Predicción de pérdida de potencia en paneles fotovoltaicos mediante el análisis de imágenes

Abstract

Trabajo Fin de Máster en Big Data. Tutores: D.Diego Marín Santos; D. Manuel E. Gegúndez Arias. La inspección de paneles fotovoltaicos en busca de desperfectos que comprometan el rendimiento de los mismos es una tarea que, generalmente, se realiza de manera visual por los operarios encargados del mantenimiento de las instalaciones. Esta técnica supone una gran carga de trabajo en instalaciones grandes y requiere de una especialización para detectar correctamente los problemas. El objetivo de este proyecto es el análisis de imágenes de paneles fotovoltaicos mediante un sistema basado en técnicas de Big Data y Deep Learning para predecir las posibles pérdidas energéticas ocasionadas por la acumulación de suciedad en la superficie del panel analizado. Para abordar el proyecto, se ha diseñado una red neuronal convolucional que nos permita resolver el problema de regresión planteado. Además, como comparación, vamos a usar la red VGG16 para adaptarla a nuestro problema. La experimentación se ha llevado a cabo en un conjunto de 45754 imágenes de paneles fotovoltaicos en la que, cada imagen, tiene la información de la pérdida de potencia debido a la acumulación de suciedad. El entrenamiento, validación y evaluación de la red se realizó sobre el 80%, 10% y 10% del total de imágenes, respectivamente. El error absoluto medio obtenido en la red neuronal convolucional diseñada ha sido 3.729, mientras que el error absoluto medio obtenido en la red VGG16 ha sido 3.754, resultados bastante similares entre ambos modelos. Por lo tanto, teniendo en cuenta los resultados obtenidos, se podría afirmar que tanto la red CNN propuesta como la red VGG16 podrían utilizarse en la tarea del análisis de paneles fotovoltaicos para detectar aquellos paneles en los que la acumulación de suciedad pueda provocar una pérdida en el rendimiento.

The inspection of photovoltaic panels in search of defects that compromise their performance is a task generally carried out visually by the operators in charge of the facilities’s maintenance.This technique is a heavy workload in large installations and requires specialisation to correctly detect problems. The objetive of this proyect is the analysis of photovoltaic solar panels’ images through a system based on Big Data and Deep Learning techniques to predict possible energy losses caused by the accumulation of dirt on the surface of the analyzed panel. In order to achieve this aim, a convolutional neural network that allows us to solve the regression problema has been designed. Also, as a comparison, we are going to use the VGG16 network to addapt it to our problem. The experimentation has been carried out on a set of 45754 images of photovoltaic panels, in which each image has the information of the power loss due to dirt accumulation. The training, validation and evaluation of the network has been performed on 80%, 10% and 10% of the total images, respectively. The mean absolute error obtained in the designed convolutional neural network was 3.729, whereas the mean absolute error obtained in the VGG16 network was 3.754. As it can be observed, both models are very similar. Therefore, taking into account the results obtained, it could be said that both models could be used in the task of analyzing photovoltaic panels to detect those in which the dirt accumulation could induce a loss in performance.