Sistema de Detección de Anomalías Térmicas para Instalaciones Fotovoltaicas
Plataforma: Ubuntu 20 y PostgreSQL Tipo: Proyecto Cerrado Fecha: 2022 Enlace: No disponible
Resumen
Este proyecto tuvo como objetivo automatizar la detección de anomalías térmicas en instalaciones fotovoltaicas mediante técnicas de visión computacional aplicadas sobre imágenes térmicas georreferenciadas.
La solución fue desarrollada para una empresa especializada en monitoreo de instalaciones solares y buscaba complementar los mecanismos tradicionales de monitoreo basados en inversores, permitiendo identificar posibles fallas directamente sobre los paneles solares antes de que evolucionaran hacia problemas de mayor impacto.
Para ello se diseñó un pipeline capaz de procesar imágenes térmicas de gran tamaño, identificar mesas solares, detectar incidencias térmicas y registrar automáticamente los hallazgos junto con su ubicación geográfica.
Referencias Visuales
Ejemplo de anomalías térmicas en paneles solares
La siguiente imagen muestra ejemplos públicos de anomalías térmicas detectadas en paneles solares. Sirve como referencia visual para comprender el tipo de defecto que el sistema buscaba identificar.
Imagen representativa del proyecto
La siguiente imagen fue utilizada para representar el objetivo general de la solución: apoyar la inspección de paneles solares mediante análisis de imágenes térmicas y visión computacional.
Contexto
Durante mi trabajo en una empresa especializada en monitoreo de instalaciones fotovoltaicas participé principalmente en proyectos relacionados con integración y procesamiento de datos.
La compañía monitoreaba el rendimiento de plantas solares utilizando información proveniente de inversores y otros sistemas operacionales. Sin embargo, existía una oportunidad para complementar este monitoreo mediante análisis directo de imágenes térmicas.
La detección temprana de anomalías térmicas permitía identificar potenciales problemas físicos en los paneles antes de que estos generaran pérdidas significativas de rendimiento o daños permanentes.
Problema
Los sistemas tradicionales de monitoreo fotovoltaico permiten identificar anomalías a nivel de producción energética y comportamiento de los inversores. Sin embargo, muchos defectos físicos de los paneles pueden desarrollarse antes de reflejarse claramente en estos indicadores.
La revisión manual de imágenes térmicas resulta compleja debido al volumen de información generado por grandes instalaciones solares.
El desafío consistía en automatizar el análisis de imágenes térmicas para localizar mesas solares, detectar anomalías relevantes y asociarlas automáticamente a una ubicación geográfica específica.
Arquitectura General
La arquitectura fue diseñada para procesar imágenes de gran tamaño sin perder detalle, preservando la capacidad de detectar anomalías pequeñas y manteniendo la trazabilidad geográfica de cada hallazgo.
Solución
El sistema fue desarrollado para analizar imágenes térmicas capturadas sobre instalaciones solares.
Dado que las imágenes originales poseían dimensiones considerables y contenían información geográfica, se optó por dividirlas en múltiples imágenes más pequeñas manteniendo superposición entre ellas. Esta decisión evitó la pérdida de información crítica que podría producirse al redimensionar las imágenes.
A partir de estas imágenes se generaron datasets específicos para entrenamiento mediante procesos de limpieza y preparación de datos.
El análisis se realizó utilizando dos modelos independientes.
1. Segmentación de Mesas Solares
El primer modelo tenía como objetivo identificar las mesas solares presentes en cada imagen.
Este paso era fundamental para evitar falsos positivos producidos por elementos externos al sistema fotovoltaico, como superficies altamente calientes presentes en el terreno.
Internamente denominábamos algunos de estos casos como "suelo de lava" debido a su apariencia en los visualizadores térmicos.
2. Detección de Anomalías Térmicas
Una vez localizada la mesa solar, se ejecutaba un segundo modelo especializado en identificar incidencias térmicas relevantes.
Posteriormente se aplicaban reglas de validación y postprocesamiento para verificar características como tamaño e intensidad térmica antes de registrar la incidencia.
Tipos de Incidencias
El alcance del proyecto consideró dos categorías principales.
Hotspot
Corresponde a un punto o área localizada de temperatura anormalmente alta dentro de un panel solar.
Este tipo de anomalía puede estar asociado a defectos en celdas solares, problemas de conexión, sombreado o acumulación de suciedad.
Faulty
Corresponde a áreas más extensas del panel que presentan un comportamiento térmico anómalo.
Este tipo de incidencia puede indicar fallas estructurales o problemas de funcionamiento del panel.
Existen otras categorías de defectos presentes en instalaciones fotovoltaicas que no formaron parte del alcance de este proyecto.
