Clasificación automatizada de fallas en módulos fotovoltaicos mediante análisis de curvas I-V

Abstract

Esta memoria presenta el desarrollo de una metodología automatizada para la clasificación de fallas en módulos fotovoltaicos monofaciales, mediante el análisis de sus curvas corriente-tensión (I-V). Las curvas fueron obtenidas a partir de ensayos realizados en el simulador solar “Temperature Controlled Laboratory Flasher” (TCLF), bajo condiciones controladas, y posteriormente sometidas a un procesamiento computacional basado en técnicas de inteligencia artificial y visión por computador. El enfoque metodológico consistió en transformar las curvas I-V en imágenes mediante el uso de Gramian Angular Difference Fields (GADF), permitiendo capturar información estructural completa de la curva. Se construyó una base de datos de 75 curvas, incluyendo tanto módulos en buen estado como defectuosos. Se desarrollaron dos modelos de clasificación: uno basado en análisis de porcentaje de color en sectores clave de la imagen, y otro empleando redes neuronales convolucionales (CNN) entrenadas sobre imágenes GADF etiquetadas. La metodología permitió identificar con alta precisión distintas fallas representativas, tales como degradación por resistencia serie o paralelo, cortocircuito, sombreado parcial y errores de medición. Se alcanzaron precisiones superiores al 99% en la clasificación de fallas con la CNN entrenada, y se implementó un sistema de generación automatizada de reportes individuales por módulo, consolidando resultados cuantitativos y visuales. Se concluye que el uso combinado de transformaciones GADF y aprendizaje profundo permite implementar un sistema confiable, rápido y escalable para el diagnóstico de módulos fotovoltaicos, lo que representa un aporte significativo al mantenimiento predictivo en plantas solares.

This thesis presents the development of an automated methodology for the fault characterization of monofacial photovoltaic modules, based on the analysis of their current-voltage (I-V) curves. These curves were obtained through tests conducted in the “Temperature Controlled Laboratory Flasher” (TCLF) solar simulator under controlled conditions, and subsequently processed using computer-based techniques involving artificial intelligence and computer vision. The methodological approach involved transforming I-V curves into images using Gramian Angular Difference Fields (GADF), enabling the extraction of complete structural information from the curves. A database of 75 I-V curves was constructed, including both healthy and faulty modules. Two classification models were developed: one based on analyzing the percentage of color in specific sectors of the images, and another using convolutional neural networks (CNN) trained on labeled GADF images. This methodology successfully identified key fault types such as series and shunt resistance degradation, short circuits, partial shading, and measurement errors—with classification accuracies above 99% using the CNN model. Additionally, an automated reporting system was implemented to generate individual reports per module, consolidating both quantitative results and visual data. The study concludes that the combined use of GADF transformations and deep learning enables the implementation of a reliable, fast, and scalable fault diagnosis system for PV modules, representing a significant contribution to predictive maintenance in solar power plants.