Red neuronal convolucional para el diagnóstico

de módulos fotovoltaicos

Jorge Luis Pincay Luis Fernando Mulcue Jesus Alfonso López

Lozada Nieto Sotelo

Universidad Coopera- Universidad Autónoma Universidad Autónoma

tiva de Colombia de Manizales de Occidente
Cali, Colombia Manizales, Colombia Cali, Colombia

Resumen

A través de este documento se presenta el marco de trabajo y los avances parciales de la investi-
gación que pretende acondicionar el uso de técnicas de aprendizaje profundo, para diagnosticar
fallas de los módulos fotovoltaicos en operación, con base en las termografías como principal
insumo de entrada para una red neuronal convolucional, y así obtener una guía en el diagnóstico
y detección de fallos por cada módulo fotovoltaico – PV en funcionamiento. Bajo un método de
investigación deductivo con enfoque mixto que aborda aspectos tanto cuantitativos como cualitati-
vos, donde posteriormente se evalúa la eficiencia lograda del algoritmo de inteligencia artificial –
IA, mediante rangos porcentuales de aciertos de falsos positivos y falsos negativos, siendo así de
tipo exploratoria en el uso de redes neuronales convolucionales, este proyecto concluye en la via-
bilidad de hacer uso de herramientas de IA para diagnosticar sistemas de generación fotovoltaica
en sitio, y con sugerencia diagnostica del posible fallo que cada módulo de captación pueda estar
sobrellevando en el momento de ser captado por medio de una imagen de espectro infrarrojo. Con
lo anterior se puede mejorar la interconexión de los módulos para corregir su proceso de conversión
energético, creando así una mejora en eficiencia general del sistema, así como los tiempos de
retorno de inversión, lo que se espera redunde un impacto en el uso de masivo de este tipo de
sistemas para la obtención de energía eléctrica haciendo uso de fuentes alternativas.

Palabras clave: sistemas energéticos; inteligencia artificial; energía fotovoltaica; redes neurona-
les
 Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos

Abstract

This paper presents the framework and partial progress of the research that aims to condition the
use of deep learning techniques to diagnose failures of photovoltaic modules in operation, based
on thermographies as the main input for a convolutional neural network, and thus obtain a guide in
the diagnosis and detection of failures for each photovoltaic module - PV in operation. Under a
deductive research method with a mixed approach that addresses both quantitative and qualitative
aspects, where the efficiency achieved by the artificial intelligence - AI algorithm is subsequently
evaluated, through percentage ranges of false positive and false negative hits, thus being explora-
tory in the use of convolutional neural networks, This project concludes in the feasibility of making
use of AI tools to diagnose photovoltaic generation systems on site, and with diagnostic suggestion
of the possible failure that each collection module may be carrying at the time of being captured by
means of an image of infrared spectrum. With the above, the interconnection of the modules can
be improved to correct their energy conversion process, thus creating an improvement in overall
system efficiency, as well as the return on investment times, which is expected to have an impact on
the massive use of such systems for obtaining electricity using alternative sources.

Keywords: energy systems; artificial intelligence; photovoltaic energy; neural networks

1. Introducción

En el año 2020 se generó un incremento del 23% equivalente a 156TWh, en la generación de

electricidad a partir del recurso solar, en comparación con el año 2019; representando así un
3,1% de toda la generación de electricidad en el mundo, siendo la tercera forma de generación
de electricidad de recursos renovables. (Bojek et al., 2021)

La generación de electricidad con fuente solar está siendo impulsada por medidas de fomento
gubernamental en muchos países del mundo. Incluyendo a Colombia, de igual manera se vuelve
transcendental el mantenimiento y diagnóstico de las instalaciones existente para lo cual se pro-
mueve la mejora en las tecnologías para detección de fallas en las instalaciones actuales y futuras.

