Diseño de un método usando técnicas de inteligencia artificial y machine learning con Matlab para el mantenimiento y diagnóstico de fallos en paneles solares

Abstract

[ES] Este Trabajo Final de Grado tiene como objetivo principal desarrollar una aplicación de técnicas de inteligencia artificial y aprendizaje automático utilizando Matlab en el ámbito del mantenimiento y diagnóstico de fallos en paneles solares. El propósito de este estudio es aprovechar el potencial de estas tecnologías avanzadas para mejorar la eficiencia y confiabilidad de los sistemas solares fotovoltaicos. En primer lugar, se realiza una revisión exhaustiva de la literatura científica y técnica relacionada con el mantenimiento predictivo de paneles solares y el uso de inteligencia artificial y aprendizaje automático en este campo. Esto permite establecer una base sólida de conocimiento y comprensión sobre las mejores prácticas y las herramientas utilizadas. Posteriormente, se diseña y desarrolla una aplicación utilizando Matlab que integra algoritmos de inteligencia artificial y aprendizaje automático. Estos algoritmos se aplican al análisis de datos recopilados de los paneles solares mediante sensores, como la intensidad, el voltaje y otros parámetros relevantes. El objetivo es detectar de manera temprana posibles fallos o anomalías en el rendimiento de los paneles solares, lo que permite tomar medidas correctivas de manera oportuna y minimizar los impactos negativos en la producción de energía. Además, se llevan a cabo pruebas y experimentos utilizando conjuntos de datos reales para evaluar la efectividad y precisión de los algoritmos desarrollados. Esto permite validar la aplicación propuesta y proporcionar resultados cuantitativos que respalden su eficacia. Se evalúan aspectos como la precisión, la velocidad de procesamiento y la complejidad computacional. En resumen, este trabajo tiene como objetivo contribuir al avance en el campo del mantenimiento predictivo de paneles solares, permitiendo una detección temprana de problemas y una optimización en la planificación de las tareas de mantenimiento. Se espera que los resultados obtenidos proporcionen información valiosa para la toma de decisiones en la gestión y operación de sistemas solares, contribuyendo así a la promoción de fuentes de energía limpia y sostenible.

[EN] This Final Degree Project aims to develop an application of artificial intelligence and machine learning techniques using Matlab in the field of maintenance and fault diagnosis in solar panels. The purpose of this study is to leverage the potential of these advanced technologies to improve the efficiency and reliability of photovoltaic solar systems. Firstly, a comprehensive review of scientific and technical literature related to predictive maintenance of solar panels and the use of artificial intelligence and machine learning in this field is conducted. This allows for the establishment of a solid foundation of knowledge and understanding of best practices and tools used. Subsequently, an application is designed and developed using Matlab that integrates artificial intelligence and machine learning algorithms. These algorithms are applied to the analysis of data collected from the solar panels through sensors, such as intensity, voltage, and other relevant parameters. The goal is to detect potential faults or anomalies in the performance of the solar panels at an early stage, enabling timely corrective measures to be taken and minimizing negative impacts on energy production. Furthermore, tests and experiments are conducted using real datasets to evaluate the effectiveness and accuracy of the developed algorithms. This validates the proposed application and provides quantitative results that support its efficacy. Aspects such as accuracy, processing speed, and computational complexity are evaluated. In summary, this work aims to contribute to the advancement of predictive maintenance of solar panels, enabling early detection of issues and optimization in the planning of maintenance tasks. It is expected that the obtained results will provide valuable information for decision-making in the management and operation of solar systems, thus contributing to the promotion of clean and sustainable energy sources.