curvas I-V.

La técnica de normalización de características desarrollada por los investigadores ajusta datos eléctricos crudos a porcentajes, indicando la pérdida de rendimiento. Estos datos procesados se introdujeron en un 1D-CNN, utilizando el algoritmo de optimización Adam. El modelo fue entrenado con el 80% de los datos y probado con el 20% restante.

El método fue evaluado en condiciones de datos limpios y ruidosos, añadiendo ruido gaussiano, y se probó con diferentes tamaños de arreglos y topologías, como serie-paralelo (SP), total-cruzado (TCT), panal (HC) y puente-enlazado (BL). Comparado con otros modelos de inteligencia artificial, el método mostró una precisión superior al 99% en entornos limpios y ruidosos.

Los resultados destacan la robustez del modelo, alcanzando una precisión del 99.90% en topologías HC y más del 99.63% en TCT y BL. Este avance, publicado en la revista International Journal of Electrical Power & Energy Systems, subraya la importancia de las características normalizadas para optimizar el rendimiento del modelo y mejorar su adaptabilidad.

Fuente: https://www.pv-magazine.com/2025/07/31/pv-module-fault-diagnosis-tech-based-on-one-dimensional-convolutional-neural-network/