Detección automática de averías en paneles solares mediante imágenes analizadas con IA basada en redes neuronales convolucionales

Rubén D. RAMOS, Yeuris A. LOPEZ, Lowis M. VALDEZ, Willy J. ROSARIO, Jose M. SALAVERT. 25 de enero de 2024

0

0

0

0

9 min. de lectura

Rubén D. Ramos
Universidad Central del Este
República Dominicana

Yeuris A. López
Universidad Central del Este
República Dominicana

Lowis M. Valdez
Universidad Central del Este
República Dominicana

Willy J. Rosario
Universidad Central del Este
República Dominicana

J.M. Salavert, PhD.
Universitat Politècnica de València
España

1. INTRODUCCIÓN

Los paneles solares son un componente clave dentro del concepto de "sostenibilidad" tanto en edificios como en industrias, pero se estos elementos se degradan con el tiempo, lo que conlleva a disminución en la eficiencia y un aumento en los costes de mantenimiento.

Las técnicas de monitorizado y diagnóstico permiten emplear mantenimiento predictivo (PdM) para analizar la evolución de síntomas asociados a averías, o bien, cuando estas ya se han producido, deberían permitir la detección rápida del tipo de avería y elemento que ha fallado. No obstante la detección de ciertos modos de fallo comunes en las instalaciones con placas solares se hace complejo por la extensión y cantidad de placas a revisar y por el acceso a las mismas que puede ser complicado en la mayoría de los casos.

La utilización de imágenes de las superficies de los paneles fotovoltaicos adquiridas con métodos modernos y asequibles (como por ejemplo, mediante la utilización de cámaras instaladas en drones) y su tratamiento es una técnica que bien desarrollada proporciona respuestas rápidas y precisas no solo sobre el estado de los paneles, sino también sobre la existencia de diferentes problemas y su ubicación exacta.

El tratamiento de imágenes mediante técnicas de aprendizaje automático para el reconocimiento de modos de fallo, se muestra como una solución interesante y efectiva para tratar el mantenimiento de placas fotovoltaicas. En particular, el desarrollo de algoritmos de análisis de imágenes mediante técnicas de redes neuronales convolucionales (CNN) son un tipo de algoritmo de aprendizaje profundo que se emplea en aplicaciones de mantenimiento (Francisco Llario, 2019). Las CNN han demostrado ser muy efectivas en la clasificación de imágenes y se han utilizado con éxito para predecir la falla de una variedad de componentes, incluidos los paneles solares.

En este artículo, se presenta un enfoque basado en CNN para el mantenimiento de paneles solares utilizando el algoritmo de descenso de gradiente estocástico (SGD). Se realiza una evaluación del algoritmo desarrollado mediante la aplicación a un conjunto de imágenes de paneles solares, mostrando que puede lograr una alta precisión en la detección y clasificación de fallos. También se discute el potencial de el desarrollo propuesto para la mejora de las operaciones de mantenimiento edificios.

2. METODOLOGÍA

2.1. Recopilación de datos

Se recopilaron un conjunto de datos de imágenes de paneles solares de diversas fuentes, incluyendo internet y bases de datos públicas. Las imágenes se etiquetaron como muestra en la Tabla 1. La Tabla 1 también muestra la distribución de entrenamiento y pruebas de cada categoría de los defectos seleccionados.

Tabla 1. Banco de datos y su clasificación.

2.2. Preprocesamiento de datos

Las imágenes se preprocesaron redimensionándolas a un tamaño de 224 x 224 x 3 pixeles y normalizando la desviación estándar y media sus tensores.

2.3. Selección del Modelo

La arquitectura VGG16, propuesta inicialmente por Simonyan y Zisserman en 2014, ha demostrado ser una excelente elección para la transferencia de conocimientos en tareas de visión por computadora (MD Saif Hassan Onim, 2023) (Mariem Mejri, 2018). Con sus 16 capas de peso y diseño uniforme, VGG16 ha ganado reconocimiento por su profundidad y simplicidad, lo que lo hace particularmente adecuado para una amplia gama de problemas de clasificación de imágenes (Karen Simonyan, 2015). En el contexto del análisis de paneles solares, donde la detección de diversas condiciones como grietas, suciedad y daños es esencial, los pesos preentrenados de VGG16 ofrecen un valioso punto de partida.

