PROYECTO FIN DE CARRERA

Presentado a

LA UNIVERSIDAD DE LOS ANDES

FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

Para obtener el título de

INGENIERO ELÉCTRICO

por

Alejandro Andrés Rico Espinosa

Metodología de auditoría y optimización de la eficiencia de granja solar

mediante tratamiento de imagen

Sustentado el 9 de diciembre del 2019

- Asesor: Michael Bressan, Profesor Asociado, Universidad de Los Andes

Contenido
1 INTRODUCCIÓN............................................................................................................. 3
2 OBJETIVOS ..................................................................................................................... 5
2.1 Objetivo General ................................................................................................... 5
2.2 Objetivos Específicos ............................................................................................ 5
2.3 Alcance y productos finales .................................................................................. 5
3 DESCRIPCIÓN DE LA PROBLEMÁTICA Y JUSTIFICACIÓN DEL TRABAJO ......................... 5
4 MARCO TEÓRICO, CONCEPTUAL E HISTÓRICO ............................................................. 6
4.1 Marco Teórico ....................................................................................................... 6
4.2 Marco Conceptual ............................................................................................... 12
4.3 Marco Histórico................................................................................................... 14
5 DEFINICION Y ESPECIFICACION DEL TRABAJO ............................................................ 16
5.1 Definición ............................................................................................................ 16
5.2 Especificaciones .................................................................................................. 16
6 METODOLOGÍA DEL TRABAJO..................................................................................... 16
6.1 Plan de trabajo .................................................................................................... 16
6.2 Fuentes ................................................................................................................ 17
6.3 Alternativas de desarrollo ................................................................................... 17
7 TRABAJO REALIZADO .................................................................................................. 20
7.1 Descripción del Resultado Final .......................................................................... 20
7.2 Resultados ........................................................................................................... 24
8 VALIDACIÓN DEL TRABAJO ......................................................................................... 25
8.1 Discusión de los resultados ................................................................................. 25
8.2 Evaluación y Mejoras .......................................................................................... 27
9 CONCLUSIONES ........................................................................................................... 28
10 REFERENCIAS ........................................................................................................... 28
11 ANEXOS ................................................................................................................... 31
 2

Lista de Figuras
Figura 1. Equivalente Panel Fotovoltaico. Obtenida de [5] .................................................. 6
Figura 2. Curvas características P-V con temperatura constante variando irradiación.
Obtenida de [5] ..................................................................................................................... 7
Figura 3. Curva característica I-V con irradiación constante variando temperatura. Obtenida
de [5] ..................................................................................................................................... 7
Figura 4. Representación del convertidor tipo Boost ........................................................... 8
Figura 5. Tipos de fallas. Obtenida de [3] ............................................................................. 9
Figura 6. Curvas I-V de las distintas fallas. Obtenida de [3]................................................ 10
Figura 7. Convolución Imagen 5x5 con filtro 3x3. Tomado de [17] .................................... 11
Figura 8. Max Pooling 2x2. Tomado de [17] ....................................................................... 11
Figura 9. Topología CNN tipo MNIST. Tomada de [17] ....................................................... 12
Figura 10. Matrices Confusión SVM vs CNN ....................................................................... 15
Figura 11. Original junto con labels vs Resultado YOLO ..................................................... 19
Figura 12. Metodología Empleada ...................................................................................... 20
Figura 13. Segmentación 1 .................................................................................................. 21
Figura 14. Segmentación 2 .................................................................................................. 21
Figura 15. Segmentación 3 .................................................................................................. 22
Figura 16. Ejemplo Entrenamiento MNIST ......................................................................... 23
Figura 17. Ejemplo Entrenamiento MNIST ......................................................................... 23
Figura 18. Ejemplo Entrenamiento MNIST ......................................................................... 24

Lista de Tablas
Tabla 1. Aspectos de la norma IEC 61724 ........................................................................... 13
Tabla 2. Matriz de confusión 2 clases Dataset sin balancear ............................................. 25
Tabla 3. Matriz de confusión 2 clases Dataset Balanceado ................................................ 25
Tabla 4. Matriz de confusión 4 clases Dataset Balanceado ................................................ 25
 3

1 INTRODUCCIÓN

Durante los últimos años el sector eléctrico ha variado en diversos aspectos, tanto
estructurales como tecnológicos, lo cual incluye el paso de una gama de energías
alternativas no convencionales alrededor del mundo. Tras los compromisos adquiridos
por Colombia a través del estatuto de IRENA (Agencia Internacional de Energías
Renovables) mediante la ley 1665 del 2013 para reducción de emisiones de gases y
gestión eficiente de la energía, se establece la ley 1715 en el 2014. Esta regula la
integración de energías no convencionales al sistema energético nacional, brindando
incluso algunos beneficios arancelarios y tributarios para fomentar el uso de estas
tecnologías [1].

De lo anterior, se destaca el gran impacto de la energía solar, la cual incrementó su

capacidad instalada entre 2010 a 2018 de 39.603MW a 480.357MW a nivel mundial.
Solo en Colombia entre 2016 al 2018 incrementó la capacidad instalada de 1,66MW a
86,52MW [3]. Dando entrada a la primera granja solar en la vía antigua Cali - Yumbo,
conectada al sistema interconectado nacional, aunque no siendo el único prospecto
de esta tecnología.

Por otra parte, la reducción de costos en cuanto a la tecnología de paneles

fotovoltaicos que se ha ido presentando en los último años, fomenta el uso de la
energía solar en el mercado, logrando mayor competitividad.

Sin embargo, esta tecnología no está exenta de fallas, que se pueden presentar por
múltiples factores como el clima, la degradación y envejecimientos de los
componentes del sistema, un MPPT desbalanceado, entre otras.

Estas fallas pueden ser irreversibles (como en el caso de fisuras en el panel) o

temporales. No obstante, ambas afectan el rendimiento del sistema, y estas se pueden
ver reflejadas en las curvas de I-V y P-V. Dado que la eficiencia típica de un panel solar
se encuentra entre 15% y 20%, cualquier pérdida en el sistema es significativa y
requiere prestarle atención [4].

Diversos métodos, prácticas sugeridas y regulaciones se han implementado respecto

a estos problemas para lograr identificarlos, tales como esquemas de conexión,
comparación de valores teóricos con reales y mediciones en tiempo real. Sin embargo,
algunos de estos métodos son complicados o poco convenientes ya que se deben
realizar en campo mediante ayuda de sensores. Por otro lado, algunas prácticas son
imprecisas ya que depende de diversos factores ambientales o posicionamiento de
equipos para la medición.

Problemas físicos como la sombras, opacidad y polvo pueden no llegar a ser

identificados con facilidad, incluso al realizar una auditoría. Así entonces el proyecto
 4

pretende proponer una metodología de auditoría para una granja solar, que permita
identificar fallas y problemas físicos de manera más conveniente, para de esta forma
optimizar la eficiencia de la granja solar. Por lo anterior se pretende utilizar análisis de
imagen junto con técnicas como convolución de filtrado, redes neuronales y esquemas
probabilísticos para aproximar una solución al problema.
 Metodología de auditoría y optimización de la 5
eficiencia de granja solar mediante tratamiento
de imagen

2 OBJETIVOS

2.1 Objetivo General

Proponer una metodología para la auditoría y optimización de la eficiencia de una granja
solar mediante tratamiento de imagen.

2.2 Objetivos Específicos

• Realizar un estudio de estado del arte que permita la obtención de información y
habilidades computacionales para lograr implementar un algoritmo que identifique
un arreglo de paneles dentro de una granja solar.
• Realizar base de conocimientos de posibles fallas en una granja solar y propuesta de
la metodología de auditoría.
• Identificar problemas internos y externos sin necesidad de medir cada uno de los
factores físicamente (sombra, opacidad, celdas dañadas, calentamientos, etc)
• Desarrollo de un método de detección e identificación de posibles fallas
identificadas por medio de tratamiento de imagen.
• Pruebas y validación del método diseñado por tratamiento de imagen

2.3 Alcance y productos finales

Durante el proyecto se busco evaluar en todo momento la forma de brindar mayor
cantidad de herramientas para la realización de una auditoría. Lo anterior, mediante el
análisis de imágenes. Como producto final se propuso la construcción de una
metodología para detección de fallas en una granja solar. Tras los esfuerzos realizados,
se logró una aproximación a la solución mediante un algoritmo y un proceso específico
que permite clasificar algunas fallas físicas en un arreglo solar.

