Detección de fallas en paneles solares a partir de imágenes termográficas tomadas por un drone con navegación autónoma.

Abstract

Este proyecto se enfocó en la detección de fallas que se presentan en la fase de operación de los sistemas fotovoltaicos, para lo cual se desarrolló una metodología para la inspección de paneles solares a partir del análisis de las imágenes termográficas aéreas captadas por un UAV (Unmanned Aerial Vehicle). Se adoptó un abordaje científico-experimental dividido en cinco etapas, cada una apuntando al cumplimiento de un objetivo específico. Se propuso un protocolo para la adquisición de las imágenes termográficas desde un UAV, debido a que en la actualidad no existe una guía o estándar para la inspección aérea de paneles solares con imágenes termográficas. El protocolo propuesto recomienda las condiciones ambientales para realizar la inspección (velocidad del viento, temperatura externa e irradiancia). También recomienda condiciones de vuelo del AUV (altura, posición y velocidad), así como el ángulo de la cámara respecto a los paneles para la captura de las imágenes y la franja horaria para realizar la inspección. Siguiendo el protocolo propuesto, se construyó un dataset con 277 imágenes termográficas de paneles de silicio monocristalino ubicados en la terraza del edificio E52 de la Escuela de Ingeniería Eléctrica y Electrónica (EIEE) de la Universidad del Valle, sede Meléndez. El dataset además de las imágenes IR, incluye información de fecha, hora, irradiancia, temperatura externa y velocidad del viento; así como el estado de las celdas (sanas, defectuosas). También se obtuvo un dataset con 950 imágenes del parque solar de Celsia ubicado en Yumbo. Las celdas presentes en las imágenes IR fueron preprocesadas y segmentadas. En la clasificación del estado de las celdas de los paneles solares se utilizaron las técnicas KNN, Mezcla de gaussianas y SVM. El sistema propuesto alcanzó un desempeño de 68.32% con el método KNN y para los métodos de mezcla de gaussianas se obtuvo un desempeño de 72.14%. El mejor desempeño se obtuvo empleando el método supervisado de la SVM para la clasificación de las celdas con defecto del 77%.