Diagnóstico de parques solares mediante el tratamiento automatizado deimágenes y su aplicación a la automatización de los programas demantenimiento tanto correctivos como preventivos

Abstract

En un contexto donde la eficiencia y la seguridad de las instalaciones industriales son primordiales, la implementación de estrategias de mantenimiento predictivo se vuelve esencial. En el sector de la generación fotovoltaica, este mantenimiento es necesario para mantener bajos los costes variables y así conseguir rentabilizar las instalaciones y garantizar su viabilidad económica. Este trabajo pretende presentar una alternativa a la metodología utilizada actualmente en las inspecciones termográficas de módulos fotovoltaicos en parques solares. Para ello, se ha propuesto la utilización de algoritmos de detección de objetos, basados en Deep Learning, para la identificación y clasificación de defectos en módulos fotovoltaicos a través del análisis de imágenes térmicas. Los algoritmos elegidos, que son parte del estado del arte de la detección de objetos, son YOLOv5, Faster R-CNN y RetinaNet. Mediante el entrenamiento de estos modelos en imágenes térmicas de módulos fotovoltaicos, se pretende conseguir el diagnóstico automatizado de las instalaciones. Para ello, estos modelos han sido implementados en un entorno de programación en Python, con PyTorch como framework principal, y utilizando numerosas librerías de inteligencia artificial y procesamiento y gestión de imágenes. Para la comparación de las tres arquitecturas, se realizaron entrenamientos sobre el mismo dataset y con un mismo conjunto de hiperparámetros. Posteriormente, se realizó un entrenamiento más profundo y detallado para cada arquitectura, buscando maximizar el rendimiento de cada una mediante el ajuste y refinado de hiperparámetros. Los resultados mostraron que los tres modelos son válidos para la aplicación propuesta, con valores de AP cercanos al 90% en la detección de paneles defectuosos y alrededor del 80% en el conjunto de los elementos a detectar (mAP). Faster R-CNN logró la mayor precisión, mientras que YOLOv5l demostró ser el más rápido, lo que lo hace adecuado para la detección en tiempo real. RetinaNet ofreció un equilibrio entre precisión y velocidad. La integración de estas tecnologías demuestra un ejemplo claro de cómo el Deep Learning puede ser una herramienta poderosa en la gestión y mantenimiento de infraestructuras energéticas, promoviendo un entorno industrial más eficiente y sostenible. Además, estos modelos pueden combinarse con diversas tecnologías propias de la Industria Conectada, como IoT, Big Data y sistemas de gestión de energía, permitiendo la recopilación y análisis de datos en tiempo real para optimizar el rendimiento de las instalaciones.

In a context where the efficiency and security of industrial facilities are paramount, the implementation of predictive maintenance strategies becomes essential. In the photovoltaic generation sector, this maintenance is necessary to keep variable costs low and thus make the facilities profitable and ensure their economic viability. This work aims to present an alternative to the methodology currently used in thermographic inspections of photovoltaic modules in solar parks. For this purpose, the use of object detection algorithms based on Deep Learning has been proposed for the identification and classification of defects in photovoltaic modules through the analysis of thermal images. The chosen algorithms, which are part of the state of the art in object detection, include YOLOv5, Faster R-CNN, and RetinaNet. By training these models on thermal images of photovoltaic modules, it is intended to achieve automated diagnostics of the facilities. These models have been implemented in a Python programming environment, with PyTorch as the main framework, using numerous libraries for artificial intelligence and image processing and management. For the comparison of the three architectures, training was conducted on the same dataset and with the same set of hyperparameters. Subsequently, a more thorough and detailed training was conducted for each architecture, aiming to maximize the performance of each one by adjusting and refining hyperparameters. The results showed that all three models are valid for the proposed application, with AP values close to 90% in detecting defective panels and around 80% in the set of elements to detect (mAP). Faster R-CNN achieved the highest accuracy, while YOLOv5 proved to be the fastest, making it suitable for real-time detection. RetinaNet offered a balance between accuracy and speed. The integration of these technologies demonstrates a clear example of how Deep Learning can be a powerful tool in the management and maintenance of energy infrastructures, promoting a more efficient and sustainable industrial environment. Furthermore, these models can be combined with various proprietary technologies of the Connected Industry, such as IoT, Big Data, and energy management systems, allowing the collection and analysis of real-time data to optimize the performance of facilities.