3 DESCRIPCIÓN DE LA PROBLEMÁTICA Y JUSTIFICACIÓN DEL TRABAJO

Como bien se sustenta desde la teoría, una falla en un arreglo solar puede generar
grandes problemas. Entre ellos la perdida de potencia y la disminución de eficiencia de
la generación energética la cual se debe garantizar bajo una serie de normativas. Para
prevenir esto y optimizar el sistema se pretenden realizar auditorías en ciertos periodos
de tiempo, y se utilizan diversas estrategias para una evaluación técnica y económica
apropiada. Las fallas pueden detectarse con chequeos manuales del sistema, sin
embargo, estos consumen tiempo y suelen incurrir en grandes costos dependiendo el
tamaño del parque solar. Algunos optan también por comparar los datos adquiridos en
tiempo real con algunas simulaciones del sistema, y de esta forma descubrir si hay
perdida de potencia en algún escenario. No obstante, este método no permite localizar
específicamente la falla ni detectar el tipo. Ya que diversas fallas se pueden identificar
 Metodología de auditoría y optimización de la 6
eficiencia de granja solar mediante tratamiento
de imagen
visualizando un cambio en las curvas durante un periodo, el análisis de las curvas I-V y
P-V se han vuelto necesarios. Pero también cabe mencionar que es difícil hallar fallas si
se presentasen simultáneamente, ya que las curvas pueden desvariar.

Por lo anterior desde el ámbito académico se propuso explorar el análisis de imágenes

para poder aportar a la solución de esta problemática, y poder garantizar un mejor
monitoreo a la hora de detectar y clasificar fallas. La importancia de esta solución recae
en el hecho de que económicamente sería un gran beneficio monitorear un parque solar
a distancia y continuamente que a su vez pueda identificar fallas automáticamente de
manera oportuna, lo cual puede ayudar para el desempeño óptimo del sistema
estudiado. De igual forma sería una solución global que podría implementarse en
cualquier parte, convirtiéndose en una herramienta posible de implementar en
cualquier proceso auditor.

4 MARCO TEÓRICO, CONCEPTUAL E HISTÓRICO

4.1 Marco Teórico

Se han realizado numerosos estudios acerca de problemas en un sistema solar. La
mayoría de estos comparan las curvas I-V y P-V para poder establecer una falla en el
sistema y de esta forma caracterizarlo. Se entiende que un panel fotovoltaico se
compone de celdas semiconductoras para lograr absorber la irradiación del sol y
convertirla en energía eléctrica. En principio los fotones adquieren una energía mayor,
causando la liberación de electrones. Debido a la naturaleza de juntura PN presente en
los paneles, los campos atraen los electrones liberados, logrando así entregar una
corriente [5]. El modelamiento (circuito equivalente) de un panel solar fotovoltaico se
realiza igual que el de una celda, el cual se presenta en la Figura 1. Se aprecia la
representación de este mediante una fuente de corriente emulando la corriente
generada tras la irradiación del sol, un diodo como la celda y 2 resistencias que modelan
las perdidas (Rs las perdidas por el efecto joule y Rp las del material como lo son la
superficie y su espesor).

Figura 1. Equivalente Panel Fotovoltaico. Obtenida de [5]

 Metodología de auditoría y optimización de la 7
eficiencia de granja solar mediante tratamiento
de imagen

Una ecuación para la obtención de la corriente de salida del panel se presenta en (1), la cual
se deriva del análisis de malla y la teoría de los semiconductores.

𝑞(𝑉+𝐼∙𝑅𝑠 )
𝐼 = 𝐼𝑝ℎ − 𝐼𝑠 (𝑒 𝐾𝑇0𝐴𝑁𝑠 − 1) (1)

Mediante esta ecuación es posible la obtención de la curva característica I-V. Como la

potencia esta relacionada con el voltaje y la corriente de la forma P=V*I, se puede obtener
la curva P-V para el panel también. Un aproximado de estas se muestran en la Figura 2 y la
Figura 3.

Figura 2. Curvas características P-V con temperatura constante variando irradiación. Obtenida de [5]

Figura 3. Curva característica I-V con irradiación constante variando temperatura. Obtenida de [5]

Como es posible apreciar, estas curvas varían respecto a la temperatura e irradiación, lo

cual también se puede intuir de la ecuación (1). Cabe destacar el hecho de que la irradiación
 Metodología de auditoría y optimización de la 8
eficiencia de granja solar mediante tratamiento
de imagen
del sol no es constante durante todo el día, por lo que se busca orientar los paneles
fotovoltaicos de la mejor manera. Para esto se debe tomar en cuenta diversos factores
como lo son el tiempo solar o múltiples ángulos en relación entre el sol y un plano particular
(declinación, latitud, ángulo azimuth, ángulo de incidencia, ángulo Zenith, entre otros).

Por la cantidad de variables que se deben considerar en un sistema fotovoltaico, es

necesario el uso de controles. Comúnmente se utiliza un esquema básico de conexión entre
la granja solar y el sistema de red que se compone de un conversor tipo Boost junto con el
control de MPPT, seguido de una conexión con baterías y finalmente un inversor junto con
su debido controlador para hacer posible la conexión a la red.

El conversor DC-DC tipo Boost, como su nombre lo indica, permite elevar la tensión de la
salida de los sistemas fotovoltaicos (arreglo de paneles) respecto a la entrada que estos
proporcionan. En la Figura 4 se observa el circuito equivalente, que consiste en una fuente
DC, una inductancia, un transistor (modelado como interruptor), un capacitor y una
resistencia.

Figura 4. Representación del convertidor tipo Boost

Con ayuda del interruptor es posible regular la polaridad del voltaje, y almacenar parte de
la energía en la capacitancia, para que de esta forma el voltaje a la salida sea mayor que a
la entrada. Cabe destacar la presencia del control MPPT, como seguidor de máxima
potencia para encontrar un balance y mejorar la eficiencia del sistema. Finalmente se utiliza
un inversor para poder transformar la corriente continua a corriente alterna y sincronizarse
con la red eléctrica. Sin embargo, en un arreglo de paneles fotovoltaicos se pueden
presentar ciertas fallas que afectan el sistema.
 Metodología de auditoría y optimización de la 9
eficiencia de granja solar mediante tratamiento
de imagen

Figura 5. Tipos de fallas. Obtenida de [3]

Las fallas se clasifican como irreversibles (por ejemplo, los daños físicos como fisuras) o
temporales (como en el caso de sombras), pero en ambos casos se llegan a generan
perdidas de potencia. En la Figura 5 se aprecian las 4 fallas eléctricas que se pueden
presentarse en un arreglo fotovoltaico, cada una de estas con repercusiones.

Una falla de corto circuito reduce el voltaje de circuito abierto. La mismatch fault y falla de
circuito abierto presentan puntos de inflexión en las curvas I-V. Mientras que la falla a tierra
tiene que ver con las sobre tensiones de los equipos que no están protegidos
adecuadamente. En la Figura 6 es posible apreciar los cambios de las curvas I-V que generan
las fallas respecto a un funcionamiento normal.
 Metodología de auditoría y optimización de la 10
eficiencia de granja solar mediante tratamiento
de imagen

Figura 6. Curvas I-V de las distintas fallas. Obtenida de [3]

Es decir que mediante este análisis se puede llegar a determinar el mal funcionamiento de
un sistema, aunque como se mencionó anteriormente, si se presentan fallas simultáneas
puede complicarse el análisis porque las curvas desvarían. Algunas otras técnicas para
identificar fallas (sobre todo físicas y de superficie en los paneles), se implementan con
análisis de imágenes electroluminiscentes. Aunque esta técnica se utiliza más que todo en
la fabricación misma de los paneles, y no en detectar fallas una vez se implementan en una
granja solar. También se estudian fallas mediante análisis de imágenes térmicas, ya que al
tener una falla de conexión la energía se disipa y se comienzan a calentar algunos
componentes (como las celdas). Aunque esta técnica ha sido estudiada, el análisis térmico
solo permite identificar la zona en que se presenta la falla, más no brinda información de
que tipo de falla se tiene.

Ya que el proyecto se enfoca principalmente en las fallas físicas se decidió estudiar con
mayor profundidad los efectos de las fisuras, polvo y sombra. Una fisura bien sea de tipo
grieta, agujero o como un rasguño termina causando una impedancia de derivación
extremadamente alta, incluso no lineal [12]. Esto debido al mal contacto que se crea en la
superficie el cual genera un corto creando las perdidas. De igual manera esto se traduce en
un incremento de la temperatura. Para el caso de las fallas de polvo y sombra, en muchas
ocasiones se catalogan de la misma forma, ya que en resumidos términos terminan
causando una falla de tipo mismatch. Lo anterior es causante de perdidas en el sistema,
dado que una sombra parcial en una celda tendrá una menor corriente de salida, la cual
termina siendo la salida resultante de todo el panel. Mientras que unas celdas funcionan
adecuadamente, las sombreadas llegan a disipar potencia, comportándose como
resistencias. De igual forma debido a la energía disipada se causa un incremento de
 Metodología de auditoría y optimización de la 11
eficiencia de granja solar mediante tratamiento
de imagen
temperatura también lo cual puede llegar a causar daño permanente dado la insuficiencia
de protección del diodo bypass para ciertos casos.

