Un grupo internacional de científicos ha desarrollado un novedoso método de detección de polvo para sistemas fotovoltaicos. La nueva técnica se basa en el aprendizaje profundo y utiliza una versión mejorada del algoritmo de optimización de estimación de momento adaptativo (Adam), que se utiliza habitualmente para entrenar redes.
«El algoritmo Adam combina las ventajas de los métodos de descenso de gradiente y de momento, con el objetivo de ajustar de forma adaptativa la tasa de aprendizaje», explican los científicos. «Sin embargo, el algoritmo Adam se enfrenta ocasionalmente a problemas como la caída en óptimos locales y la alta complejidad computacional».
Para superar esos problemas, los académicos propusieron integrar en el algoritmo las estrategias Warmup y cosine annealing. La técnica Warmup utiliza una tasa de aprendizaje pequeña en las primeras fases del entrenamiento, para ir aumentándola gradualmente. «Esto ayuda al modelo a explorar mejor el espacio de parámetros en las primeras fases del entrenamiento, evitando problemas de oscilación o divergencia causados por una tasa de aprendizaje excesiva», añaden.
La estrategia de cosine annealing, por su parte, hace que la tasa de aprendizaje cambie periódicamente entre las tasas de aprendizaje máxima y mínima, según la curva de recocido de la función coseno. «Esta estrategia ayuda a evitar el problema de oscilación causado por la rápida velocidad de descenso del gradiente, mejorando así la estabilidad del entrenamiento y el rendimiento de generalización del modelo», explicaron los investigadores.
Los algoritmos
Para probar el algoritmo Adam, el grupo obtuvo un conjunto de datos de imágenes de módulos fotovoltaicos, algunas de ellas limpias y otras con polvo. El conjunto de datos contenía 3.260 imágenes y se dividió en conjuntos de entrenamiento, validación y prueba en una proporción de 7:2:1.
Los investigadores probaron el algoritmo con una arquitectura de red neuronal especial conocida como ResNet-18 y compararon su rendimiento con el de otros cinco algoritmos de aprendizaje. Comprobaron que el algoritmo propuesto alcanzaba resultados competitivos, con una precisión del 72,45% y una pérdida de 0,5301.
A modo de comparación, el algoritmo denominado Nadam (Nesterov-accelerated Adaptive Moment Estimation) alcanzó una precisión del 74,08% y una pérdida de 0,7961; el algoritmo Adam no optimizado logró un 71,13% de precisión y 0,7718 de pérdida, mientras que el algoritmo de descenso por gradiente estocástico (SGD) alcanzó un 69,43% y 1,4246, respectivamente. El algoritmo Adagrad, por su parte, logró un 73,77% de precisión y 0,5202 de pérdida en la fase de entrenamiento, mientras que el algoritmo RMSprop alcanzó un 72,01% y 0,7773, respectivamente.
Diferentes arquitecturas
«Nuestro algoritmo mejorado propuesto logró el mejor rendimiento bajo el uso de GPU, lo que indica que el algoritmo mejorado requiere menos recursos para completar la misma tarea de entrenamiento», afirman. «Además, se han obtenido buenos resultados en términos de tiempo de entrenamiento».
El grupo también probó el algoritmo Adam mejorado en diferentes arquitecturas de red neuronal, a saber, ResNet-18, VGG-16 y MobileNetV2. Comprobaron que ResNet-18 mostraba una precisión del 95,12% y una pérdida de 0,14083; VGG-16 alcanzaba el 61,21% y 0,6741, mientras que MobileNetV2 rendía con un 99,43% y 0,0252, respectivamente. Comparativamente, el algoritmo Adam no optimizado tuvo una precisión del 93,38% y una pérdida de 0,1932 en la arquitectura ResNet-18, del 60,05% y 0,6811 en VGG-16, y del 98,08% y 0,0248 en MobileNetV2.
«El algoritmo mejorado propuesto en este artículo ha mejorado significativamente la eficiencia de la detección de polvo en la superficie de los paneles fotovoltaicos en comparación con el algoritmo Adam, y es adecuado para la detección de polvo en la superficie de los paneles fotovoltaicos en varias grandes centrales fotovoltaicas», concluyeron.
Sus resultados se presentaron en el estudio «A new dust detection method for photovoltaic panel surface based on Pytorch and its economic benefit analysis» (Un nuevo método de detección de polvo para la superficie de paneles fotovoltaicos basado en Pytorch y su análisis de beneficios económicos), publicado en Energy and AI. El grupo estaba formado por académicos de la Universidad de Shenyang y la Universidad Tecnológica de Shenyang, en China, y de la Universidad de Surrey, en el Reino Unido.
Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.