Técnicas de Aprendizaje Profundo para la Detección de Fallas en Módulos Fotovoltaicos

Página do item simplificado
dc.contributor.advisorOrientação
dc.contributor.authorPérez Vargas, Jhoan Rodrigo
dc.date.accessioned2022-08-17T05:12:18Z
dc.date.available2022-08-17T05:12:18Z
dc.date.issued2022
dc.descriptionTrabajo de Conclusión del Curso presentado al Instituto Latinoamericano de Ciencias de la Vida y de la Naturaleza de la Universidad Federal de la integración latinoamericana, como requisito parcial para obtener la titulación Bacharel en Ingeniería Física.pt_BR
dc.description.abstractEl desempeño de los sistemas fotovoltaicos se ve afectado por diversos factores, entre ellos, fallas o anomalías que se presentan en los principales sistemas de generación de energía, los módulos fotovoltaicos (PV). El creciente despliegue de plantas fotovoltaicas y la necesidad de aumentar el rendimiento y la fiabilidad de estas, exige el desarrollo de herramientas de inspección que permita identificar anomalías de forma barata, rápida y eficiente. En este contexto, varios grupos de investigación han usado la termografía infrarroja aérea (aIRT) como herramienta para identificar fallas en módulos PV por medio de imágenes termográficas tomadas por vehículos aéreos no tripulados (UAV). Dichas imágenes pueden ser evaluadas por técnicos experimentados para determinar si existe una falla o no en un determinado modulo PV, sin embargo, esta metodología se torna compleja y extenuante debido al gran volumen de información cuando se trata de analizar cientos o miles de módulos PV presentes en una granja solar de grande porte. El presente trabajo explora la aplicación de técnicas de aprendizaje profundo (DL) sobre un conjunto de imágenes obtenidas por aIRT para detectar fallas en módulos PV con el fin de evaluar su desempeño y la capacidad de automatizar el proceso de inspección de fallas. Las imágenes fueron obtenidas a partir de conjuntos de datos (dataset) de libre acceso disponible en la web para el desarrollo de investigación en esta área. Adicionalmente se creó un dataset sintético para incrementar el volumen de datos de entrada para el entrenamiento de un modelo de DL usado para la identificación de los módulos. Las imágenes se preprocesaron para entrenar dos modelos de DL: Mask R-CNN, un modelo usado para segmentación de instancias, y ResNet, una red neuronal convolucional usada para problemas de clasificación. Los resultados obtenidos en este trabajo mostraron una precisión sobre conjuntos de prueba (test) de hasta un 97,9% y 81.4% para la segmentación y la clasificación respectivamente. Finalmente se implementó un modelo conjunto (segmentación y clasificación) para la detección de fallas sobre imágenes y video, cuyos resultados demuestran la capacidad de estas herramientas para la automatización de procesos con grandes volúmenes de información.pt_BR
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/6744
dc.language.isospapt_BR
dc.rightsopenAccess
dc.subjectEnergía solarpt_BR
dc.subjectDeep Learningpt_BR
dc.subjectInteligencia artificialpt_BR
dc.subjectMódulos fotovoltaicospt_BR
dc.subjectTermografía.pt_BR
dc.titleTécnicas de Aprendizaje Profundo para la Detección de Fallas en Módulos Fotovoltaicospt_BR
dc.typebachelorThesispt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Técnicas de Aprendizaje Profundo para la Detección de Fallas en Módulos Fotovoltaicos
Tamanho:
2.28 MB
Formato:
Adobe Portable Document Format
Descrição:
Técnicas de Aprendizaje Profundo para la Detección de Fallas en Módulos Fotovoltaicos
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC - Engenharia Física