Para lo anterior se planteó el uso de una CNN (Convolutional Neural Network) tipo MNIST.
Su uso principal es para clasificación de imágenes y es una de las técnicas que más auge
tiene en la actualidad. A diferencia de una red neuronal regular, la CNN no necesita una
cantidad extravagante de neuronas para manejar imágenes de grandes tamaños a color [17]
ya que esta red utiliza distintas capas de convolución y pooling. Las capas de convolución
buscan en principio (mediante el uso de filtros), reducir la complejidad de la imagen (su
tamaño) sin perder la relación entre los pixeles adyacentes tal como se puede apreciar en
la Figura 7. Las capas de pooling también buscan la reducción del problema, disminuyendo
los parámetros a analizar en cada una de las imágenes. Una de las más comunes es el Max
Pooling donde se busca obtener el mayor valor de cierto segmento en los pixeles de la
imagen, tal como se evidencia en la Figura 8.

Figura 7. Convolución Imagen 5x5 con filtro 3x3. Tomado de [17]

Figura 8. Max Pooling 2x2. Tomado de [17]

Una vez utilizadas estas capas para reducir el tamaño del problema, se hace uso de una red
totalmente conectada (como lo es regularmente), donde las neuronas en las capas ocultas
se conectan entre si para buscar una relación continua entre los parámetros de entrada. A
partir de estos, asignan una probabilidad a cada una de las neuronas de salida (clases) para
determinar en cual de ellas se debe clasificar el parámetro de entrada. Una topología
completa de la CNN tipo MNIST se puede presentar como en la Figura 9.
 Metodología de auditoría y optimización de la 12
eficiencia de granja solar mediante tratamiento
de imagen

Figura 9. Topología CNN tipo MNIST. Tomada de [17]

4.2 Marco Conceptual

Teniendo como base principal la norma ISO 50002 del 2014 donde se definen los
requerimientos de una auditoría energética y se da una guía de sus usos, se puede definir
y explicar el concepto tratado. Una auditoría se compone de un análisis detallado del
desempeño energético de una compañía, equipo o proceso; basado en la apropiada
medición y observación del uso de la energía. Las auditorías son planeadas y conducidas
para identificar y priorizar oportunidades que permitan reducir el desperdicio energético,
con el fin de optimizar el recurso. De igual manera, provee recomendaciones específicas
para tener un buen desempeño energético y beneficios económicos. Aunque por lo
general una auditoría se presenta como una secuencia cronológica, esto no imposibilita
el hecho de que se puedan repetir, modificar o agregar etapas al proceso.

Se afirma que un auditor debe tener los conocimientos, experiencia y habilidades en el

área para poder auditar. La confidencialidad de los resultados se debe establecer entre
el auditor y la compañía, sin embargo, el auditor debe actuar imparcialmente. Dentro de
los diversos aspectos de la norma se destaca que mediante una auditoría se debe
proporcionar mejoras para el desempeño, basado en un análisis económico y técnico
apropiado. Esto teniendo en cuenta que los datos obtenidos para el análisis deben ser
consistentes y auténticos.

Para lo anterior, se tiene en cuenta la IEC 61724, la cual describe en general el proceso
para toma de datos de un arreglo de paneles fotovoltaicos. Esto se resume a continuación
en la Tabla 1, teniendo en cuenta que se sugiere un tiempo de muestreo de 1 minuto o
menos. Para los parámetros que suelen ser más constantes se puede prolongar el tiempo
de muestra hasta 10 minutos y los parámetros deben ser continuamente monitoreados
en este intervalo de tiempo.
 Metodología de auditoría y optimización de la 13
eficiencia de granja solar mediante tratamiento
de imagen
Tabla 1. Aspectos de la norma IEC 61724
Parámetro Procedimiento / Especificaciones
Irradiancia Se debe medir en el mismo plano que el arreglo de paneles
solares, usualmente mediante un piranómetro. La posición
de este debe ser representativo para la muestra de datos y
tener un error de hasta 5%.
Temperatura La medición debe ser representativa, por lo que
Ambiente generalmente se sitúan en los escudos de protección solar.
Su precisión debe ser al menos de 1 K.
Velocidad del viento Debe medirse a una altura representativa para las
condiciones ambientales, con un sensor de al menos
0,5m*s-1 de precisión para vientos menores a 5m*s-1.
Temperatura del La temperatura del modulo fotovoltaico debe ser medida
modulo con un sensor colocado en la parte trasera de uno o más
módulos del panel. La elección del modulo para poner el
sensor se basa en la norma IEC 61829, ya que la
temperatura se puede ver alterada por el mismo sensor. Su
precisión debe ser al menos de 1 K.
Voltaje y Corriente Puede ser AC o DC, sin embargo, el AC no es requerido en
todas las circunstancias. Debe tener al menos 1% de
precisión.
Potencia Eléctrica Los parámetros para la potencia pueden ser DC o AC. Para
DC se tiene la opción de medir directamente con la ayuda
de un sensor o simplemente obtener el valor mediante la
multiplicación de voltaje instantáneo y corriente. Cabe
aclarar que estas potencias pueden tener grandes
cantidades de rizado AC por lo que para medir
correctamente la potencia DC debe utilizarse un vatímetro
con al menos 2% de precisión. Al terminar se debe obtener
la potencia promedio mediante la suma de los valores
sobre la constante de muestreo expresada en horas.
Sistema Adquisición Es completamente necesario para el monitoreo correcto
de Datos del sistema. Deben ser modelos comerciales y tener
soporte técnico.

Según sugerencias presentadas en las normas ISO 50001, ISO 50002, ISO 50003, NTC-
ISO 19011, ISO 14001 y UNE 216501 se evalúan ciertos pasos para un correcto proceso
de auditoría, los cuales se presenta a continuación.

1) Planeación de auditoría
 Metodología de auditoría y optimización de la 14
eficiencia de granja solar mediante tratamiento
de imagen
2) Reunión de agentes involucrados (Asegurar competencia de auditores y selección
de equipos)
3) Recolección de datos
4) Plan de medición
5) Visita Presencial
6) Análisis
7) Reporte
8) Reunión final y seguimiento del desempeño del programa de auditoría

Cada uno de estos pasos fueron diseñados para poder cumplir el objetivo principal de
una auditoría, definido anteriormente. Por ende, el proyecto presentado en este
documento no se enfoca en cambiar totalmente la auditoría energética sugerida por las
normas, sino en proponer una metodología para la componente de monitoreo y
recolección de datos en un parque solar. De esta forma se pretende brindar
herramientas adicionales que se pueden implementar en el proceso auditor para
facilitarlo y obtener información detallada de ciertos procesos que pueden afectar el
desempeño energético. De igual manera, se busca mediante este proyecto proponer a
un menor nivel el monitoreo constante de un sistema fotovoltaico, en vez de uno
temporal como se suele realizar.

4.3 Marco Histórico

Diversos estudios se han realizado en relación con la detección de fallas por medio de
métodos alternativos. Algunos de estos solo han establecido técnicas para identificar
manualmente fallas a través de imágenes [7] con uso de filtros o procesamiento (como
el caso del filtro Canny). Mientras que otros autores han estudiado la forma de crear
una metodología autónoma capaz de reconocer defectos mediante fotografías en
arreglos solares. Dado la definición inicial del proyecto, se enfatizó principalmente en el
estudio de 2 papers.

En el artículo Automatic Classification of Defective Photovoltaic Module Cells in

Electroluminescence Images de Sergiu Deitsch, Vincent Christlein, Stephan Berger,
Claudia Buerhop-Lutz, Andreas Maier, Florian Gallwitz y Christian Riess; se desarrolla la
temática de un clasificador autónomo para detección de fallas (defectos del material,
fisuras y desgaste) en celdas fotovoltaicas. Lo anterior mediante el análisis de imágenes
electroluminiscentes utilizando una CNN y comparando su resultado con una maquina
de soporte vectorial. Esto para clasificar si en una imagen había o no falla. Afirman que
el estudio de imágenes de una cámara IR no es conveniente porque suelen tener baja
 Metodología de auditoría y optimización de la 15
eficiencia de granja solar mediante tratamiento
de imagen
resolución y no es posible detectar micro fisuras. Mientras que con una imagen EL
(electroluminiscente) los defectos son más oscuros porque no se irradia (por
desconexión de las celdas). El método utilizado extraía los componentes de las imágenes
(puntos característicos) y evaluaba la posición y densidad del resultado según distintos
métodos de extracción (por bordes, por áreas, entre otros). A partir de estos se entreno
una SVM (maquina de soporte vectorial) y una CNN para evaluar el desempeño de
clasificación en ambas alternativas. El dataset se componía de 2624 imágenes de
300x300 extraídas de paneles monocristalinos y polycristalinos. Se balancearon las
clases asignándoles pesos porcentuales mediante la proporción inversa heurística. Una
vez entrenadas y validadas los 2 métodos propuestos se obtuvieron las matrices de
confusión presentadas en la Figura 10, de lo cual se concluyó que en efecto una CNN es
mucho más acertada que una maquina de soporte vectorial. Esto se evidencia también
porque en las matrices de confusión de la totalidad de imágenes, la CNN clasificó
alrededor de 10% más las clases en la diagonal que la SVM.

