La iniciativa, llevada adelante por Fraunhofer Chile y CORFO a través del Fondo Crea y Valida, permitirá innovar y modernizar la tecnología para diagnóstico de fallas en paneles solares fotovoltaicos en el país.
Según cifras de la Comisión Nacional de Energía, el sistema eléctrico en Chile cuenta con 7 280 MW de capacidad instalada de generación solar PV, lo que se traduce en más de 20 millones de paneles solares. Por lo tanto, el mantenimiento de estos paneles resulta crucial dentro del mercado eléctrico nacional.
Es por ello que un grupo de investigadores del Centro de Tecnologías para Energía Solar de Fraunhofer Chile –integrado por Francisco Moraga, Álvaro Henríquez, Carlos Felbol y Francisco Fuentes– idearon un proyecto que busca innovar en las tecnologías de monitoreo y diagnóstico de fallas en celdas solares, aplicando el uso de un vehículo aéreo no tripulado, electroluminiscencia y Deep Learning, un tipo de aprendizaje automático (ver recuadro).
Nuevo sistema de diagnóstico
“Los métodos tradicionales de monitoreo de fallas de plantas fotovoltaicas (PV) dependen, generalmente, de procesos manuales, lo que implica un proceso lento y afectado por el juicio subjetivo de un experto. Hasta ahora, la innovación se ha centrado en la inspección con drones y termografía. Sin embargo, no todas las fallas de los módulos PV provocan un aumento de temperatura, por lo que las mediciones no siempre son capaces de identificar y clasificar con certeza el estado de los paneles” explica el ingeniero y coordinador del Proyecto, Francisco Moraga.
Francisco Moraga, ingeniero y coordinador del Proyecto.
Según el investigador, este proceso genera miles de imágenes que deben ser revisadas por un experto, por lo que se puede tardar varias semanas en elaborar un reporte. “Alternativamente, la electroluminiscencia (EL) es una técnica de medición que se realiza a los paneles solares, introduciendo un flujo eléctrico a través de las celdas solares, que permite detectar defectos estructurales en las celdas PV (cracks). Es por eso que este proyecto busca dar solución a este problema mediante la sinergia Dron + EL + Deep Learning” indica Moraga.
Automatización y uso de IA
De este modo, el objetivo del proyecto es desarrollar un software para diagnóstico solar avanzado de imágenes de EL y generación de reportes automáticos sobre el “estado de salud” de celdas PV, tecnología que vendrá a complementar la batería de servicios y apoyos que Fraunhofer Chile provee a la industria.
“A través de una serie de actividades de I+D en el campo de la inteligencia artificial (IA), se espera contribuir al avance del conocimiento en la digitalización e IA para la gestión eficiente de los activos energéticos renovables. En particular, se espera crear nuevas y mejoradas arquitecturas de redes neuronales capaces de resolver el problema del post-procesamiento de datos masivos generados por las inspecciones de drones en parques solares” destaca Moraga.
Frank Dinter, director ejecutivo de Fraunhofer Chile - Centro de Excelencia Internacional de ANID y parte de la prestigiosa Red de Institutos Fraunhofer (Alemania)-, esta innovación es parte del portafolio de proyectos que el Centro está llevando adelante para contribuir a la optimización y automatización de los sistemas fotovoltaicos, aportando con conocimientos y tecnología alemana de última generación a la sustentabilidad de la matriz energética nacional.
¿Qué es el Deep Learning?
Es un tipo de tecnología de inteligencia artificial que se caracteriza por intentar emular el comportamiento del cerebro humano y que permiten a un algoritmo "aprender" a partir de grandes cantidades de datos no estructurados como imágenes y texto, efectuando diferenciaciones, realizar predicciones, entre otros. Resulta de gran utilidad para automatizar los procesos y gestionar grandes volúmenes de datos. En la industria energética solar, el Deep Learning está teniendo un impacto significativo al permitir aplicaciones tales como predicción de la producción, diseño y optimización de sistemas solares, control de la generación de energía solar, monitoreo y mantenimiento predictivo, entre otras.
