Un equipo de investigación chino ha desarrollado un novedoso método de detección de sombras en tiempo real para módulos fotovoltaicos. Utiliza visión por ordenador para la tarea, con técnicas que mejoran la información de la alimentación en directo para identificar la sombra en condiciones de iluminación cambiantes.
«Este método tiene un importante valor de referencia para la supervisión de sombras de grandes conjuntos fotovoltaicos. Proporciona nuevos medios técnicos para un funcionamiento y mantenimiento inteligentes y precisos de los sistemas fotovoltaicos», afirman los investigadores. «Creemos que este trabajo puede monitorizar potencialmente la sombra de los generadores fotovoltaicos en tiempo real, y esperamos seguir investigando para ampliarlo a más escenarios de aplicación».
Partiendo de un vídeo en directo, el novedoso método analiza cada fotograma, extrayendo primero la superficie del módulo fotovoltaico. A continuación, para abordar el problema de la variación de la iluminación, la técnica utiliza la transformación gamma, que es un método de visión por ordenador basado en un algoritmo que corrige el brillo de la imagen sin referencias.
En el siguiente paso, el contraste de la imagen se mejora con la correspondencia de histogramas, otra técnica de visión por ordenador que aclara una imagen observando el histograma de una imagen de referencia. A continuación, utiliza el corte de nivel de gris para segmentar la parte sombreada de los módulos fotovoltaicos, a partir de la cual se obtiene la salida de sombra real.
Rendimiento de la detección de sombras
Imagen: Northeast Agricultural University, Scientific Reports, CC BY 4.0
«Para simular mejor el entorno de trabajo real, el experimento de validación de este artículo se diseñó como una cámara de posición fija, con el entorno alrededor del módulo fotovoltaico», explica el grupo. «El dispositivo de captura de imágenes consta de un soporte mecánico, una cámara con una frecuencia de imagen de 30 FPS y un dispositivo de ajuste. El módulo fotovoltaico consta de 36 células solares de 220 mm x 770 mm, dispuestas en 4 columnas y 9 filas, pegadas sobre la lámina posterior blanca y cubiertas con vidrio templado».
El montaje experimental se ubicó en Harbin (China) durante todo el mes de agosto de 2023 y capturó 90 vídeos de una hora cada uno. En total, se tomaron 4.815 minutos de vídeo, que representaban diferentes condiciones de iluminación y niveles de oclusión. Aproximadamente la mitad del tiempo grabado se utilizó para analizar y entrenar el modelo, mientras que el resto se empleó para probarlo. También se comparó con otros cuatro modelos de detección de sombras, a saber, el de detección de bordes de Canny, el de umbralización multinivel, el de bosque aleatorio y el de red neuronal convolucional (CNN, por sus iniciales en inglés).
«La precisión media de reconocimiento (ACC) de este método se verifica que es de 0,98 por el conjunto de prueba, que es superior al método de reconocimiento de detección de bordes Canny existente», muestran los resultados. «Los valores F0,5 y F2 del método son 0,87 y 0,85, respectivamente, lo que es bueno en términos de precisión y recuerdo. Además, el tiempo medio que necesita el método para procesar un fotograma de imagen es de 0,721 s, lo que supone un buen rendimiento en tiempo real».
En cuanto a la compresión, el método Canny tuvo un ACC de 0,95, F0,5 de 0,76 y F2 de 0,79, y un tiempo de procesamiento de fotogramas de 0,684 s. El umbral multinivel obtuvo un ACC de 0,94, F0,5 de 0,75 y F2 de 0,77, y un tiempo de procesamiento de fotogramas de 0. 934 s, mientras que el bosque aleatorio tuvo un ACC de 0,89, F0,5 de 0,31 y F2 de 0,35, y un tiempo de procesamiento de fotogramas de 1,067 s. Por último, la CNN tuvo un ACC de 0,82, F0,5 de 0,38 y F2 de 0,62, y un tiempo de procesamiento de fotogramas de 0,603 s.
Sus hallazgos se presentaron en «The real‑time shadow detection of the PV module by computer vision based on histogram matching and gamma transformation method» (La detección de sombras en tiempo real del módulo fotovoltaico mediante visión por ordenador basada en la correspondencia de histogramas y el método de transformación gamma), publicado en Scientific Reports. El equipo de investigación estaba formado por académicos de la Universidad Agrícola del Nordeste de China y la Universidad de Shenzhen.
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.