Figura 10. Matrices Confusión SVM vs CNN

Por otra parte, R. Pierdicca, E.S. Malinverni, F. Piccinini, M. Paolanti, A. Felicetti y P.

Zingaretti en su articulo Deep convolutional neural network for automatic detection of
damaged photovoltaic cells proponen el uso de redes convolucionales para identificar
fallas en un arreglo solar. La CNN se entreno a partir de 3336 imágenes en las que se
identificaban 2 clases (dañado o normal). De las pruebas realizadas se recalca que una
mejor aproximación se realiza cuando las clases se encuentran balanceadas. Para el
balanceó del dataset y garantizarse la validez del experimento, se utilizó la técnica de
rotar las imágenes 90º, 180º y 270º al igual que reflejarlas. Los resultados fueron
satisfactorios con un promedio de score F1 alrededor de 0,69 para los experimentos de
datsets balanceados. Se concluyó también que el método era una buena aproximación
para detección de fallas con alta precisión y recall.

A diferencia de las aproximaciones en estudios pasados, el proyecto desarrollado en

este documento se enfocó en el uso de imágenes normales y el aumento para
 Metodología de auditoría y optimización de la 16
eficiencia de granja solar mediante tratamiento
de imagen
clasificación de fallas extendido a más clases. De esta forma se propone un caso más
general y con menor número de limitaciones.

5 DEFINICION Y ESPECIFICACION DEL TRABAJO

5.1 Definición
El proyecto se define bajo un alcance de aplicabilidad realístico, por lo que surgen ciertas
limitaciones. Una limitación principal fue en gran medida la adquisición de datos para
entrenamiento, ya que se utilizaron únicamente imágenes aéreas. De igual manera se
define el algoritmo bajo 4 clases a estudiar (fisuras, polvo, sombra y sin falla). Se desea
estudiar una metodología diferente (basado en conocimientos previos y en relación con
otros estudios propuestos) para el monitoreo de una granja solar. De esta forma brindar
herramientas no convencionales para facilitar el proceso auditor y optimizar la eficiencia
de la granja solar.

5.2 Especificaciones
Como se acuerda desde los objetivos inicialmente planteados, se pretende diseñar una
metodología que permita:

1) La extracción de paneles solares dentro de una granja para su estudio

específico.
2) Una forma autónoma para el monitoreo y detección de fallas físicas en paneles
solares mediante tratamiento de imagen. Lo anterior con el fin de optimizar la
eficiencia de una granja solar y reducir esfuerzos (económicos y técnicos) de
una auditoría.
3) Pruebas para evaluar la metodología sugerida y su utilidad.

6 METODOLOGÍA DEL TRABAJO

6.1 Plan de trabajo

Partiendo de los objetivos establecidos se realizó un plan de trabajo al inicio del

proyecto. A continuación, se describen las etapas cronológicas que se incluyeron para
lograr cumplir el objetivo.

Investigación: Esta es la etapa primordial del proyecto, donde se identifican diversas

fuentes en relación con análisis de imágenes, señales, cálculo de factores en granja solar,
fallas presentes, normativas, formas de medición y actuales métodos de auditoría. Es
necesario tener un alto grado de diversidad de información y fuentes en los contextos
 Metodología de auditoría y optimización de la 17
eficiencia de granja solar mediante tratamiento
de imagen
propuestos. Esta etapa tuvo duración a lo largo de todo el proyecto, pues siempre se
debía investigar temáticas nuevas para poder continuar con el desarrollo.

Algoritmo Parte 1: Esta etapa consiste en lograr generar un algoritmo que extraiga cierta
información importante de una imagen. Es decir, componente de granularidad para
poder identificar el agente a estudiar (paneles y celdas) dentro de la granja solar.

Algoritmo Parte 2: Esta etapa consiste en lograr identificar problemas dentro de un

panel fotovoltaico. Una vez identificado un problema, se desea clasificarlo de forma
automática. De esta forma se puede realizar un monitoreo constante sin incurrir en
grandes costos ni esfuerzos.

Comprobación de algoritmo: Esta etapa reside en realizar un profundo análisis acerca

de los resultados obtenidos para poder implementar las mejoras pertinentes a tiempo y
evaluar diversas alternativas.

Redacción de documentos: Finalmente se pretende realizar la debida documentación de

las pruebas realizadas junto con la explicación y justificación de la metodología elegida.
Esto consignando los resultados adecuadamente en tablas o diagramas para fácil
comprensión.

6.2 Fuentes
Principalmente las fuentes utilizadas para el desarrollo del proyecto fueron papers y
publicaciones de otros autores que resolvían problemas similares. También
publicaciones en distintas revistas académicas fueron tenidas en cuenta para el
desarrollo del proyecto. Esto junto con el conocimiento adquirido a lo largo de la carrera
ayudaba a seleccionar las alternativas que se aproximaran de la mejor manera a
encontrar una solución al problema establecido. También referencias como Matworks
(foros, tutoriales y herramientas que guiaban en el proceso) fueron de gran utilidad en
el desarrollo del algoritmo. Finalmente, la ayuda y guía brindada por el asesor y otros
profesores del departamento permitió definir, encaminar y restringir adecuadamente
la problemática a lo largo de todo el proceso.

6.3 Alternativas de desarrollo

Para el desarrollo del proyecto se evaluaron distintas alternativas que sugerían ciertas
referencias como papers. Cabe aclarar que como se debían solucionar 2 problemas
distintos se evaluaron alternativas para cada uno de estos. El primero consiste en
extraer solamente el o los paneles de la imagen, que es el objeto para estudiar en el
proyecto. El segundo consiste en un mecanismo que permita identificar y clasificar fallas
en una granja solar por medio de análisis de imagen.
 Metodología de auditoría y optimización de la 18
eficiencia de granja solar mediante tratamiento
de imagen
Para el problema inicial se evaluaron 2 alternativas de solución, las cuales fueron
mediante el algoritmo de YOLO y por medio de la segmentación semántica. El algoritmo
de YOLO (You Only Look Once) se basa en redes convolucionales que utilizan una técnica
de sliding window para reconocer objetos en una imagen o video. Es un algoritmo muy
común en identificación de objetos ya que es de los más rápidos (porque solo evalúa
una vez) y no requiere tanto trabajo computacional. La técnica consiste en predefinir
unos anchores boxes, los cuales son rectángulos que por lo general aproximan la forma
del objeto que se desea reconocer en la imagen. Una vez seleccionados estos boxes, se
procede a definir el tamaño del filtro que se usará para convolucionar con la imagen (la
sliding window), el cual se va desplazando en pasos de su tamaño definido hasta
recorrer la imagen por completo. En cada iteración del desplazamiento, la red
convolucional entrenada mediante 2 clases (se encuentra el objeto o no se encuentra)
evalúa si en ese segmento de la imagen se encuentra el objeto deseado o no. A partir
de esto puede determinar la ubicación y aproximar la forma (según los anchores boxes)
de los objetos en una imagen.

Aunque existen técnicas para estimar los valores de los anchores boxes utilizando
clustering y así mismo definir un tamaño de filtro funcional; también es necesario el uso
de los scores. Estos no son más que unas probabilidades que se asignan durante los
recorridos de la convolución según el entrenamiento definido de la CNN (Convolutional
Neural Network). Mediante los scores es posible descartar doble detección de un objeto
que puede darse por la sliding window.