Como cualquier sistema de generación de electricidad, las instalaciones de sistemas fotovoltaicos

- SFV, requieren técnicas que permitan realizar el seguimiento, monitoreo y detección temprana de
fallas y anomalías, permitiendo así mantener las condiciones óptimas de operación y aumentar la
rentabilidad de estos proyectos (Triki-Lahiani et al., 2018). Existen diferentes métodos de detección
de fallas fuera de línea (Mekki et al., 2016), con base en parámetros eléctricos principalmente:
tensión, e intensidad de corriente, con los cuales se construyen las curvas V*I correspondientes
para cada módulo PV, Lo cual implica interrupciones en el proceso de transformación energética.

Para no generar interrupciones durante el proceso de diagnóstico, se han utilizado las termografías,
o imágenes infrarrojas como una de las herramientas llamadas a liderar estos procesos, la termo-
grafía detecta temperaturas a distancia, sin contacto físico, funciona gracias a las radiaciones
infrarrojas donde se emplea cámaras o sensores termográficos para conseguir la información de

2
 Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos

la temperatura, estas cámaras captan la radiación infrarroja del espectro electromagnético.(Høiaas

et al., 2022)

Esta propuesta de investigación doctoral pretende alcanzar un algoritmo estable de IA de manera

experimental que permita apoyar los procesos de diagnóstico de las fallas más tipificadas pero
imperceptibles a la vista humana.

2. Estado del arte

La eficiencia de generación de electricidad a partir del recurso solar proviene principalmente de

los módulos de captación fotovoltaicos, por ello son considerados como el componente más impor-
tante del sistema, y es precisamente el objeto que debe ser más estudiado en los procesos diagnós-
ticos para la oportuna detección de fallas, y así lograr un sistema operacionalmente fiable, eficiente
y seguro. (Mekki et al., 2016)(Gallardo-Saavedra et al., 2019)

A partir de las imágenes infrarrojas IR se puede comprobar si la calidad de las células modulares
cumple con los requerimientos operacionales. Si los módulos se tornan más calientes debido a la
sombra, las células dañadas o subcadenas consumen electricidad, en vez de producirla, la eficien-
cia se reduce en un 0,5 % por Kelvin. Un calentamiento promedio del 10 °C con respecto a la
temperatura media normal significa ya un rendimiento de energía un 5 % inferior.(Luis et al., 2017)

La inteligencia artificial, pretende emular la inteligencia biológica, a partir del conocimiento que se
tiene de los cerebros humanos, se busca crear conexiones de sinopsis en un algoritmo que puedan
procesar información de manera semejante. (Kubat, 1999). Si bien Para el año 2015 se afirmaba
la ausencia de investigación en proyectos que vincularan las redes neuronales para aplicarlas en
los procesos de detección de fallas y monitoreo de los SFV(Mekki et al., n.d.)

Las redes neuronales han sido empleadas de manera satisfactoria en diferentes procesos de la
conversión energética fotovoltaica(Mellit & Kalogirou, 2008). En los sistemas fotovoltaicos SFV, se
han desarrollado algoritmos de IA para la predicción de la energía generada con las plantas PV
(Ding et al., 2011; Mellit et al., 2013), estos procesos ya llevan más de una década de desarrollo
y hoy por hoy son predicciones de gran porcentaje de certeza. En cuanto al rendimiento, la IA ha
aportado en él proceso de evaluaciones para determinar la configuración optima de las conexiones
entre series y paralelos que pueden transformar la mayor cantidad de energía según la estimación
de los parámetros (Bastidas-Rodriguez et al., 2013), por otro lado, la IA se usó para realizar
procesos de investigación en el análisis el rendimiento de dos tecnologías solares fotovoltaicas bajo
exposición atmosférica mediante modelos de redes neuronales artificiales – RNA (Velilla et al.,
2014) para los sistemas de seguimiento del punto máximo de potencia – MPPT, la IA a aportado
en la creación de métodos que permiten su reconfiguración a partir de la conductancia incremental
para contrarrestar rápidamente los efectos de poseer parcialmente áreas sombreadas sobre los
módulos generadores. (Boukenoui et al., 2016; Punitha et al., 2013), las redes neuronales convo-
lucionales – CNN han sido de utilidad para detectar sombras parciales sobre los módulos fotovol-
taicos. (Mekki et al., 2016)

