Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo

Abstract

This study presents a proposal for a classification system for faults that occur in photovoltaic modules from the use of RGB images and a deep learning approach implemented in a portable embedded device (Raspberry Pi). Convolutional Neural Networks (CNN) are used for photovoltaic module detection using semantic segmentation and additionally for fault classification. This study considers 2 specific cases of classification; Binary (Fault and not Fault) and quaternary (Cracks, Shadows, Dust and Not Fault). The models presented show an average accuracy greater than 90% for the binary classification and 74% for the quaternary classification. The implementation of these models in low cost embedded devices corresponds to a viable alternative for the continuous monitoring of photovoltaic modules.

Este estudio presenta una propuesta para un sistema de clasificación de fallas que ocurren en módulos fotovoltaicos a partir del uso de imágenes RGB y un enfoque de aprendizaje profundo implementado en un dispositivo embebido portátil (Raspberry Pi). Las redes neuronales convolucionales (CNN) se utilizan para la detección de módulos fotovoltaicos mediante la segmentación semántica y, además, para la clasificación de fallas. Este estudio considera 2 casos específicos de clasificación; Binario (Falla y no Falla) y cuaternario (Fisuras, Sombras, Polvo y No Falla). Los modelos presentados muestran una precisión media superior al 90% para la clasificación binaria y al 74% para la clasificación cuaternaria. La implementación de estos modelos en dispositivos empotrados de bajo costo corresponde a una alternativa viable para la monitorización continua de módulos fotovoltaicos.