Tras aplicar esta técnica con el problema específico del proyecto para extraer los
paneles, se encontraron errores muy grandes. Aunque las imágenes se etiquetaron
manualmente y se utilizó una red pre-entrenada que contenía 50 capas, los anchores
boxes hallados mediante clustering no tenían un tamaño similar al de todas las
imágenes. Es decir que por las distintas topologías que pueden existir en un arreglo solar
y también por los diferentes ángulos que tiene cada una de las imágenes, no fue posible
aplicar el algoritmo YOLO con éxito. Los resultados se aprecian en la Figura 11, donde
se puede evidenciar la imagen original con sus respectivos labels de entrenamiento y el
resultado obtenido de la red convolucional de YOLO, con scores que no son ni del 60%
de acierto.
 Metodología de auditoría y optimización de la 19
eficiencia de granja solar mediante tratamiento
de imagen

Figura 11. Original junto con labels vs Resultado YOLO

Para el segundo problema se utilizó una técnica similar a la evaluada en [6] la cual
proponía estimar la falla según una densidad de puntos (landmarks). Una vez resulto el
problema de la extracción del objeto que se deseaba evaluar, se consultaron distintos
procesamientos de imágenes para lograr resaltar rasgos característicos previos al
entrenamiento. De [7], se determinó que una de las mejores aproximaciones de pre-
procesamiento para identificar fallas y resaltar bordes era utilizando la convolución del
filtro Canny. Este ayudaría a resaltar los bordes para diferenciarlos de otras áreas y en
muchas ocasiones haría más aparentes fallas físicas como el caso de fisuras. Luego,
utilizando el algoritmo de Harris para detectar esquinas, se podían identificar los
landmarks representativos de la imagen. Si un panel contenía fisuras, era evidente que
habría mayor densidad de puntos, ya que este borde sería resaltado mediante el uso
del filtro Canny. El algoritmo de Harris utiliza una función de error descrita en (2) para
hallar los cambios más representativos (es decir los mayores errores) entre pixeles de
una imagen.

𝐸(𝑢, 𝑣) = ∑𝑥,𝑦 𝑤(𝑥, 𝑦)[𝐼(𝑥 + 𝑢, 𝑦 + 𝑣) − 𝐼(𝑥, 𝑦)]2 (2)

Una vez se generaban los puntos representativos de la imagen se utilizaba la

probabilidad multivariable para generar curvas gaussianas que describiesen cada una
de las clases de imágenes que se tenían, las cuales se pueden describir mediante el uso
de la ecuación (3). Siendo Cx la matriz de correlación de las coordenadas complejas de
los landmarks, X los datos iniciales y N el numero de datos se puede estimar una
probabilidad de pertenencia a cierta clase. Mediante este método sería posible clasificar
cualquier imagen nueva según la probabilidad calculada. Se definieron 4 clases para
probar el método definido las cuales incluían fisura, polvo, tierra y normal.
1 𝑇 ∗𝐶𝑥 −1 ∗𝑥
1
𝑓𝑥 = 𝑁 1 ∗ 𝑒 −2∗𝑥 (3)
(2∗𝜋) 2 ∗(det(𝐶𝑥))2

Sin embargo, después de múltiples pruebas del método, se encontraron falencias con
errores mayores al 75% debido a que todas las imágenes no están tomadas desde el
mismo ángulo ni en igualdad de condiciones. Ya que el método básicamente miraba la
 Metodología de auditoría y optimización de la 20
eficiencia de granja solar mediante tratamiento
de imagen
densidad de puntos, la posición de las imágenes era crucial para su correcto
funcionamiento. Tocaría restringir mucho el problema para que funcionase como se
esperaba, por lo que decidió descartarse.

7 TRABAJO REALIZADO

7.1 Descripción del Resultado Final

Respecto a las alternativas descritas y algunos otros estudios, se decidió utilizar el
método descrito en Figura 12.

Imagen Original
Sistema
Fotovoltaico

Segmentación
Semantica

Sub dividir
imagenes por
arreglo de paneles

Clasificador Mnist

4 clases: Fisura,
2 clases: Falla o no
polvo, tierra, sin
Falla
falla

Dataset
Balanceado

Dataset sin
Balancear

Figura 12. Metodología Empleada

Como solución al primer problema planteado de extraer el panel (objeto de estudio) de la

imagen, se utiliza segmentación semántica. Esta consiste en entrenar una red convolucional
de filtros específicos para extraer el fondo de los paneles y dejar solo el componente
importante para el análisis. A diferencia del algoritmo YOLO, este método es más costoso
computacionalmente, ya que se basa en texturas y rasgos de los objetos que se desean
segmentar como el color. Sin embargo, al no emplear anchor boxes, el resultado es mucho
más acertado con este método que con el algoritmo YOLO. En la Figura 13, Figura 14 y Figura
15 se evidencian algunos ejemplos de los resultados de la segmentación semántica. Aquí se
 Metodología de auditoría y optimización de la 21
eficiencia de granja solar mediante tratamiento
de imagen
aprecia que el resultado es una mejor aproximación a la solución del problema,
segmentando todo tipo de paneles (incluidos los que tienen fallas) en múltiples entornos.

Figura 13. Segmentación 1

Figura 14. Segmentación 2

 Metodología de auditoría y optimización de la 22
eficiencia de granja solar mediante tratamiento
de imagen

Figura 15. Segmentación 3

Otra ventaja de utilizar este método es que las imágenes son segmentadas por regiones, lo
que facilita subdividirlas en más imágenes. Por ejemplo, en el resultado de la Figura 13 es
posible obtener 6 imágenes donde cada una representa un arreglo de cada panel. Esto con
el objetivo de tener un análisis más específico del sistema, y lograr identificar fallas con
mayor precisión (por arreglo de panel en vez de fallas por áreas). Cabe resaltar que para un
mejor análisis se restringió el problema a imágenes aéreas. Aunque se intentó un monitoreo
con imágenes satelitales, estas no brindan el suficiente detalle para identificar fallas físicas,
por lo que se utilizaron imágenes tipo dron o de cámaras altas.

Luego de segmentar las imágenes, se entrena un clasificador probabilístico haciendo uso de

otra red convolucional de tipo MNIST el cual nos arroja el resultado de la posible
clasificación según la imagen empleada.

Para un correcto análisis, se realizaron múltiples pruebas con validación cruzada en donde
se divide el set de imágenes en 4 partes iguales (aleatorias) de las cuales se utilizan 3 partes
para entrenar la red y 1 para validarla. A continuación, se intercambian las partes,
obteniendo así 4 redes distintas. Finalmente se promedian los valores de las matrices de
confusión para obtener un resultado adecuado. Se eligió realizar este tipo de validación
dado que una red convolucional se puede entrenar de distintas maneras en las capas
ocultas y de esta forma arrojar resultados distintos incluso sin cambiar el set de
entrenamiento. Es decir que para un resultado más realista se deben realizar múltiples
intentos. Algunas muestras de los entrenamientos de las redes realizados se pueden
observar en la Figura 16, la Figura 17 y la Figura 18. Se aprecia también un gran acierto de
los sets de entrenamiento con este método, lo que demuestra su alto potencial. De igual
manera parte del código utilizado en Matlab se puede apreciar en Anexos.
 Metodología de auditoría y optimización de la 23
eficiencia de granja solar mediante tratamiento
de imagen

Figura 16. Ejemplo Entrenamiento MNIST

Figura 17. Ejemplo Entrenamiento MNIST

 Metodología de auditoría y optimización de la 24
eficiencia de granja solar mediante tratamiento
de imagen

Figura 18. Ejemplo Entrenamiento MNIST

Inicialmente solo se realizaron pruebas para 2 clases de clasificación de imágenes (falla y no

falla) para asegurar que el método fuese capaz de cumplir con la detección de fallas antes
de clasificarlas. A continuación, se propuso extender el análisis a 4 clases, las cuales incluyen
fisuras, polvo, sombra y paneles sin fallas. Se decidió estudiar estas clases ya que suelen ser
las más representativas a la hora de monitorear fallas físicas y las que desde la teoría son
causantes de perdidas de potencia y calentamiento del sistema.

7.2 Resultados
Para el desarrollo del método y las respectivas pruebas, se utilizó la herramienta
computacional Matlab_R2018a la cual contiene varios módulos diseñados específicamente
para análisis de imágenes y arquitectura de redes neuronales. Específicamente se destaca
la utilidad del modulo Image Labeling el cual permitía generar las etiquetas en las imágenes
que se utilizaron para el entrenamiento de las redes convolucionales.

En la Tabla 2, Tabla 3 y Tabla 4 se presenta un resumen de los resultados de cada una de las
3 pruebas establecidas, esto luego de realizar los múltiples intentos y promediar los
resultados obtenidos en cada uno de ellos (luego de la validación cruzada). Se sintetiza esta
información mediante las matrices de confusión, las cuales representan el numero de
imágenes del set de validación clasificadas en cada una de las clases. Por consiguiente, se
desea que el 100% de las imágenes se encuentre en la diagonal. De igual manera se utilizó
 Metodología de auditoría y optimización de la 25
eficiencia de granja solar mediante tratamiento
de imagen
este sistema para presentar los resultados ya que de estas tablas es posible obtener un
mejor análisis del desempeño del método empleado y extraer índices de correlación como
el caso del F1 (en función de la precisión y el recall) si se desease. Principalmente porque
por medio de estas matrices es posible evidenciar de forma clara los errores y aciertos del
método en todos los casos.

