Detección de puntos calientes en generadores fotovoltaicos a partir de termografía infrarroja y técnicas de aprendizaje profundo

Abstract

La energía solar fotovoltaica es actualmente una de las fuentes renovables de energía con mayor impacto en el desarrollo energético y tecnológico sostenible a escala global. Dentro de esta tendencia, Cuba apuesta al futuro con la incorporación de parques fotovoltaicos en la matriz energética, de modo que contribuyan a satisfacer gran parte de la demanda del sistema eléctrico nacional. Los puntos calientes constituyen uno de los defectos de degradación más peligrosos en los módulos fotovoltaicos y afectan gravemente la calidad de la energía generada. El presente informe analiza las técnicas más empleadas en la detección automática de puntos calientes en módulos fotovoltaicos empleando termografía infrarroja y aprendizaje profundo. Se refiere el estado del arte a partir de publicaciones científicas comprendidas entre los años 2018 a la actualidad, indexadas en bases de prestigio internacional para esta área de investigación. La situación actual y las limitaciones de las técnicas empleadas en Cuba para la detección de estos defectos quedan expuestas. Siguiendo las tendencias internacionales, se propone un método automático para la detección de puntos calientes a partir de termografía infrarroja empleando un modelo de redes neuronales profundas basado en la arquitectura AlexNet. Para lograr un mejor aprendizaje del modelo se implementan las técnicas de regularización de aumento de los datos, parada temprana y disminución de la tasa de aprendizaje durante el entrenamiento. Esta propuesta contribuirá a detectar y predecir con mayor efectividad la aparición de puntos calientes en módulos fotovoltaicos instalados en Cuba, en aras de elevar su eficiencia, rendimiento y vida útil.

Photovoltaic solar energy is currently one of the renewable energy sources with the greatest impact on sustainable energy and technological development globally. Within this trend, Cuba is betting on the future with the incorporation of photovoltaic parks into the energy matrix, so that they contribute to satisfying a large part of the demand of the national electrical system. Hot spots constitute one of the most dangerous degradation defects in photovoltaic modules and seriously affect the quality of the generated energy. This report analyzes the most used techniques in automatically detecting hot spots in photovoltaic modules using infrared thermography and deep learning. The state of the art is referred to from scientific publications from 2018 to the present, indexed in internationally prestigious databases for this area of research. The current situation and the limitations of the techniques used in Cuba to detect these defects are exposed. Following international trends, an automatic method is proposed for hot spot detection from infrared thermography using a deep neural network model based on the AlexNet architecture. To achieve a better learning of the model, the regularization techniques of data augmentation, early stopping and decay of the learning rate are implemented during training. This proposal will contribute to detecting and predicting more effectively the appearance of hot spots in photovoltaic modules installed in Cuba, to increase their efficiency, performance, and useful life.