3
 Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos

Las imágenes de infrarrojas se han usado para identificar módulos defectuosos, así como para el
control y optimización de estos, así como su impacto en el rendimiento del SFV (Buerhop et al.,
2018), después de realizar una gran cantidad de imágenes termográficas se han tipificado las
fallas que este tipo de tecnología puede identificar con mayor eficacia que otros métodos. Dejando
definidas la capacidad de detectar, identificar y cuantificar la gravedad de los defectos que apa-
recen en los módulos fotovoltaicos es esencial para constituir un sistema fiable, eficiente y seguro,
evitando pérdidas de energía, desajustes y problemas de seguridad, los defectos detectados se
han clasificado en cinco modos de fallo termográficos: sobrecalentamiento en celdas, en circuito
bypass, en la caja de conexiones, en la conexión entre la barra colectora (busbar) y la caja de
conexiones y en el módulo completo. (Buerhop et al., 2018; Gallardo-Saavedra et al., 2019)

En el año 2019, de manera experimental se realizó el proceso de inspección de 17412 módulos

monocristalinos, para lo cual fue necesario 34 días de trabajo de dos especialistas, donde Cada
uno de los fallos detectados durante la inspección, independientemente de su temperatura, fue
registrado, identificado y comunicado, el proceso de análisis tomó 26 días, analizado utilizando
el software de la cámara termográfica, IRSoft, obteniendo la temperatura relativa del defecto, la
temperatura media de la zona sana y la diferencia entre ellas, lo que indicaba el sobrecalenta-
miento del defecto.(Gallardo-Saavedra et al., 2019) Es precisamente este proceso de análisis el
que se busca mejorar mediante las herramientas computacionales.

Se han realizado algunos avances en el campo en los últimos 2 años, usar las herramientas de
visión computacional para realizar la clasificación de fallas desde e insumo de videos aéreos, los
cales contenían 4.6 millones de termografías de 107842 módulos PV, información la cual se usó
para entrenar una RNA de arquitectura ResNet (Bommes et al., 2021)

3. Metodología

A la fecha, no ha sido posible conseguir un paquete de imágenes etiquetadas para realizar el

entrenamiento, por lo cual en el proceso operacional de la investigación es necesario la adición
de la campaña de datos.

Se inicia el proceso de apropiar el conocimiento alrededor de las técnicas de inteligencia artificial

- IA y su aplicación en detección de fallas de sistemas, al ser un área de intenso desarrollo tecno-
lógico científico actual, se debe realizar revisiones continuas de nuevos aportes al proceso de
investigación, por lo cual se requiere analizar los nuevos trabajos de la comunidad científica, ga-
rantizando así un potencial de innovación al concluir el proyecto.

Con reportes oficiales, y publicaciones recientes que enriquecen y potencializan el trabajo de in-
vestigación en curso, con las cuales se procede a construir bases sólidas para el informe y publica-
ciones que están en desarrollo, así como seguir recomendaciones técnicas de procesos previos
para la adquisición de los datos e imágenes infrarrojas – IR. Según experimentos realizados por
investigadores.

4
 Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos

Para fase de recolección de señales y parámetros influyentes para el diagnóstico de los módulos
fotovoltaico, se ha logrado contar con un importante avance, pues la UJA (Universidad de Jaén),
cuenta con diferentes Sistemas Fotovoltaicos (SFV) con sistemas de adquisición de datos (DAQSAD),
y estaciones meteorológicas para la medición y recolección de los diferentes parámetros eléctricos
y meteorológicos que pueden ser considerados potencialmente relevantes para el proyecto, de
igual manera se cuenta con trazadores de curvas corriente versus tensión (I-V).

Durante la estancia de investigación en la UJA, se puso en marcha el sistema de adquisición de

datos, por medio de cual se cuenta con acceso a información referentes a diferentes instalaciones
de SFV, hasta el momento se han realizado pruebas preliminares con 3 instalaciones:

Sistema paralelo PWM compuesto por 2 paneles

Sistema serie PWM compuesto por 2 paneles
Sistema MPPT compuesto por 2 paneles

Mediante un sistema de instrumentación se alcanza la adquisición de datos que almacena los

parámetros medidos de tensión y corrientes tanto del generador fotovoltaico, batería como las
entradas y salidas del controlador, así como temperatura del módulo. Así mismo está la estación
meteorológica para la captura de radiación solar en el mismo plano de inclinación de los módulos,
plano horizontal, temperatura ambiente, velocidad de viento, humedad, punto de roció y presión.
Creando información redundante que podría ser utilizada para mejorar la eficacia y eficiencia del
producto de IA.