Tabla 2. Matriz de confusión 2 clases Dataset sin balancear

Clasificados En
Falla Sin Falla
Reales Falla 69,23% 30,77%
Sin Falla 49,26% 50,74%

Tabla 3. Matriz de confusión 2 clases Dataset Balanceado

Clasificados En
Falla Sin Falla
Reales Falla 81,31% 18,69%
Sin Falla 38,42% 61,58%

Tabla 4. Matriz de confusión 4 clases Dataset Balanceado

Clasificados En
Con
Con Fisura Con Tierra Sin Falla
Sombra
Con Fisura 28,21% 18,43% 22,59% 30,77%
Con
Reales 24,36% 41,03% 10,42% 24,20%
Sombra

Con Tierra 12,18% 2,08% 69,23% 16,51%

Sin Falla 11,86% 14,26% 8,17% 65,71%

8 VALIDACIÓN DEL TRABAJO

8.1 Discusión de los resultados

Como es posible evidenciar en los resultados de la validación del método con 2 clases
(presentados en la Tabla 2 y Tabla 3), se encuentra más útil las redes entrenadas y
 Metodología de auditoría y optimización de la 26
eficiencia de granja solar mediante tratamiento
de imagen
validadas a partir de datasets de imágenes balanceados. Es decir que, si todas las clases
contienen igual número de imágenes, la red tiene una probabilidad igual de equivocarse
y clasificar las imágenes de manera equitativa. Por esto los resultados son más acordes
y realistas que al entrenar con un dataset no balanceado. De igual manera el desempeño
de las redes se evidencia porque en las matrices de confusión obtenidas los porcentajes
de la diagonal (imágenes clasificadas correctamente según su clase) incrementan de la
Tabla 2 a la Tabla 3. Es decir que el índice F1 calculado mediante la ecuación (4),
midiendo un balance entre la precisión y el recall, aumenta de 0,5591 a 0,6831 cuando
se trabaja con dataset de imágenes balanceadas.

𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛∗𝑅𝑒𝑐𝑎𝑙𝑙
𝐹1 = 2 ∗ 𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛+𝑅𝑒𝑐𝑎𝑙𝑙 (4)

𝑆𝑖𝑛 𝐹𝑎𝑙𝑙𝑎,𝑆𝑖𝑛 𝐹𝑎𝑙𝑙𝑎

𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑆𝑖𝑛 𝐹𝑎𝑙𝑙𝑎,𝑆𝑖𝑛 𝐹𝑎𝑙𝑙𝑎+𝑆𝑖𝑛 𝐹𝑎𝑙𝑙𝑎,𝐹𝑎𝑙𝑙𝑎 (5)

𝑆𝑖𝑛 𝐹𝑎𝑙𝑙𝑎,𝑆𝑖𝑛 𝐹𝑎𝑙𝑙𝑎

𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 = (6)
𝑆𝑖𝑛 𝐹𝑎𝑙𝑙𝑎,𝑆𝑖𝑛 𝐹𝑎𝑙𝑙𝑎+𝐹𝑎𝑙𝑙𝑎,𝑆𝑖𝑛 𝐹𝑎𝑙𝑙𝑎

Se evidencia también que en la clasificación falla-falla aumenta casi un 10% con dataset
balanceado comparando con el dataset desbalanceado de 2 clases, teniendo un acierto
total de 81,31% respecto a este tipo de imágenes. También la clasificación de imágenes
que no contienen falla mejora en promedio un 10,84%. De igual manera el resultado
obtenido se ha comprobado para dos clases en diversas ocasiones. Un ejemplo de esto
es la validación de imágenes térmicas de paneles solares descrita en [11], donde evalúan
la funcionalidad de las redes entrenadas a partir de dataset balanceados y
desbalanceados. Una vez comprobada la funcionalidad para la detección de fallas en un
arreglo de paneles solares mediante este método, se extiende al análisis a la
clasificación de fallas.

Teniendo presente el resultado para las pruebas realizadas con 2 clases, se decidió
realizar una prueba con 4 clases de un dataset balanceado. Para esto se utilizó una
sugerencia de las referencias y estudios previos donde se anuncia que es posible realizar
el balanceo tan solo rotando 90º las imágenes. Lo anterior ya que la red convolucional
no asimila de igual manera una fisura horizontal que una vertical, considerándolas como
imágenes distintas tanto para el entrenamiento como para la validación. Este mismo
fenómeno sucede en el caso de la sombra. Sin embargo, para las clases de polvo y
paneles sin fallas, las imágenes suelen ser más uniformes por lo que se decidió incluir
imágenes nuevas para su balanceo. En total se validó con un dataset pequeño de 200
imágenes y se utilizaron filtros de 5x5 con 200 épocas para el entrenamiento de la red
convolucional MNIST.
 Metodología de auditoría y optimización de la 27
eficiencia de granja solar mediante tratamiento
de imagen
Como se puede apreciar en la Tabla 4, el desempeño de la red convolucional para la
clase fisura es deficiente, con tan solo 28,21% de acierto y clasificando 30,77% de las
imágenes en la clase “sin falla”. Es decir que en promedio 30,77% de las fallas con fisura
ni siquiera llegan a detectarse como fallas, lo que supone problemas para el
cumplimiento del objetivo deseado. Por otra parte, se resalta el hecho de que las fallas
de tierra y sombra se diferencian satisfactoriamente, teniendo tan solo un 10,42% de
confusión entre clases al analizar imágenes con sombra y 2,08% al analizar imágenes
con sombra. Esto supone un gran potencial del método propuesto para el cumplimiento
de los objetivos inicialmente planteados acerca de clasificar cierto tipo de fallas.

8.2 Evaluación y Mejoras

A grandes rasgos se encuentra que la metodología utilizada no es extravagante, utilizada
bajo otros parámetros en múltiples ocasiones y siendo una posible solución actual para
la problemática de clasificación de fallas en arreglos de paneles solares. Mediante las
pruebas donde se evalúan solamente 2 clases, se obtienen resultados bastante
satisfactorios y acertados, incluso teniendo un dataset relativamente pequeño. Esto
refleja que el método si es suficientemente eficiente a la hora de detectar una falla física
en una granja solar únicamente utilizando imágenes. Al extender el análisis para 4 clases
se evidencia el incremento de los errores, dado que se tiene mayor probabilidad de
fallar. Sin embargo, como se expuso en la discusión de resultados, el método tiene alto
potencial para clasificar fallas también, además de detectarlas. Esto ya que logra
diferenciar y acertar en gran medida las diferencias entre sombra y tierra, uno de los
principales problemas por los que se decidió realizar este trabajo investigativo.

Para mejorar estos resultados se sugiere ampliar el dataset (obteniendo mayor cantidad
de imágenes pertenecientes a todas las clases) siempre teniendo en cuenta que debe
estar balanceado. Esto aumentará los casos de estudio en las capas ocultas de la CNN,
generando un mejor aprendizaje por parte de la red. De igual manera porque como se
mencionó, el dataset utilizado fue pequeño a comparación con los datasets de los cuales
se obtienen resultados más precisos. Claro esta que se realizaron las pruebas con este
numero de imágenes porque cada una de ellas requiere esfuerzos de tiempo y labeling
manual.

También evaluar el comportamiento de la red convolucional con imágenes de mayor

calidad (yendo un poco más al detalle de los paneles) ya que se evaluó solamente con
imágenes de tamaño 200x200. Lo anterior también tiene relación con el tamaño de
filtros utilizados a la hora de convolucionar dentro de la red (5x5), los cuales pueden
variar el tamaño para analizar regiones más específicas de las imágenes. Toca aclarar
que al aumentar el tamaño de los filtros y la calidad de las imágenes se incurrirá en
costos computacionales mayores, por lo que es necesario evaluar hasta que punto sería
justificable este aumento.
 Metodología de auditoría y optimización de la 28
eficiencia de granja solar mediante tratamiento
de imagen
9 CONCLUSIONES
Se puede evidenciar que el método sugerido acerca de la segmentación semántica para
extraer los elementos principales de análisis es eficiente y sus resultados son
satisfactorios; cumpliendo así con el objetivo inicialmente propuesto. Este además es
aplicable en casi todos los contextos de este tipo de energía renovable, haciéndolo
global y extremadamente valido.

Para el caso del entrenamiento de CNN tipo MNIST se evidencian mejores resultados de
clasificación para 2 clases cuando se tiene el dataset de imágenes balanceado. Lo
anterior supone también que el método es bastante acertado con un error de identificar
si un arreglo de paneles contiene una falla menor al 20%. Este método puede llegar a
optimizar económicamente la auditoría de un parque solar porque puede realizarse el
monitoreo constantemente sin incurrir en costo de personal ni visitas presenciales. De
igual manera reduce el tiempo para la detección de fallas físicas ya que se pueden tener
cámaras que cubran áreas especificas, y de esta forma no es necesario realizar
recorridos del parque solar.