Al ajustar las capas completamente conectadas para clases específicas de paneles solares, se puede aprovechar las capacidades de extracción de características de VGG16 para acelerar el desarrollo de modelos de aprendizaje profundo para el monitoreo de la condición de los paneles solares. En la figura 1 se muestra una síntesis de la arquitectura del modelo VGG16.

Figura 1. Arquitectura del Modelo VGG16.

2.4. Entrenamiento del modelo

En el proceso de entrenamiento de una Red Neuronal Convolucional (CNN), el objetivo es optimizar los parámetros de la red minimizando la Pérdida de Entropía Cruzada (Cross-Entropy Loss), una métrica ampliamente adoptada para evaluar la disparidad entre las probabilidades de clase predichas y las etiquetas de verdad (ground truth). Esta pérdida, denotada como­ L_CE, se calcula para cada muestra de entrada i y cuantifica la disimilitud mediante la siguiente ecuación:

Donde Y_ij representa el indicador binario de si la clase j es la etiqueta verdadera para la muestra i, y P_ij representa la probabilidad predicha asignada a la clase j para esa muestra. El objetivo principal del entrenamiento es ajustar de manera iterativa los pesos de la red para minimizar esta pérdida. Para lograr esta optimización, el Descenso de Gradiente Estocástico (Stochastic Gradient Descent o SGD) se utiliza como algoritmo de optimización elegido. El SGD calcula el gradiente de la Pérdida de Entropía Cruzada con respecto a los parámetros de la red, y en cada iteración, ajusta los pesos en la dirección opuesta a este gradiente para minimizar la pérdida. La ecuación de actualización de pesos para el k-ésimo parámetro W_k durante el entrenamiento se expresa como:

En esta ecuación, α representa la tasa de aprendizaje, que determina el tamaño del paso para las actualizaciones de pesos, y para este caso se eligió un valor de 0,001. El gradiente   se calcula mediante la retro-propagación (backpropagation). Esta combinación de Pérdida de Entropía Cruzada y el algoritmo de optimización SGD es un enfoque fundamental para entrenar CNNs (Haihong Mao, 2020) (Hamza Tariq, 2018), facilitando el aprendizaje de representaciones que permiten una clasificación precisa de los datos de entrada

2.5. Evaluación del modelo

 La CNN se evaluó en un conjunto de prueba independiente de imágenes de paneles solares. La precisión de la CNN se midió por el porcentaje de imágenes que se clasificaron correctamente dentro de las etiquetas mostradas en la tabla 1.

En número de "epoch" empleado fue de 30, y el "Batch size" fue de 32

En la figura 2 muestra una secuencia de las imágenes luego de ser preprocesadas para ser evaluadas posteriormente por el modelo:

Figura 2-b. Imágenes preprocesadas: Superficies con polvo

Figura 2-c. Imágenes preprocesadas: Daño físico

Figura 2-d. Imágenes preprocesadas: Daño eléctrico

Figura 2-e. Imágenes preprocesadas: Estado Ok

La figura 3 muestra los resultados entre cada ciclo (epoch) de aprendizaje y validación para la Función de Perdida de entropía cruzada.

Figura 3. Función Pérdida de entropía cruzada para los datos de validación y entrenamiento vs. el número de ciclo de entrenamiento

La figura 4 muestra los resultados entre cada ciclo de aprendizaje y validación para la Exactitud.

Figura 4. Exactitud encontrada para los datos de validación y entrenamiento vs. el número de ciclo de entrenamiento.

La figura 5 muestra los resultados entre cada ciclo de aprendizaje y validación para la puntuación F-1. La puntuación F1 es una métrica alternativa de evaluación en el aprendizaje automático que evalúa la habilidad predictiva de un modelo al detallar su rendimiento por clase en lugar de un rendimiento general, como se hace con la precisión. La puntuación F1 combina dos métricas en competencia: precisión y recuperación.

Figura 5. Puntuación F1 para los datos de validación y entrenamiento vs. el número de ciclo de entrenamiento.

3. RESULTADOS

La CNN desarrollada logró una precisión del 99.44% en los datos de entramiento y un 85.88% en los datos de validación para la clasificación de fallos en paneles solares. Esto es un indicador de que es necesario la posibilidad de aumentar el tamaño del set de datos ya sea mediante técnicas de aumento artificial del set de datos o mediante la recolección de más muestras (Haihong Mao, 2020) (Zhang Chengyu, 2019). Incluso de esta forma, igual es fácil poder ver como la aplicación de es lo suficientemente confiable para detectar los casos más típicos que tienen las edificaciones. Esto es superior a la precisión de otros métodos para inspeccionar las condiciones en paneles solares.