Georreferenciación y Trazabilidad
Las imágenes originales incluían información geográfica que fue preservada durante todo el proceso de análisis.
Esto permitió:
- Asociar incidencias a ubicaciones específicas.
- Relacionar detecciones con mesas solares concretas.
- Mantener historial de eventos.
- Facilitar futuras inspecciones en terreno.
Los resultados eran almacenados junto con sus coordenadas geográficas y posteriormente exportados a archivos CSV para análisis y seguimiento.
Mi Participación
Durante mi etapa como analista de datos en una empresa especializada en monitoreo de instalaciones fotovoltaicas participé en la investigación y desarrollo de esta solución basada en visión computacional.
El proyecto me permitió combinar experiencia previa en procesamiento de datos con conocimientos de inteligencia artificial adquiridos tanto de forma autodidacta como durante mi formación universitaria.
Mis responsabilidades incluyeron:
- Preparación y limpieza de datasets.
- Diseño del pipeline de procesamiento.
- Generación de datasets para entrenamiento.
- Desarrollo de modelos de segmentación.
- Desarrollo de modelos de detección.
- Integración con información georreferenciada.
- Diseño de mecanismos de validación y postprocesamiento.
Desafíos Técnicos
Uno de los principales desafíos fue el tamaño de las imágenes originales.
La reducción de resolución podía provocar la pérdida de información relevante para detectar anomalías pequeñas, por lo que fue necesario diseñar una estrategia de particionado que preservara el detalle de las imágenes.
Otro desafío importante consistió en reducir falsos positivos generados por elementos externos a los paneles solares, lo que motivó la implementación de una etapa previa de segmentación de mesas solares.
También fue necesario mantener la relación entre las imágenes procesadas y su ubicación geográfica original para permitir una trazabilidad completa de las incidencias detectadas.
Tecnologías Utilizadas
- Python
- PostgreSQL
- Ubuntu 20
- Visión Computacional
- Procesamiento de Imágenes Térmicas
- Georreferenciación
- Inteligencia Artificial
Resultados
La solución permitió:
- Automatizar el análisis de imágenes térmicas.
- Detectar anomalías térmicas en instalaciones fotovoltaicas.
- Asociar incidencias a ubicaciones geográficas específicas.
- Mantener trazabilidad histórica de eventos detectados.
- Complementar los sistemas tradicionales de monitoreo basados en inversores.
Además, el proyecto demostró la viabilidad de aplicar técnicas de inteligencia artificial para apoyar procesos de inspección y monitoreo en instalaciones solares de gran escala.
Impacto
La principal contribución del proyecto fue complementar el monitoreo tradicional basado en inversores con una capa adicional de análisis visual sobre los propios paneles solares.
La detección temprana de anomalías térmicas permite identificar potenciales fallas antes de que evolucionen hacia pérdidas de rendimiento, reparaciones costosas o daños permanentes en la instalación.
Este enfoque transforma el monitoreo desde una estrategia reactiva hacia una estrategia más preventiva.
Lo que Aprendí
Este proyecto representó una transición importante en mi trayectoria profesional.
Hasta ese momento gran parte de mi experiencia estaba centrada en integración de datos, automatización y procesos ETL. El desarrollo de este sistema me permitió aplicar técnicas de inteligencia artificial a un problema industrial concreto, combinando visión computacional, georreferenciación y análisis de datos.
También fue una de las primeras experiencias donde participé en una iniciativa de inteligencia artificial con impacto potencial sobre un producto y una línea de negocio real, más allá de proyectos experimentales o académicos.
La experiencia reforzó la importancia de comprender el dominio de negocio antes de diseñar una solución de IA, ya que gran parte del valor del proyecto provenía de la capacidad de detectar problemas antes de que generaran pérdidas operacionales significativas.
Viéndolo en Retrospectiva
Mirando el proyecto años después, considero que fue uno de los primeros hitos donde pude aplicar inteligencia artificial a un problema real dentro de una organización.
Más allá de los modelos utilizados, el verdadero desafío consistió en construir un flujo completo que integrara adquisición de datos, preparación de datasets, entrenamiento, validación, georreferenciación y generación de resultados utilizables por otros sistemas.
El proyecto también me permitió comprender que el éxito de una solución de inteligencia artificial depende tanto de la calidad del modelo como de la capacidad de integrarlo de forma efectiva dentro de los procesos operacionales existentes.
Representó además un paso importante en mi transición desde proyectos centrados en integración de datos hacia soluciones de inteligencia artificial aplicadas a problemas industriales reales.
Información Adicional
Por razones de confidencialidad no se incluyen detalles específicos sobre clientes, instalaciones ni procesos internos asociados al proyecto.
La descripción presentada se enfoca exclusivamente en los aspectos técnicos y metodológicos de la solución.