Al extender el análisis del problema a 4 clases se aprecian mayor cantidad de errores,

especialmente con la clase fisura. Aunque también se evidencia un alto potencial con
las mejoras sugeridas, como en el caso de diferenciar las fallas de polvo y sombra. De
igual manera se tiene un porcentaje de acierto de casi el 70% identificando las fallas
relacionadas con tierra y un 65% para identificar y clasificar correctamente los paneles
que no se encuentran dañados. Es decir que en principio la aproximación es factible y el
método debe continuar desarrollándose para poderse en un futro implementar al
proceso de auditoría energética en una granja solar. El método sugerido es muy útil en
cuanto a reducir esfuerzos, gastos y poder realizar un monitoreo constante para
optimizar la eficiencia de esta tecnología renovable. De igual manera permite analizar
alternativas de solución inmediata según el tipo de falla que se presente, puesto que no
es lo mismo tener que limpiar un panel a tener que cambiarlo.

10 REFERENCIAS

[1] Ley 1715 de 2014. Congreso de Colombia. Publicada en Diario oficial 49150 de mayo 13 del 2014.
[2] Hoyos, F. (2018). Los incentivos de la Ley 1715 de 2014.
https://www.asuntoslegales.com.co/analisis/felipe-hoyos-vargas-509900/los-incentivos-de-la-
ley-1715-de-2014-2604529
[3] Abid, Ahmed & Obed, Adel & Al-Naima, Fawzi. (2018). Detection and control of power loss due
to soiling and faults in photovoltaic solar farms via wireless sensor network. International Journal
of Engineering & Technology. 7. 718. 10.14419/ijet.v7i2.10987.
[4] Mohammad Reza Maghami, Hashim Hizam, Chandima Gomes, Mohd Amran Radzi, Mohammad
Ismael Rezadad, Shahrooz Hajighorbani. (2016). Power loss due to soiling on solar panel: A
 Metodología de auditoría y optimización de la 29
eficiencia de granja solar mediante tratamiento
de imagen
review. Renewable and Sustainable Energy Reviews, Volume 59, Pages 1307-1316, ISSN 1364-
0321, https://doi.org/10.1016/j.rser.2016.01.044.
[5] Vinod, Raj Kumar, S.K. Singh. (2018). Solar photovoltaic modeling and simulation: As a renewable
energy solution. Energy Reports, Volume 4, Pages 701-712, ISSN 2352-4847,
https://doi.org/10.1016/j.egyr.2018.09.008.
[6] Deitsch, Sergiu et al. Automatic Classification of Defective Photovoltaic Module Cells in
Electroluminescence Images. Solar Energy 185 (2019): 455–468. Crossref. Web.
https://arxiv.org/abs/1807.02894
[7] Tsanakas, Ioannis (John) & Chrysostomou, Dimitrios & Botsaris, Pantelis & Gasteratos, Antonios.
(2015). Fault Diagnosis of Photovoltaic Modules through Image Processing and Canny Edge
Detection on Field Thermographic Measurements. International Journal of Sustainable Energy.
34. 351-372. 10.1080/14786451.2013.826223.
[8] Sinha, U. Fundamentals of Features and Corners: Harris Corner Detector.
http://aishack.in/tutorials/harris-corner-detector/
[9] MATLAB. (2018). (R2018a). Natick, Massachusetts: The MathWorks Inc.
[10] Ng, A. Yolo Algorithm [Video]. Cursera: https://www.coursera.org/lecture/convolutional-
neural-networks/yolo-algorithm-fF3O0.
[11] Pierdicca, Roberto & Malinverni, Eva & Piccinini, Fabio & Paolanti, Marina & Felicetti, Andrea &
Zingaretti, Primo. (2018). DEEP CONVOLUTIONAL NEURAL NETWORK FOR AUTOMATIC
DETECTION OF DAMAGED PHOTOVOLTAIC CELLS. ISPRS - International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences. XLII-2. 893-900.
10.5194/isprs-archives-XLII-2-893-2018.
[12] Breitenstein, O. , Rakotoniaina, J. P., Al Rifai, M. H. and Werner, M. (2004), Shunt types in
crystalline silicon solar cells. Prog. Photovolt: Res. Appl., 12: 529-538. doi:10.1002/pip.544
[13] G. Acciani, O. Falcone and S. Vergura, Typical defects of PV-cells, 2010 IEEE International
Symposium on Industrial Electronics, Bari, 2010, pp. 2745-2749. doi:
10.1109/ISIE.2010.5636901
[14] Luis Garcia, Michael Bressan, Annaëlle Le Beche, Fernando Jiménez, Corinne Alonso. (2019).
Development of a very-high granularity tool to determine photovoltaic output power losses in
complex shading conditions.
[15] Ikhlas Abdel-Qader, Solange Yohali, Osama Abudayyeh, Sherif Yehia, Segmentation of thermal
images for non-destructive evaluation of bridge decks, NDT & E International, Volume 41, Issue
5, 2008, Pages 395-405, ISSN 0963-8695, https://doi.org/10.1016/j.ndteint.2007.12.003.
[16] Vergura, Silvano & Falcone, O. (2011). Filtering and Processing IR Images of PV Modules.
Renewable Energy & Power Quality Journal. 10.24084/repqj09.597.
[17] Gazi Yalçın, O. (2018). Image Classification in 10 Minutes with MNIST Dataset.
https://towardsdatascience.com/image-classification-in-10-minutes-with-mnist-dataset-
54c35b77a38d
[18] Mohamed Hassan Ali, Abdelhamid Rabhi, Ahmed El Hajjaji, Giuseppe M. Tina, Real Time Fault
Detection in Photovoltaic Systems, Energy Procedia, Volume 111, 2017, Pages 914-923, ISSN
1876-6102, https://doi.org/10.1016/j.egypro.2017.03.254.
[19] T. Takashima, J. Yamaguchi, K. Otani, K. Kato and M. Ishida, Experimental Studies of Failure
Detection Methods in PV Module Strings, 2006 IEEE 4th World Conference on Photovoltaic
Energy Conference, Waikoloa, HI, 2006, pp. 2227-2230. doi: 10.1109/WCPEC.2006.279952
[20] Mehta, Sachin & Azad, Amar Prakash & Chemmengath, Saneem & Raykar, Vikas &
Kalyanraman, Shivkumar. (2017). DeepSolarEye: Power Loss Prediction and Weakly Supervised
Soiling Localization via Fully Convolutional Networks for Solar Panels.
[21] Norma UNE 216501:2009. Requisitos de las auditorías energéticas. Gobierno de España.
 Metodología de auditoría y optimización de la 30
eficiencia de granja solar mediante tratamiento
de imagen
[22] Zefri, Yahya & ElKettani, Achraf & Sebari, Imane & Ait Lamallam, Sara. (2018). Thermal Infrared
and Visual Inspection of Photovoltaic Installations by UAV Photogrammetry—Application Case:
Morocco. Drones. 2. 41. 10.3390/drones2040041.
[23] Ji, Dong & Zhang, Cai & Lv, Mingsong & Ma, Ye & Guan, Nan. (2017). Photovoltaic Array Fault
Detection by Automatic Reconfiguration. Energies. 10. 699. 10.3390/en10050699.
[24] Bucci, Giovanni & Ciancetta, Fabrizio & Fiorucci, Edoardo & Femine, Antonio. (2019).
Thermographic and electrical characterisation of a photovoltaic panel under partial shading
conditions: A case study. ACTA IMEKO. 8. 93. 10.21014/acta_imeko.v8i1.609.
[25] Fausto Pedro García Márquez, Isaac Segovia Ramírez, Condition monitoring system for solar
power plants with radiometric and thermographic sensors embedded in unmanned aerial
vehicles, Measurement, Volume 139, 2019, Pages 152-162, ISSN 0263-2241,
https://doi.org/10.1016/j.measurement.2019.02.045.
[26] Deitsch, Sergiu & Buerhop-Lutz, Claudia & Maier, Andreas & Gallwitz, Florian & Riess, Christian.
(2018). Segmentation of Photovoltaic Module Cells in Electroluminescence Images.
[27] Ángel-Antonio Bayod-Rújula, José-Antonio Cebollero-Abián, A novel MPPT method for PV
systems with irradiance measurement, Solar Energy, Volume 109, 2014, Pages 95-104, ISSN
0038-092X, https://doi.org/10.1016/j.solener.2014.08.017.
[28] IRENA. “Solar Energy”. IRENA International Renewable Energy Agency, IRENA, 2018,
https://www.irena.org/solar
[29] Saurav, Kumar & Hazra, Jagabondhu. (2018). Moving window approach: Condition monitoring
and robust power forecasting for a solar farm. 1-5. 10.1109/ISGT.2018.8403352.
[30] Steve Rossius, Reconocimiento de objetos mediante webcam en tiempo real. Universidad
Politécnica de Valencia. Tesis.
[31] S. Vergura, G. Acciani and O. Falcone, "A Finite-Element Approach to Analyze the Thermal
Effect of Defects on Silicon-Based PV Cells," in IEEE Transactions on Industrial Electronics, vol.
59, no. 10, pp. 3860-3867, Oct. 2012. doi: 10.1109/TIE.2011.2163286
[32] M. Orkisz, "Estimating effects of individual PV panel failures on PV array output," 2016 IEEE
16th International Conference on Environment and Electrical Engineering (EEEIC), Florence,
2016, pp. 1-5. doi: 10.1109/EEEIC.2016.7555788
[33] A. Livera, M. Florides, M. Theristis, G. Makrides and G. E. Georghiou, "Failure diagnosis of
short- and open-circuit fault conditions in PV systems," 2018 IEEE 7th World Conference on
Photovoltaic Energy Conversion (WCPEC) (A Joint Conference of 45th IEEE PVSC, 28th PVSEC &
34th EU PVSEC), Waikoloa Village, HI, 2018, pp. 0739-0744. doi: 10.1109/PVSC.2018.8548161
[34] F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions," 2017 IEEE
Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, pp. 1800-
1807. doi: 10.1109/CVPR.2017.195
[35] Carlos Belaustegui, Juan Augusto Maya. Distribución Gaussiana Multivariable. (2010).
[36] David Nilsson, Fault Detection in photovoltaic systems. KTH Computer Science and
Communications. Thesis.
[37] Menoufi, Karim. (2017). Dust Accumulation on the Surface of Photovoltaic Panels: Introducing
the Photovoltaic Soiling Index (PVSI). Sustainability. 9. 963. 10.3390/su9060963.
[38] Norma ISO 50002:2014. Energy Audits-Requirements with guidance for use. 2014. ICS 27.01.
[39] Norma ISO 14001:2015. Sistemas de gestion ambiental.
[40] Norma ISO 50003:2014. Energy Management Systems-Requirements for bodies providing audit
and certification of energy management systems.
[41] Norma NTC-ISO 19011:2002. Directrices para la auditoría de los sistemas de gestión de la
calidad y/o ambiental.
 Metodología de auditoría y optimización de la 31
eficiencia de granja solar mediante tratamiento
de imagen
11 ANEXOS

