Publicado:
2022-12-30Número:
Vol. 19 Núm. 2 (2022): Revista TekhnêSección:
ArtículosThree neural architectures implemented in photovoltaic panel anomaly detection and categorization
Tres arquitecturas neuronales implementadas en la detección y categorización de anomalías en paneles fotovoltaicos
Palabras clave:
Anomalies, diagnosis, learning, neural network, solar panels, training, visual inspection (en).Palabras clave:
Anomalías, aprendizaje, diagnóstico, entrenamiento, inspección visual, paneles solares, red neuronal (es).Descargas
Resumen (en)
Solar panels are useful and efficient tools. They need to be kept in excellent working condition, but as time goes by, they suffer from external failures manifested in the environment. Therefore, the need for effective monitoring of such systems is highlighted. Neural models are perfect candidates to perform physical damage recognition. In this case, we compare the performance of three artificial neural networks, the multilayer perceptron, the densely connected neural network, and the ResNet-50 network in this identification problem. What is intended to be obtained from this method is the practical demonstration of the use of neural networks to solve real problems.
Resumen (es)
Los paneles solares son herramientas útiles y eficientes. Necesitan mantenerse en excelente estado de funcionamiento, pero a medida que pasa el tiempo, sufren fallos por externos manifestados en el ambiente. Por lo tanto, se resalta la necesidad de hacer un seguimiento efectivo de dichos sistemas. Los modelos neuronales son candidatos perfectos para realizar el reconocimiento de los daños físicos. En este caso, se compara el desempeño de tres redes neuronales artificiales, el perceptrón multicapa, la red neuronal densamente conectada y la red ResNet-50 en este problema de identificación. Lo que se pretende obtener de este método es la demostración práctica del uso de las redes neuronales para solucionar problemas reales.
Referencias
Ahmed, W., Ali, M., Hussain, S., Zafar, A., & Hasani, S. (2022). Visual vocabulary based photovoltaic health monitoring system using infrared thermography. IEEE Access, 10, 14409–14417.
Catalano, A., Scognamillo, C., Guerriero, P., Daliento, S., & d’Alessandro, V. (2021). Using emphasis for the thermography-based fault detection in photovoltaic plants. Energies, 14.
Eskandari, A., Aghaei, M., Milimonfared, J., & Nedaei, A. (2023). A weighted ensemble learning-based autonomous fault diagnosis method for photovoltaic systems using genetic algorithm. International Journal of Electrical Power and Energy Systems, 144.
Et-taleby, A., Chaibi, Y., Boussetta, M., Allouhi, A., & Benslimane, M. (2022). A novel fault detection technique for pv systems based on the k-means algorithm, coded wireless orthogonal frequency division multiple. Solar Energy, 237, 365–376.
García, E., Ponluisa, N., Quiles, E., Zotovic-Stanisic, R., & Gutiérrez, S. (2022). Solar panels string predictive and parametric fault diagnosis using low-cost sensors. Sensors, 22.
Jumaboev, S., Jurakuzie, D., & Lee, M. (2022). Photovoltaics plant fault detection using deep learning techniques. Remote Sensing, 14.
Kahoul, N., Chehhib, H., Sidrach de Cordona, M., Affari, B., Younes, M., & Kherici, Z. (2021). Performance degradation analysis of crystalline silicon solar cells in desert climates. Energy for Sustainable Development, 65, 189–193.
Kim, B., Serfa, R., Lee, D., & Chen, Z. (2021). Importance of image enhancement and cdf for fault assessment of photovoltaic module using ir thermal image. Applied Sciences (Switzerland), 11.
Korkmaz, D., & Acikgoz, H. (2022). An efficient fault classification method in solar photovoltaic modules using transfer learning and multi-scale convolutional neural network. Engineering Applications of Artificial Intelligence, 113.
Lamb, W., Asnes, D., Kupfer, J., Lickey, E., Bakken, J., Haskell, R., Saeta, P., & Yang, Q. (2022). Real-time anticipation and prevention of hot spots by monitoring the dynamic conductance of photovoltaic panels. IEEE Journal of Photovoltaics, 12, 1051–1057.
Lin, C., Tzeng, G., Cheng, C., Lay, Y., & Tien, C. (2014). An automatic optical inspection system for the detection of three parallel lines in solar panel end face. Optik, 125, 688–693.
Masita, K., Hasan, A., & Shongwe, T. (2022). 75mw ac pv module field anomaly detection using drone-based ir orthogonal images with res-cnn3 detector. IEEE Access, 10, 83711–83722.
Nomura, Y., Inoue, M., & Kuroki, H. (2022). Anomaly detection for solar panel joint clamps using deep learning based detection and recognition techniques. Zairyo/Journal of the Society of Materials Science, Japan, 71, 289–295.
Prabhakaran, S., Uthra, R., & Preetharoselyn, J. (2023). Deep learning-based model for defect detection and localization on photovoltaic panels. Computer Systems Science and Engineering, 44, 2683–2700.
Radovanovic, I., & Popovic, I. (2021). Identification of degrading effects in the operation of neighboring photovoltaic systems in urban environments. Electronics (Switzerland), 10.
Segovia, R., J., P., & García, F. (2022). Unmanned aerial vehicle integrated real time kinematic in infrared inspection of photovoltaic panels. Measurement: Journal of the International Measurement Confederation, 18.
Tchoketchkebir, S., Cheggaga, N., Ilinca, A., & Boulouma, S. (2021). An efficient neural network-based method for diagnosing faults of pv. Sustainability (Switzerland), 13.
Wang, M., Lin, Z., & Lu, S. (2022). A fault detection method based on cnn and symmetrized dot pattern for pv modules. Energies, 15.
Wang, X., Yang, W., Qin, B., Wei, K., Mamá, Y., & Zhang, D. (2022). Intelligent monitoring of photovoltaic panels based on infrared detection. Energy Reports, 8.
Zhang, R., Li, G., Bu, S., Kuang, G., He, W., Zhu, Y., & Aziz, S. (2022). A hybrid deep learning model with error correction for photovoltaic power forecasting. Frontiers in Energy Research, 10.
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Visitas
Descargas
Licencia
Derechos de autor 2023 Kevin S. Sánchez C., Carlos A. Reyes G.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada.