Detección temprana de la acumulación de polvo en los módulos de energía solar utilizando técnicas de visión por...

Área de la Ciencia:

• Sistemas de energía renovable Sistemas de energía renovable.
• Inteligencia Artificial en la Gestión de la Energía

Sus antecedentes:

• La investigación existente sobre la acumulación de polvo de los paneles solares a menudo pasa por alto la calidad de los conjuntos de datos y utiliza una clasificación binaria limitada.
• Esta brecha dificulta el análisis preciso de los niveles de polvo y la optimización de los horarios de limpieza de los módulos fotovoltaicos (PV).

Objetivo del estudio:

• Desarrollar un sistema impulsado por IA para la detección temprana de polvo en módulos de energía solar.
• Para abordar las limitaciones en la investigación actual mediante la incorporación de la calidad de los conjuntos de datos y la optimización dinámica de patrones de limpieza.

Principales métodos:

• Utilizó un conjunto de datos visuales de las cámaras Raspberry Pi y datos de energía en tiempo real de los inversores.
• Empleó algoritmos de aprendizaje automático para la optimización dinámica del patrón de limpieza.
• Desarrolló la aplicación móvil WattsUp para la interacción y el monitoreo del usuario.

Principales resultados:

• El sistema de IA mejoró el rendimiento fotovoltaico, evitando hasta un 30% de pérdida de energía.
• Logró un aumento del 23% en la producción de energía en comparación con la limpieza periódica, con un ahorro de costos de $ 2,023.
• Demostró un período de amortización de menos de un año, destacando la viabilidad económica.

Conclusiones:

• El sistema impulsado por IA optimiza efectivamente la limpieza de paneles solares para aumentar la eficiencia y reducir los costos.
• La limpieza dinámica basada en la detección de IA es económicamente viable y promueve la sostenibilidad de la energía solar.
• La aplicación móvil integrada mejora la participación de los usuarios y la confianza en la gestión de la energía solar.