Innovador modelo automatizado detecta nieve en paneles solares y optimiza la producción de energía en tiempo real

Investigadores de la Universidad de Waterloo en Canadá han desarrollado un innovador modelo automatizado que permite detectar en tiempo real la cobertura de nieve en paneles solares y estimar la pérdida de energía asociada. Este avance, que combina técnicas de procesamiento de imágenes y aprendizaje profundo, utiliza una red neuronal convolucional (CNN, por sus siglas en inglés) y una serie de imágenes en timelapse para identificar las áreas de los paneles cubiertas de nieve en comparación con las que están limpias.

En climas fríos, donde la nieve puede permanecer sobre los paneles durante días o incluso semanas, la pérdida de energía puede alcanzar hasta un 34%. Por ello, la detección oportuna de la nieve es esencial para maximizar la producción de energía de los sistemas fotovoltaicos y minimizar las pérdidas. Además, la detección automática de nieve no solo ayuda a optimizar la generación de energía, sino que también contribuye a mantener la integridad de los paneles solares y garantizar un suministro de energía estable.

El método propuesto por los investigadores se desarrolla en cinco etapas. Primero, se recopila un conjunto de 250 imágenes que muestran paneles solares en distintos entornos. Luego, estas imágenes se procesan mediante diversas técnicas de transformación de imágenes para ampliar el conjunto de datos a 800 imágenes. En esta fase, el equipo de investigación crea manualmente una máscara binaria en blanco y negro para cada imagen, donde los píxeles blancos representan los paneles solares y los píxeles negros el fondo.

En la siguiente etapa, todas las imágenes y sus respectivas máscaras se introducen en una red neuronal convolucional U-Net, diseñada específicamente para tareas de segmentación de imágenes. El modelo analiza el conjunto de datos para identificar los paneles solares y compara sus resultados con las máscaras preexistentes, ajustando sus predicciones en caso de errores.

Posteriormente, el modelo se valida comparándolo con datos reales. Finalmente, se estima la pérdida de energía debido a la acumulación de nieve, basándose en las diferencias en la cobertura de los píxeles blancos entre la imagen actual y una imagen de referencia sin nieve. Para calcular la pérdida de energía, se utiliza un modelo matemático previamente establecido en la literatura científica.

Uno de los desafíos que enfrentó el equipo fue la presencia de nieve en el fondo de las imágenes, lo que podría generar confusión al intentar determinar si la nieve estaba sobre los paneles o no. Para superar este obstáculo, se utilizó una imagen de referencia tomada antes de la nevada, desde la misma distancia y ángulo que las imágenes de prueba, y con configuraciones de cámara uniformes para reducir las discrepancias.

El nuevo método fue evaluado utilizando seis imágenes inéditas que no formaban parte del conjunto de entrenamiento del modelo. Los resultados mostraron que el sistema logró un error medio del 2,88% y un coeficiente de Dice de 0,91, una métrica que compara la similitud entre las regiones predichas y las reales. En comparación, otros métodos populares de segmentación de imágenes, como la detección de bordes de Canny, la segmentación basada en K-Means y el umbral de imágenes, obtuvieron coeficientes de Dice significativamente más bajos.

Además, el modelo pudo predecir de manera confiable las pérdidas de energía debido a la acumulación de nieve, con un error medio de 0,05 kWh/m²/mes. En un sistema fotovoltaico de gran tamaño que cubría un área de 117 m², la pérdida máxima de energía estimada fue de 0,23 kWh. El análisis también mostró que la eliminación oportuna de la nieve podría ahorrar hasta 0,13 kWh/m².

Este avance fue detallado en el artículo titulado «Utilización del aprendizaje profundo para la detección en tiempo real de la cobertura de nieve y la estimación de la pérdida de energía en módulos solares», publicado en la revista *Applied Energy*.

Fuente: https://www.pv-magazine.com/2024/09/02/deep-learning-tech-detects-snow-coverage-on-pv-systems-calculates-energy-loss/