Tras la aparición del material de 5.000 años que salvará los paneles solares, estos dispositivos duplicarán su eficiencia con un nuevo método para detectar fallas aéreas. Los paneles solares son una herramienta sumamente relevante en el contexto de transición energética en el que se encuentra el mundo, además de un factor clave para reducir el importe de la factura de electricidad mensual en casas y negocios. La instalación de paneles solares es una actividad cada vez más extendida para aprovechar al máximo la abundancia de la luz solar y lograr la independencia energética de las redes convencionales.
Tanto si hablamos de instalaciones a pequeña o gran escala, las principales ventajas que entrañan son el ahorro en la factura de luz y el disfrute de energía renovable y no contaminante. Asimismo, los inmuebles con placas solares instaladas incrementan su valor. Están diseñados para producir electricidad a partir de la energía del sol.
Pueden ofrecer energía donde sea necesario. Debido a su importancia en el ecosistema energético, diferentes compañías y expertos del sector siguen investigando nuevas fórmulas para mejorar su forma de trabajo. Así es como se ha alcanzado un nuevo método para duplicar la eficiencia de los paneles solares.
Duplican la eficiencia de los paneles solares con un método infalible
Un equipo internacional de investigación ha creado un nuevo método de detección de fallos fotovoltaicos basado en el aprendizaje profundo de imágenes aéreas. Proponen una arquitectura de red neuronal convolucional (CNN, de acuerdo a sus iniciales en inglés) U-Net para la segmentación de imágenes y después aplicar la arquitectura CNN InceptionV3-Net para la clasificación de fallos.
Para el paso de segmentación del modelo, el grupo hizo uso de una base de datos registrada y disponible públicamente de 4.616 imágenes. Las imágenes aéreas fueron divididas en 6 categorías: tierras de cultivo, praderas, salino-alcalinas, arbustos, superficies de agua y tejados. Asimismo, la base de datos tuvo un reparo proporcionado en 60%-20%-20% para la formación, validación y prueba, respectivamente.
Dividieron otra base de datos de 885 imágenes en la misma proporción para clasificar fallos. El conjunto de datos tiene 6 categorías de problemas fotovoltaicos: limpio, polvoriento, caída de pájaros, daños eléctricos, daños físicos y cubierto de nieve. Además del modelo InceptionV3-Net, que atribuye la base InceptionV3 con ponderaciones de ImageNet, los investigadores también hicieron pruebas con otros modelos de clasificación para comprensión. Hablamos de Dense-Net, MobileNetV3, VGG19, CNN, VGG16, Resnet50 e InceptionV3.
La arquitectura InceptionV3-Net usa la base InceptionV3 con pesos de ImageNet, mejorada con capas convolucionales, bloques de compresión y excitación (SE), conexiones residuales y agrupación de promedios globales.
El nuevo método contempla dos capas densas con LeakyReLU y una normalización por lotes, que culmina con una capa de salida Soft-Max. También emplea técnicas de incremento de datos como ajustes de rotación, desplazamiento, cizallamiento, zoom y brillo.
Los paneles solares duplican su eficiencia con un método revolucionario
Su estudio reveló que la propuesta InceptionV3-Net logró una precisión de validación de hasta el 98,34% y una puntuación F1, que muestra el equilibrio entre precisión y recuperación, del 0,99%. Haciendo una comparación, la precisión de validación de los modelos de la competencia fluctúa entre el 20,9% y el 89,87% y la F1 entre el 0,21% y el 0,92%. Los resultados de las pruebas también reflejaron que la red InceptionV3-Net propuesta obtuvo una precisión de validación del 94,35% y una puntuación F1 de 0,94.
Este contexto es comparable con la precisión de validación de los modelos de la competencia, con la precisión de validación en el rango 21%-90,19% y F1 de 0,19-0,91 en las piezas competidoras. SPF-Net: Solar panel fault detection using U-Net based deep learning image classification» (SPF-Net: Detección de fallas en paneles solares mediante clasificación de imágenes con aprendizaje profundo basada en U-Net), publicado en Energy Reports, es el estudio en el que se presentó este innovador método. El equipo de científicos a cargo del análisis pertenece a la American International University-Bangladesh de Bangladesh, la Universidad Rey Saud de Arabia Saudí y el Instituto de Tecnología GMR de la India.
En conclusión, los paneles solares duplicarán su eficiencia con este nuevo método para detectar fallas aéreas. Una noticia casi tan impactante como la de los paneles solares que se pliegan solos.