Para iniciar este proceso de adquisición y medición de parámetros se han realizado algunas imá-
genes (Fig1) de los SFV en operación:

Figura 1. Imagen de termografía del SFV Serie. Fuente: Elaboración propia.

Este tipo de imágenes IR se procesan mediante los softwares del fabricante de las cámaras FLUKE
para obtener una imagen en formato legible por el software donde se desarrollará la IA. Se espera
tener para el final de la estancia un dataset (paquete de información para la configuración de la

5
 Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos

IA) para poder proceder al entrenamiento del primer algoritmo de IA tipo CNN para analizar la
respuesta al problema de investigación propuesto.

Los sistemas fotovoltaicos que se están realizando las primeras medidas, cuentan con acceso de
las curvas I*V del momento histórico que los SFV fueron puestos en marcha, creando así el potencial
de comparación y desgate a través del tiempo de estos sistemas.

Actualmente está en curso la construcción de un dataset para lograr el entrenamiento del modelo
de la técnica de aprendizaje profundo, para lograr el entrenamiento de una red neuronal convolu-
cional – CNN, de su sigla en inglés, y así culminar los entrenamientos y pruebas conducentes a la
consecución del proceso del cuarto objetivo específico: Validar del modelo IA en sitio para módulos
PV en operación, con esto se tendría la consecución del proyecto completado, al alcanzar el obje-
tivo general que trata de un algoritmo de IA para el diagnóstico de fallas de los módulos de cap-
tación fotovoltaica en sitio, es decir bajo las condiciones de operación.

Fig 2. Exemplary IR images of a normal and ten different types of anomalous PV modules in our dataset. Temperature
ranges from 30°C (black) to 60°C (white). (Bommes et al., 2022)

En la figura 2 se observa la clasificación realizada recientemente por investigadores que entrenaron

una IA de tipo convolucional CNN y con arquitectura ResNet-34, con una pérdida contrastiva
supervisada, sobre la que se empleó un clasificador k-próximo para detectar anomalías, con 73,3%
de efectividad. (Bommes et al., 2022)

En la actualidad se ha iniciado el proceso de diseño y codificación de la IA, actualmente, ya se

cuenta con algoritmos entrenados y funcionando para la clasificación de imágenes, el primero para
imágenes de blanco y negro, el segundo para imágenes a color, estos algoritmos han sido entre-
nados con dataset disponibles y abiertos, es necesario terminar la construcción de dataset de IR-PV
para la culminación del objetivo de la investigación propuesto. Estos avances en el algoritmo de
IA se han realizado con dataset disponibles como se ha comentado anteriormente, para el cual se
han probado algoritmos de clasificación con redes neuronales convolucionales profundas, ini-
ciando con clasificación en blanco y negro mediante herramientas de Google, TensorFlow y keras

6
 Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos

Fig 3. DataSet libre fashion_mnist. Google TensorFlow / Keras

Posteriormente se ha logrado entrenar modelos para reconocimiento, con dataset disponibles y

CIFAR-10 y CIFAR-100, de la Universidad de Toronto, que cuenta con 60.000 imágenes de color
para 10 clases disponibles, dejando 6.000 imágenes por cada clase. Obteniendo rendimientos
satisfactorios en imágenes de 3 canales:

Fig 4. DataSet libre Cifar-10. Universidad de Toronto

Con estos desarrollos en el lenguaje de programación Python 3.0 se logrado obtener importantes
avances, ratificando así la viabilidad de crear un algoritmo que permita el diagnóstico fallas de los
módulos PV en operación, mediante una Graficación de imágenes de prueba con clasificación
correcta e incorrecta