4. DISCUSIÓN

Los resultados de nuestro estudio sugieren que las CNN pueden utilizarse de manera efectiva para predecir e inspeccionar fallos en paneles solares. Esto tiene el potencial de mejorar las operaciones sostenibles en edificios al reducir la cantidad de fallos inesperados y al mejorar la eficiencia de los paneles solares.

En el futuro, planeamos mejorar aún más la precisión de nuestra CNN mediante el uso de un conjunto de datos más grande de imágenes de paneles solares y al entrenar la CNN en una plataforma informática más potente. También planeamos explorar el uso de las CNN para otras aplicaciones en las operaciones sostenibles de edificios, como la optimización del uso de energía solar y la mejora de la eficiencia energética de los edificios.

El próximo paso inmediato de la investigación sería el ajuste fino del modelo y proseguir con el despliegue del modelo pre-entrenado en sistemas embebidos.

5. CONCLUSIÓN

En este artículo, presentamos un enfoque basado en CNN para el PdM de paneles solares. Evaluamos nuestro enfoque en un conjunto de datos de imágenes de paneles solares y mostramos que puede lograr una alta precisión en la clasificación de fallos. También discutimos el potencial de nuestro enfoque para mejorar las operaciones sostenibles en edificios.

Nuestros resultados sugieren que las CNN pueden ser una herramienta valiosa para las operaciones sostenibles en edificios. Al predecir automáticamente los fallos en paneles solares, las CNN pueden ayudar a reducir la cantidad de fallos inesperados, lo que puede ahorrar tiempo y dinero. Además, las CNN pueden contribuir a mejorar la eficiencia de los paneles solares, lo que puede resultar en ahorros de energía y una reducción de las emisiones de carbono.

6. BIBLIOGRAFíA

• Diwan Ruan, J. W. (2023). CNN parameter design based on Fault signal analysis and its application in bearing fault diagnosis. 55(Advance Engineering Informatics).
• Francisco Llario, V. G. (2019). Fault Detection of Solar Panels Using a Convolutional Neural Network. Energies(Energies).
• Haihong Mao, L. Y. (2020). A Novel Solar Panel Fault Detection Algorithm Based on Convolutional Neural Network. (2020 IEEE International Conference on Robotics and Automation (ICRA), ).
• Hamza Tariq, A. A. (2018). Solar Panel Fault Detection Using Convolutional Neural Networks. International Conference on Intelligent Robots and Systems ( IROS).
• Haroon Raja, A. Z. (2019). A Novel Approach for Solar Panel Fault Detection Using Deep Convolutional Neural Networks". (IEEE Access).
• Harsha Jakkanahalli, V. e. (2018). Machine learning and deep neural network — Artificial intelligence core for lab and real-world test and validation for ADAS and autonomous vehicles: AI for efficient and quality test and validation. IEEE.
• Karen Simonyan, A. Z. (2015). VERY DEEP CONVOLUTIONALNETWORKS FOR LARGE-SCALE IMAGE RECOGNITION.
• Mariem Mejri, M. J. (2018). "Solar Panel Fault Detection using Convolutional Neural Networks and Transfer Learning. (RSJ International Conference on Intelligent Robots and Systems (IROS)).
• MD Saif Hassan Onim, e. a. (2023). SolNet: A Convlotuional neural Network for Detecting Dust on Panels. (Energies).
• S. Naveen Venkatesh, B. R. (2022). Automatic Detection of visual faults on photovoltaic modules using deep ensemble learning netwrok. 8(Energy Reports).
• Sujata P. Pathak, S. P. (2022). Solar Panel Hotspot localization and fault classification uising deep learning approach. (Procedia).
• Xiaoyana Lu, e. a. (2023). Efficient fault diagnosis approach for solar photovoltaic array using a convolutional neural network in combination of generative adversarial network under small dataset. 253(Solar Energy).
• Zhang Chengyu, D. C. (2019). Deep Learning-Based Solar Panel Fault Detection and Classification. (2019 IEEE 6th International Conference on Energy, Environment and Sustainable Development (ICEESD),).