Sistema de bajo costo basado en inteligencia artificial revoluciona la detección temprana de fallos en paneles solares

Un equipo de investigadores liderado por la Universidad de Toulouse en Francia ha desarrollado un innovador sistema para la detección de «snail trails» en paneles solares, utilizando un enfoque de aprendizaje automático de bajo costo. Este método, denominado ELDIAG, emplea un marco de aprendizaje en conjunto (ensemble learning) que no requiere más que un optimizador comercialmente disponible, lo que lo convierte en una solución económica y escalable para la industria fotovoltaica.

Los «snail trails», o «rastros de caracol», son líneas de decoloración local que aparecen en los paneles solares tras un uso prolongado. Aunque estos rastros no afectan significativamente el rendimiento del panel, son un indicio de problemas más graves como microfisuras y delaminación, que pueden llegar a provocar incendios en los paneles. Detectar estos defectos, que a menudo son casi imperceptibles, representa un desafío considerable para la industria.

El sistema ELDIAG fue probado en una cadena de 16 paneles fotovoltaicos con potencias que oscilaban entre 205 W y 240 W. De estos, ocho paneles fueron utilizados para el entrenamiento del modelo y los otros ocho para la validación. En cada grupo, la mitad de los paneles estaban en buen estado, mientras que la otra mitad presentaba los mencionados «snail trails». Un optimizador Tigo fue el encargado de extraer 25 parámetros de cada panel.

Para mejorar la eficiencia del algoritmo, los científicos emplearon dos técnicas de reducción de dimensionalidad: el Análisis de Componentes Principales (PCA) y el Mapeo Isométrico (Isomap). Estas técnicas redujeron el número de variables de entrada de 25 a solo tres, permitiendo que el algoritmo procesara los datos de manera más eficiente.

El marco de aprendizaje en conjunto utilizado por ELDIAG combina tres métodos de aprendizaje profundo: K-nearest neighbors (KNN), máquinas de soporte vectorial (SVM) y árboles de decisión (DT). El sistema toma una decisión final mediante una votación mayoritaria, en la que al menos dos de los tres algoritmos deben identificar un panel como defectuoso para que el sistema lo clasifique como tal.

Las pruebas se realizaron en cuatro días diferentes de 2020, cada uno representando una estación del año, y se tomaron mediciones en diferentes momentos del día. Los resultados mostraron que el enfoque basado en PCA alcanzó una precisión de entre el 79% y el 89%, superando al método basado en Isomap, que obtuvo una precisión de entre el 70% y el 80%.

Aunque la precisión de ELDIAG no alcanza los niveles de los métodos basados en imágenes, los investigadores destacan varias ventajas clave. En primer lugar, su enfoque es robusto bajo diferentes condiciones de irradiación y requiere solo una señal de corriente por panel, lo que reduce significativamente la cantidad de muestras necesarias. Además, no requiere instalaciones adicionales, lo que lo convierte en una solución económicamente viable y escalable a nivel industrial. Al operar con señales eléctricas, ELDIAG es capaz de detectar una amplia gama de fallos, superando las limitaciones de los enfoques basados en imágenes.

Este avance fue presentado en el artículo titulado «An ensemble learning framework for snail trail fault detection and diagnosis in photovoltaic modules», publicado en la revista *Engineering Applications of Artificial Intelligence*. La investigación fue realizada en colaboración con la empresa francesa de equipos fotovoltaicos Feedgy.

Este desarrollo representa un paso importante hacia la detección temprana y económica de fallos en paneles solares, lo que podría contribuir significativamente a la mejora de la durabilidad y seguridad de las instalaciones fotovoltaicas.

Fuente: https://www.pv-magazine.com/2024/09/04/low-cost-machine-learning-framework-for-snail-trail-detection-in-pv-panels/