7
 Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos

4. Conclusiones parciales

Una vez se cuente con el dataset completo, se harán las pruebas para la validación del modelo de
las arquitecturas de IA, para satisfacer el diagnóstico de los módulos PV bajo condiciones de ope-
ración. La investigación se considera con gran potencial de innovación e impacto, al mejorar los
procesos operacionales de los SFV pueden masificarse este tipo de generación de electricidad en
países que aún son muy incipientes en este campo, pues se puede lograr mayor efectividad en el
proceso de conversión energética lo cual reduce los tiempos de retorno de las inversiones, convir-
tiendo en estos proyectos atractivos desde el punto de vista financiero.

La privilegiada ubicación geográfica de Colombia, pues está situado sobre el eje ecuatorial, ge-
nera un excelente ángulo azimutal para el uso del sol como fuente para procesos energéticos, y es
también una gran oportunidad para poner marcha proyectos que permitan contribuir con estas
tecnologías, desde el punto de vista de emprendimientos de base tecnológica con gran impacto
esperado para diferentes electrificadoras alrededor del mundo, pues se han masificado el uso de
estos Sistemas fotovoltaicos tanto en tamaño como complejidad, por lo cual cada día es relevante
evitar la aparición de problemas relacionados a la estabilidad y la calidad de operación de las
celdas y módulos fotovoltaicos, esto garantiza la potencia de la generación de energía en el
tiempo, de ahí la necesidad de contar con un sistema eficiente para su diagnóstico. Lo cual se
pretende mediante tratamiento de imágenes térmicas para sistemas fotovoltaicos.

El proyecto está vinculado a un área de investigación en desarrollo, donde actualmente se cuentan

con una creciente pero aún primitiva contribución a la ciencia en esta área.

5. Agradecimientos

Agradecimientos especiales A la Universidad de Jaén, por brindar acceso a SFV, equipos de labo-
ratorio para las etapas experimentales del proyecto. La Asociación Universitaria Iberoamericana
de Postgrado - AUIP, quien ha otorgado el beneficio de la beca para el traslado entre Colombia –
España – Colombia, del investigador principal. La Universidad Cooperativa de Colombia, por fi-
nanciar otros rubros de la presente investigación.

Referencias

• Bastidas-Rodriguez, J. D., Ramos-Paja, C. A., & Saavedra-Montes, A. J. (2013). Reconfiguration

analysis of photovoltaic arrays based on parameters estimation. Simulation Modelling Practice and
Theory, 35, 50–68. [Link]
• Bojek, P., Bahar, H., & International Energy Agency. (2021, November). Solar PV - Tracking report
November 2021. Https://[Link]/Reports/Solar-Pv.
• Bommes, L., Hoffmann, M., Buerhop-Lutz, C., Pickel, T., Hauch, J., Brabec, C., Maier, A., & Marius
Peters, I. (2022). Anomaly detection in IR images of PV modules using supervised contrastive learning.
Progress in Photovoltaics: Research and Applications, 30(6), 597–614.
[Link]

