Análisis comparativo de algoritmos de aprendizaje automático para la detección de puntos calientes fotovoltaicos usando datos de sensores en climas tropicales

Resumen

En el presente trabajo se analiza la detección automática de puntos calientes en módulos fotovoltaicos mediante datos térmicos y ambientales capturados por sensores en condiciones de clima tropical. Se empleó la metodología CRISP-DM para limpiar y normalizar 9.996 registros temporales, además de realizar variables derivadas, como la diferencia térmica panel–ambiente, orientadas a un esquema de clasificación binaria de eventos de sobrecalentamiento. Se estima que la detección tardía del sobrecalentamiento disminuye la efectividad energética y acelerar la degradación del módulo, lo que aumenta los valores de operación y mantenimiento. Se entrenaron y compararon los modelos Random Forest y Perceptrón Multicapa bajo la validación temporal y métricas de clasificación. Los resultados evidencian mejor rendimiento de Random Forest (AUC=0.87; accuracy=0.779; F1=0.758), lo que respalda su uso para monitoreo predictivo y priorización de inspecciones en instalaciones fotovoltaicas de climas tropicales, con validación en una instalación ubicada en Ecuador.