Innovador sistema de detección de fallos en paneles solares con inteligencia artificial y drones revoluciona la eficiencia energética

Un equipo internacional de investigadores ha desarrollado un innovador método para la detección de fallos en paneles solares utilizando imágenes aéreas y técnicas de aprendizaje profundo. Este enfoque combina dos arquitecturas avanzadas de redes neuronales convolucionales (CNN): U-Net, para la segmentación de imágenes, e InceptionV3-Net, para la clasificación de fallos.

Según los investigadores, la presencia de polvo, nieve, excrementos de aves y otros problemas físicos o eléctricos en la superficie de los paneles solares puede reducir significativamente la eficiencia energética. Por ello, es crucial contar con sistemas de monitoreo y limpieza eficientes en las instalaciones de energía solar. Con este objetivo en mente, el equipo de investigación se centró en mejorar las tareas de procesamiento y clasificación de imágenes para detectar distintos tipos de daños en los paneles.

El proceso comienza con la segmentación de imágenes aéreas utilizando la arquitectura U-Net, que permite identificar y separar distintas áreas de interés en las imágenes. Para este paso, los investigadores utilizaron una base de datos pública con 4,616 imágenes anotadas, que fueron clasificadas en seis categorías: tierras de cultivo, pastizales, suelos salinos, matorrales, superficies de agua y tejados. El conjunto de datos se dividió en un 60% para entrenamiento, 20% para validación y 20% para pruebas.

Posteriormente, para la clasificación de fallos en los paneles solares, se empleó una segunda base de datos con 885 imágenes, que también se dividió en la misma proporción para entrenamiento, validación y pruebas. Estas imágenes se agruparon en seis categorías de fallos: paneles limpios, con polvo, con excrementos de aves, con daños eléctricos, con daños físicos y cubiertos de nieve.

El modelo InceptionV3-Net, que se basa en la arquitectura InceptionV3 preentrenada con pesos de ImageNet, fue el principal enfoque para la clasificación de fallos. Además, los investigadores probaron otros modelos de clasificación como DenseNet, MobileNetV3, VGG19, VGG16, ResNet50 y CNN. Sin embargo, InceptionV3-Net destacó por su rendimiento superior.

El modelo U-Net utilizado para la segmentación de imágenes tiene una entrada de 256x256x3 y pasa por tres etapas: decodificación de la entrada, combinación de codificación y decodificación, y generación de la salida. Por su parte, InceptionV3-Net se mejoró con capas convolucionales adicionales, bloques de Squeeze-and-Excitation (SE), conexiones residuales y una capa de pooling global promedio. El modelo incluye dos capas densas con la función de activación LeakyReLU y normalización por lotes, finalizando con una capa de salida SoftMax. Además, se aplicaron técnicas de aumento de datos, como rotación, desplazamiento, cizalladura, zoom y ajustes de brillo.

El entrenamiento del modelo se realizó utilizando el optimizador Adam con una tasa de aprendizaje de 0.0001 y una función de pérdida de entropía cruzada categórica. Los resultados mostraron que InceptionV3-Net alcanzó una precisión de validación del 98.34% y una puntuación F1 de 0.99, superando a otros modelos que lograron precisiones entre el 20.9% y el 89.87%, y puntuaciones F1 entre 0.21 y 0.92.

En las pruebas, InceptionV3-Net también mostró un rendimiento destacado, con una precisión de validación del 94.35% y una puntuación F1 de 0.94, en comparación con otros modelos que obtuvieron precisiones entre el 21% y el 90.19%, y puntuaciones F1 entre 0.19 y 0.91.

El equipo de investigación, compuesto por científicos de la American International University-Bangladesh, la Universidad King Saud de Arabia Saudita y el Instituto de Tecnología GMR de India, destacó que este método podría aplicarse en el futuro a otros sistemas de energía renovable, como turbinas eólicas o plantas hidroeléctricas. Además, sugirieron que la optimización del modelo para la detección de fallos en tiempo real es una posible área de mejora que aumentaría su utilidad práctica.

El estudio fue publicado en la revista *Energy Reports* bajo el título «SPF-Net: Solar panel fault detection using U-Net based deep learning image classification».

Fuente: https://www.pv-magazine.com/2024/10/16/pv-fault-detection-method-based-on-deep-learning-of-aerial-images/