Método de detección de fallos fotovoltaicos basado en el aprendizaje profundo de imágenes aéreas

Concebido por un grupo de investigación internacional, el modelo propuesto utiliza la arquitectura de red neuronal convolucional (CNN) U-Net para la segmentación de imágenes y la arquitectura CNN InceptionV3-Net para la clasificación de fallos.

octubre 16, 2024 Lior Kahana

Imagen: Wikideas1, Wikimedia Commons

Un equipo internacional de investigación ha desarrollado un novedoso método de detección de fallos fotovoltaicos basado en el aprendizaje profundo de imágenes aéreas.

La metodología propuesta utiliza la arquitectura de red neuronal convolucional (CNN, por sus iniciales en inglés) U-Net para la segmentación de imágenes y, a continuación, aplica la arquitectura CNN InceptionV3-Net para la clasificación de fallos.

«La presencia de polvo, nieve, excrementos de pájaros y otros problemas físicos y eléctricos en las superficies de los paneles solares puede provocar pérdidas de energía», afirman los académicos. «Nunca se insistirá lo suficiente en la necesidad de contar con protocolos eficaces de supervisión y limpieza en los sistemas de energía solar. Basándonos en ese propósito, hemos seleccionado temas de investigación para mejorar las tareas de procesamiento y clasificación de imágenes relacionadas con diversos tipos de daños en los paneles solares».

Para el paso de segmentación del modelo, el grupo utilizó una base de datos anotada disponible públicamente de 4.616 imágenes. Las imágenes aéreas se dividieron en seis categorías: tierras de cultivo, praderas, salino-alcalinas, arbustos, superficies de agua y tejados. La base de datos se dividió en una proporción de 60%-20%-20% para la formación, la validación y la prueba, respectivamente.

Otra base de datos con 885 imágenes se dividió en la misma proporción para la clasificación de fallos. El conjunto de datos comprende seis categorías de problemas fotovoltaicos: limpio, polvoriento, caída de pájaros, daños eléctricos, daños físicos y cubierto de nieve. Aparte del modelo InceptionV3-Net -que aplica la base InceptionV3 con ponderaciones de ImageNet-, los investigadores también probaron otros modelos de clasificación para compresión. Se trata de Dense-Net, MobileNetV3, VGG19, CNN, VGG16, Resnet50 e InceptionV3.

«Inicialmente, las imágenes aéreas de satélite se procesan utilizando la arquitectura del modelo U-net con una forma de entrada de 256X256X3, pasando por tres etapas: decodificación de la entrada, combinación de codificación y decodificación, y generación de la salida», explicó el grupo.

También subrayó que la arquitectura InceptionV3-Net utiliza la base InceptionV3 con pesos de ImageNet, mejorada con capas convolucionales, bloques de compresión y excitación (SE), conexiones residuales y agrupación de promedios globales. El modelo incluye dos capas densas con LeakyReLU y normalización por lotes, y termina con una capa de salida Soft-Max. También utiliza técnicas de aumento de datos como ajustes de rotación, desplazamiento, cizallamiento, zoom y brillo.

«El modelo se entrena utilizando el optimizador Adam con una tasa de aprendizaje de 0,0001 y una pérdida de entropía cruzada categórica», añaden.

Su análisis demostró que la InceptionV3-Net propuesta alcanzó una precisión de validación del 98,34% y una puntuación F1 -que representa el equilibrio entre precisión y recuperación- del 0,99%. En comparación, la precisión de validación de los modelos de la competencia oscilaba entre el 20,9% y el 89,87% y la F1 entre el 0,21 y el 0,92%.

Los resultados de las pruebas también mostraron que la red InceptionV3-Net propuesta alcanzó una precisión de validación del 94,35% y una puntuación F1 de 0,94. Esto se compara con la precisión de validación de los modelos de la competencia. Esto se compara con la precisión de validación en el rango de 21%-90,19% y F1 de 0,19-0,91 en los modelos competidores.

Los investigadores concluyen que «los trabajos futuros podrían abordar varios ámbitos abiertos para seguir mejorando las capacidades del modelo InceptionV3-Net». «La aplicación del modelo a otros sistemas de energías renovables, como aerogeneradores o centrales hidroeléctricas, pondría a prueba su versatilidad. Una mayor optimización del modelo para la detección de fallos en tiempo real podría perfilarse como trabajo futuro para mejorar su utilidad práctica».

El novedoso método se presentó en «SPF-Net: Solar panel fault detection using U-Net based deep learning image classification» (SPF-Net: Detección de fallas en paneles solares mediante clasificación de imágenes con aprendizaje profundo basada en U-Net), publicado en Energy Reports. El estudio lo ha llevado a cabo un equipo de científicos de la American International University-Bangladesh de Bangladesh, la Universidad Rey Saud de Arabia Saudí y el Instituto de Tecnología GMR de la India.

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.