A continuaciónn se presenta parte del codigo utilizado durante el proceso. Este fue
usado para Matlab_R2018a. Cualquier duda adicional, favor contactar al correo
[email protected].

Main:
%% cargar los datos

path='';(path de las imágenes originales)

path2='';(path de la ubicación para guardar las imágenes modificadas
durante el proceso)
va =
imageDatastore(path2,'IncludeSubfolders',true,'LabelSource','foldernames'
);
imds2 =
imageDatastore(path,'IncludeSubfolders',true,'LabelSource','foldernames')
;
load('') (cargar la CNN entrenada)
n=imds2.Files;
n2=va.Files;
for i=1:length(n)
imaP=n{i};
I2=imread(imaP);
I=imresize(I2,[200,200]);
% % Se predice y segmenta
C = semanticseg(I,net);
I3 = C == 'panel'; %Crea la imagen binaria
I2=im2uint8(I3);
% Se hace un promedio de los pixeles para que se vea mejor
I3=(I2);
for j=1:5
I4=medfilt2(I3);
I3=(I4);
end
% Se extrae la imagen
extraerFinal = DarImagen2(I,I3);
%I4=FondoColor(extraerFinal);
%I4=FondoColor(I);
%I5=CannyFilter(I4);
% landmarks=detectMinEigenFeatures(I5);
% landmarks=landmarks.selectStrongest(81).Location;
% %landmarks=landmarks.Location;
% close all
% figure,
% imshow(I5);
% hold on
% plot(landmarks(:,1),landmarks(:,2),'o w');
% hold off
% F=getframe;
 Metodología de auditoría y optimización de la 32
eficiencia de granja solar mediante tratamiento
de imagen
% I6=rgb2gray(F.cdata);
%
imwrite(extraerFinal,n2{i});
end
%% cambiar labeles a numericos
ValRealesValidar=[];
nombres=va.Files;
for i=1:length(nombres)

c2=nombres{i};%coge cada nombre

c3=strsplit(c2,'/');%divide el nombre cada "/" saliendo un arreglo de
1x12
longi=length(c3);
c4=strsplit(c3{longi},'_');
e1=string(c4{1});
e2=string(c4{2});
e3=string(c4{3});
e=strcat(e1,e2,e3);
if e=='NCF'
ValRealesValidar=[ValRealesValidar;0];
end
if e=='NCS'
ValRealesValidar=[ValRealesValidar;1];
end
if e=='NCT'
ValRealesValidar=[ValRealesValidar;2];
end
if e=='NSS'
ValRealesValidar=[ValRealesValidar;3];
end
end
va.Labels=categorical(ValRealesValidar);%cambia los labels
labelCount2 = countEachLabel(va);
%% elegir aleatoriamente los de entrenamiento y los de validacion
% c2=labelCount2.Count;
% c3=min(c2);
% % numTrainFiles = round(c3 *(5/6));
% [imdsTrainM,imdsValidationM] = splitEachLabel(va,c3,'randomize');
% labelCount = countEachLabel(imdsTrainM);
% c2=labelCount.Count;
% c3=min(c2);
% [imdsTrain,imdsV] = splitEachLabel(imdsTrainM,c3,'randomize');
[imd1,imd2,imd3,imd4] = splitEachLabel(va,0.25,0.25,0.25,'randomize');
%% Establecer cual parte se deja para validar: TOCA IR CAMBIANDOLOS
imdsTrain = imageDatastore(cat(1,imd2.Files,imd3.Files,imd4.Files));
imdsTrain.Labels = cat(1,imd2.Labels,imd3.Labels,imd4.Labels);
labelCount = countEachLabel(imdsTrain);
imdsValidation=imd1;
%% Definir parametros de la red
layers = [
imageInputLayer([200 200 3])
convolution2dLayer(5,8,'Padding','same')
batchNormalizationLayer
 Metodología de auditoría y optimización de la 33
eficiencia de granja solar mediante tratamiento
de imagen
reluLayer
maxPooling2dLayer(2,'Stride',2)
convolution2dLayer(5,16,'Padding','same')
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2,'Stride',2)
convolution2dLayer(5,32,'Padding','same')
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2,'Stride',2)
convolution2dLayer(5,64,'Padding','same')
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2,'Stride',2)
convolution2dLayer(5,128,'Padding','same')
batchNormalizationLayer
reluLayer
fullyConnectedLayer( numel(categories(imdsTrain.Labels)));
softmaxLayer
classificationLayer];
%% definir opciones
options = trainingOptions('sgdm', ...
'InitialLearnRate',0.01, ...
'MaxEpochs',200, ...
'Shuffle','every-epoch', ...
'ValidationData',imdsValidation, ...
'ValidationFrequency',10, ...
'Verbose',false, ...
'Plots','training-progress');
%% Entrenar la red
net = trainNetwork(imdsTrain,layers,options);
%% validar los resultados
YPred = classify(net,imdsValidation);
YValidation = imdsValidation.Labels;
accuracyVal = sum(YPred == YValidation)/numel(YValidation)
YPred2 = classify(net,imdsTrain);
YT2 = imdsTrain.Labels;
accuracyTra = sum(YPred2 == YT2)/numel(YT2)
%% error
[contErrores,matConf] =
errorDatos(double(YPred),double(YValidation),height(labelCount));
errorTotal=(contErrores)/(sum(sum(matConf)))
matPro=[];
for i=1:length(matConf)
matPro(i,:)=matConf(i,:)*(100/sum(matConf(i,:)));
end

Dar Imagen 2:
function [extraerFinal] = DarImagen2(Original,Segmentada)
%da la parte segmentada de la imagen partiendo de 2 imagenes.
original= Original;
segmentada= Segmentada;
 Metodología de auditoría y optimización de la 34
eficiencia de granja solar mediante tratamiento
de imagen
[m,n]=size(original);
%extraerFinal=;
for k=1:3
eval=original(:,:,k);
for i=1:m
for j=1:m
extraer(i,j) = (segmentada(i,j)/255)*(eval(i,j));
end
end
extraerFinal(:,:,k)=extraer;
end
end

Error Datos:
function [contErrores,matConf] =
errorDatos(clasificadoEn,ValRealesValidar,clases)
mirError=clasificadoEn-ValRealesValidar;
contErrores=0;
for i=1:length(mirError)
if mirError(i)==0
else
contErrores=contErrores+1;
end
end
matConf=zeros((clases));
%Valores reales son las filas y clasificados en las columnas
for i=1:length(clasificadoEn)
p1=clasificadoEn(i);
p2=ValRealesValidar(i);
matConf(p2,p1)=(matConf(p2,p1)+1);
end
end