Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo

This study presents a proposal for a classification system for faults that occur in photovoltaic modules from the use of RGB images and a deep learning approach implemented in a portable embedded device (Raspberry Pi). Convolutional Neural Networks (CNN) are used for photovoltaic module detection us...

Full description

Autores:: Flórez Sierra, Andrés Felipe

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2020

Institución:: Universidad de los Andes

Repositorio:: Séneca: repositorio Uniandes

Idioma:: spa

id	UNIANDES2_e47514a2c33ee6c5fe1c8cf799c79275
oai_identifier_str	oai:repositorio.uniandes.edu.co:1992/51548
network_acronym_str	UNIANDES2
network_name_str	Séneca: repositorio Uniandes
repository_id_str
spelling	Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Giraldo Trujillo, Luis Felipe2af401d9-d9aa-46a3-b105-dbd811b6b8da400Flórez Sierra, Andrés Felipe5ab7837a-93c0-4765-8619-1c9acf10cfee400Bressan, MichaelNarváez Morales, Gabriel Esteban2021-08-10T18:30:26Z2021-08-10T18:30:26Z2020http://hdl.handle.net/1992/5154823342.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/This study presents a proposal for a classification system for faults that occur in photovoltaic modules from the use of RGB images and a deep learning approach implemented in a portable embedded device (Raspberry Pi). Convolutional Neural Networks (CNN) are used for photovoltaic module detection using semantic segmentation and additionally for fault classification. This study considers 2 specific cases of classification; Binary (Fault and not Fault) and quaternary (Cracks, Shadows, Dust and Not Fault). The models presented show an average accuracy greater than 90% for the binary classification and 74% for the quaternary classification. The implementation of these models in low cost embedded devices corresponds to a viable alternative for the continuous monitoring of photovoltaic modules.Este estudio presenta una propuesta para un sistema de clasificación de fallas que ocurren en módulos fotovoltaicos a partir del uso de imágenes RGB y un enfoque de aprendizaje profundo implementado en un dispositivo embebido portátil (Raspberry Pi). Las redes neuronales convolucionales (CNN) se utilizan para la detección de módulos fotovoltaicos mediante la segmentación semántica y, además, para la clasificación de fallas. Este estudio considera 2 casos específicos de clasificación; Binario (Falla y no Falla) y cuaternario (Fisuras, Sombras, Polvo y No Falla). Los modelos presentados muestran una precisión media superior al 90% para la clasificación binaria y al 74% para la clasificación cuaternaria. La implementación de estos modelos en dispositivos empotrados de bajo costo corresponde a una alternativa viable para la monitorización continua de módulos fotovoltaicos.Ingeniero ElectrónicoPregrado28 hojasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaSistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundoTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPPaneles solares fotovoltáicosRedes neuronales convolucionalesFallas de sistemas (Ingeniería)Energía solarIngeniería201614289PublicationTHUMBNAIL23342.pdf.jpg23342.pdf.jpgIM Thumbnailimage/jpeg10562https://repositorio.uniandes.edu.co/bitstreams/8e9d12ea-e95b-40f0-9438-c847252ee012/download03ea16b996cfc7f945d53aa10dce3193MD55ORIGINAL23342.pdfapplication/pdf1674618https://repositorio.uniandes.edu.co/bitstreams/394f31ea-2a21-41a8-99ae-4ea19dc1151e/download665643ee843e165343d67ea1b018307bMD51TEXT23342.pdf.txt23342.pdf.txtExtracted texttext/plain44976https://repositorio.uniandes.edu.co/bitstreams/73299752-b958-4f21-8b07-07e01bd7b015/download37f91ccdb36534afc410122737774740MD541992/51548oai:repositorio.uniandes.edu.co:1992/515482023-10-10 17:47:34.037https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co
dc.title.spa.fl_str_mv	Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo
title	Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo
spellingShingle	Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo Paneles solares fotovoltáicos Redes neuronales convolucionales Fallas de sistemas (Ingeniería) Energía solar Ingeniería
title_short	Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo
title_full	Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo
title_fullStr	Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo
title_full_unstemmed	Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo
title_sort	Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo
dc.creator.fl_str_mv	Flórez Sierra, Andrés Felipe
dc.contributor.advisor.none.fl_str_mv	Giraldo Trujillo, Luis Felipe
dc.contributor.author.none.fl_str_mv	Flórez Sierra, Andrés Felipe
dc.contributor.jury.none.fl_str_mv	Bressan, Michael Narváez Morales, Gabriel Esteban
dc.subject.armarc.none.fl_str_mv	Paneles solares fotovoltáicos Redes neuronales convolucionales Fallas de sistemas (Ingeniería) Energía solar
topic	Paneles solares fotovoltáicos Redes neuronales convolucionales Fallas de sistemas (Ingeniería) Energía solar Ingeniería
dc.subject.themes.none.fl_str_mv	Ingeniería
description	This study presents a proposal for a classification system for faults that occur in photovoltaic modules from the use of RGB images and a deep learning approach implemented in a portable embedded device (Raspberry Pi). Convolutional Neural Networks (CNN) are used for photovoltaic module detection using semantic segmentation and additionally for fault classification. This study considers 2 specific cases of classification; Binary (Fault and not Fault) and quaternary (Cracks, Shadows, Dust and Not Fault). The models presented show an average accuracy greater than 90% for the binary classification and 74% for the quaternary classification. The implementation of these models in low cost embedded devices corresponds to a viable alternative for the continuous monitoring of photovoltaic modules.
publishDate	2020
dc.date.issued.none.fl_str_mv	2020
dc.date.accessioned.none.fl_str_mv	2021-08-10T18:30:26Z
dc.date.available.none.fl_str_mv	2021-08-10T18:30:26Z
dc.type.spa.fl_str_mv	Trabajo de grado - Pregrado
dc.type.coarversion.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv	Text
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/1992/51548
dc.identifier.pdf.none.fl_str_mv	23342.pdf
dc.identifier.instname.spa.fl_str_mv	instname:Universidad de los Andes
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Séneca
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repositorio.uniandes.edu.co/
url	http://hdl.handle.net/1992/51548
identifier_str_mv	23342.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.rights.uri.*.fl_str_mv	https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.extent.none.fl_str_mv	28 hojas
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.none.fl_str_mv	Universidad de los Andes
dc.publisher.program.none.fl_str_mv	Ingeniería Electrónica
dc.publisher.faculty.none.fl_str_mv	Facultad de Ingeniería
dc.publisher.department.none.fl_str_mv	Departamento de Ingeniería Eléctrica y Electrónica
publisher.none.fl_str_mv	Universidad de los Andes
institution	Universidad de los Andes
bitstream.url.fl_str_mv	https://repositorio.uniandes.edu.co/bitstreams/8e9d12ea-e95b-40f0-9438-c847252ee012/download https://repositorio.uniandes.edu.co/bitstreams/394f31ea-2a21-41a8-99ae-4ea19dc1151e/download https://repositorio.uniandes.edu.co/bitstreams/73299752-b958-4f21-8b07-07e01bd7b015/download
bitstream.checksum.fl_str_mv	03ea16b996cfc7f945d53aa10dce3193 665643ee843e165343d67ea1b018307b 37f91ccdb36534afc410122737774740
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio institucional Séneca
repository.mail.fl_str_mv	adminrepositorio@uniandes.edu.co
_version_	1812133956638736384

Sistema de clasificación de fallas en tiempo real de paneles fotovoltaicos mediante uso de imágenes RGB y aprendizaje profundo

Publicaciones similares