Detección de anomalías en sistemas fotovoltaicos con aprendizaje no supervisado (machine learning y redes neuronales)

Resumen

El presente trabajo titulado “Detección de anomalías en sistemas fotovoltaicos con aprendizaje no supervisado (machine learning y redes neuronales)” presenta una visión general sobre el monitoreo de instalaciones fotovoltaicas mediante técnicas de inteligencia artificial, abordando aspectos relacionados con la detección temprana de fallas y degradaciones.

En primer lugar, la autora destaca la importancia del aprendizaje automático no supervisado frente a la insuficiencia de las técnicas tradicionales de inspección visual, como base para identificar patrones inusuales sin necesidad de datos etiquetados de fallas previas.

Uno de los ejes centrales del trabajo es la implementación de algoritmos como Isolation Forest, DBSCAN y redes neuronales tipo autoencoder sobre variables de potencia, voltaje, corriente e irradiancia solar, donde se evidencia que los autoencoders presentan el mejor desempeño general, con tasas de detección superiores al 85%. Esto permite aplicaciones en la identificación de fallas de módulos, sombreado parcial, degradación de inversores y desconexiones no programadas.

Asimismo, se presentan resultados del análisis de componentes principales (PCA) que demuestran la separación entre estados de operación normal y anormal en el espacio de características reducido.

Finalmente, el estudio aborda los desafíos relacionados con la interpretación de las alertas generadas por el sistema, incluyendo la identificación de los indicadores más relevantes para cada tipo de anomalía. En este sentido, se resalta la importancia de integrar estos modelos en plataformas de monitoreo en tiempo real para promover una gestión energética más sostenible.