8
 Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos

• Bommes, L., Pickel, T., Buerhop-Lutz, C., Hauch, J., Brabec, C., & Peters, I. M. (2021). Computer
vision tool for detection, mapping, and fault classification of photovoltaics modules in aerial IR videos.
Progress in Photovoltaics: Research and Applications, 29(12), 1236–1251.
[Link]
• Boukenoui, R., Salhi, H., Bradai, R., & Mellit, A. (2016). A new intelligent MPPT method for stand-
alone photovoltaic systems operating under fast transient variations of shading patterns. Solar Energy,
124, 124–142. [Link]
• Buerhop, C., Fecher, F. W., Pickel, T., Häring, A., Adamski, T., Camus, C., Hauch, J., & Brabec, C.
J. (2018). Verifying defective PV-modules by IR-imaging and controlling with module optimizers. Pro-
gress in Photovoltaics: Research and Applications, 26(8), 622–630.
[Link]
• Ding, M., Wang, L., & Bi, R. (2011). An ANN-based Approach for Forecasting the Power Output of
Photovoltaic System. Procedia Environmental Sciences, 11(PART C), 1308–1315.
[Link]
• Gallardo-Saavedra, S., Hernández-Callejo, L., & Duque-Pérez, Ó. (2019). Analysis and characteri-
zation of PV module defects by thermographic inspection Análisis y caracterización de defectos en
módulos fotovoltaicos por medio de termografía infrarroja. [Link]
• Høiaas, I., Grujic, K., Imenes, A. G., Burud, I., Olsen, E., & Belbachir, N. (2022). Inspection and
condition monitoring of large-scale photovoltaic power plants: A review of imaging technologies.
Renewable and Sustainable Energy Reviews, 161, 112353.
[Link]
• Kubat, M. (1999). Neural networks: a comprehensive foundation by Simon Haykin, Macmillan,
1994, ISBN 0-02-352781-7. . The Knowledge Engineering Review, 13(4), 409–412.
[Link]
• Luis, J., Lozada, P., Autónoma, U., Occidente, D. E., De, F., Departamento, I., Operaciones, D. E.,
& Sistemas, Y. (2017). ANÁLISIS EXPERIMENTAL DE LA RELACIÓN DE LA TEMPERATURA DE OPE-
RACIÓN DE UN MÓDULO FOTOVOLTAICO Y SU VOLTAJE DE CIRCUITO ABIERTO.
• Mekki, H., Mellit, A., & Salhi, H. (2016). Artificial neural network-based modelling and fault detection
of partial shaded photovoltaic modules. Simulation Modelling Practice and Theory, 67, 1–13.
[Link]
• Mekki, H., Mellit, A., Salhi, H., & Guessoum, A. (n.d.). Mediterranean Journal of Modeling and
Simulation Arti…cial neural Network-Based modeling and monitoring of photovoltaic generator.
• Mellit, A., & Kalogirou, S. A. (2008). Artificial intelligence techniques for photovoltaic applications:
A review. Progress in Energy and Combustion Science, 34(5), 574–632.
[Link]
• Mellit, A., Saǧlam, S., & Kalogirou, S. A. (2013). Artificial neural network-based model for estimating
the produced power of a photovoltaic module. Renewable Energy, 60, 71–78.
[Link]
• Punitha, K., Devaraj, D., & Sakthivel, S. (2013). Artificial neural network based modified incremental
conductance algorithm for maximum power point tracking in photovoltaic system under partial sha-
ding conditions. Energy, 62, 330–340. [Link]
• Triki-Lahiani, A., Bennani-Ben Abdelghani, A., & Slama-Belkhodja, I. (2018). Fault detection and
monitoring systems for photovoltaic installations: A review. In Renewable and Sustainable Energy
Reviews (Vol. 82, pp. 2680–2692). Elsevier Ltd. [Link]
• Velilla, E., Valencia, J., & Jaramillo, F. (2014). Performance evaluation of two solar photovoltaic
technologies under atmospheric exposure using artificial neural network models. Solar Energy, 107,
260–271. [Link]

9
 Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos

Sobre los autores

• Jorge Pincay Lozada: Ingeniero Mecatrónico, Máster en Ingenierías, Candidato a Doc-

tor en Ingenierías Profesor Asistente – Facultad de Ingenierías, Grupo de Investigación ES-
LINGA. Profesor titular. [Link]@[Link]
• Luis Fernando Mulcue Nieto: Ingeniero Físico. Magíster en Ciencias-Física. Máster en
Energía Fotovoltaica. Doctor en Ciencias-Física, Doctor en Ingeniería Mecánica y eficiencia
energética. Profesor departamento de física y matemáticas, Universidad Autónoma de Ma-
nizales. [Link]@[Link]
• Jesús Alfonso López Sotelo: Ingeniero Electricista. Magíster en Automática, Doctor en
Ingeniería. Profesor Titular - Facultad de Ingeniería Universidad Autónoma de Occidente
jalopez@[Link]

Los puntos de vista expresados en este artículo no reflejan necesariamente la opinión de la

Asociación Colombiana de Facultades de Ingeniería.

Copyright © 2022 Asociación Colombiana de Facultades de Ingeniería (ACOFI)

10