Comparative analysis of machine learning algorithms for the detection of photovoltaic hotspots using sensor data in tropical climates
Keywords:
Hotspots; photovoltaic panels; Random Forest; Multilayer Perceptron (MLP); sensor data.Abstract
This paper analyzes the automatic detection of hot spots in photovoltaic modules using thermal and environmental data captured by sensors under tropical climate conditions. The CRISP-DM methodology was used to clean and normalize 9,996-time records, and derived variables, such as the panel-ambient temperature difference, were calculated for a binary classification scheme of overheating events. It is estimated that late detection of overheating reduces energy efficiency and accelerates module degradation, increasing operating and maintenance costs. Random Forest and Multilayer Perceptron models were trained and compared using temporal validation and classification metrics. The results show better performance for Random Forest (AUC=0.87; accuracy=0.779; F1=0.758), supporting its use for predictive monitoring and prioritization of inspections in photovoltaic installations in tropical climates, with validation at an installation located in Ecuador.
References
Acici, K. (2025). Comparative Analysis of Machine and Deep Learning Algorithms for Bragg Peak Estimation in Polymeric Materials for Tissue-Sparing Radiotherapy. MDPI. https://www.mdpi.com/2073-4360/17/15/2068
Aco, A., & Hancco, B. (2023). Análisis comparativo de Técnicas de Machine Learning para la predicción de casos de deserción universitaria. RISTI-Revista Ibérica de Sistemas e Tecnologias de Informação, (51), 84-98. https://scielo.pt/pdf/rist/n51/1646-9895-rist-51-84.pdf
Adekanbi, M., & Alaba, E. (2024). Soiling loss in solar systems: A review of its effect on solar energy efficiency and mitigation techniques. Cleaner Energy Systems, 7, 100094. https://www.sciencedirect.com/science/article/pii/S2772783123000444
Alonso, J. (2025). ¿Cuáles son las Causas y Efectos de los Puntos Calientes en Placas Solares? SUNFIELDS. https://www.sfe-solar.com/paneles-solares/puntos-calientes/?srsltid=AfmBOopQhlQ4Lr-JRCAImY15hJGy8mH1lcAvoJB1qwCwvOdMdwh8zSH0
Álvarez Contreras, D. E., Díaz Pérez, C. M., & Herazo Morales, R. (2023). Factores académicos asociados al proceso de investigación formativa en las instituciones educativas del sector oficial de Sincelejo, Sucre. Región Científica, 2(1), 202319. https://doi.org/10.58763/rc202319
Asociación Empresarial Eólica [AEE]. (2025). Chile establece récords de energía eólica y fotovoltaica en 2024. Asociación Empresarial Eólica. https://reve.aeeolica.org/2025/01/13/chile-establece-records-de-energia-eolica-y-fotovoltaica-en-2024/
Barrero, M., & Salazar, V. (2024). Efectos biológicos de las radiaciones electromagnéticas: Índice UV y afecciones cutáneas en el cantón Quito. Ciencia Latina Revista Multidisciplinar, 8(4), 7622-7639.. https://www.ciencialatina.org/index.php/cienciala/article/view/12933
Carrillo, R. (2024). Inteligencia Artificial en Sistemas Robotizados para el Mantenimiento de Paneles. Respositorio Universidad Rafel Belloso Chacín. https://dialnet.unirioja.es/descarga/articulo/10307749.pdf
Castañeda, D., & Jiménez, D. (2023). Predicción de la radiación solar utilizando redes neuronales para el dimensionamiento de plantas fotovoltaicas en la provincia de Pichincha. Respositorio Universidad Técnica de Cotopaxí. https://repositorio.utc.edu.ec/items/c1f38176-e74a-4db6-9b52-cffef9843074
Castrillón, D. (2022). Detección de puntos calientes en sistemas fotovoltaicos. ITM. https://repositorio.itm.edu.co/entities/publication/9d22c1c1-14f2-4433-b7d0-9bd90ecbbc10
Dhimish, M. (2024). Photovoltaic hotspots: A mitigation technique and its thermal cycle. Optik, 300, 171627. https://www.sciencedirect.com/science/article/pii/S0030402624000251
Domínguez, J. (2025). El Reto de la Inteligencia Artificial ante la Investigación en Ciencias Sociales. Revista Científica Hallazgos21, 10(1), 60-70. https://revistas.pucese.edu.ec/hallazgos21/article/view/688
Flores, L., & Vásquez, J. (2025). Modelos matemáticos para predicción del ruido ambiental urbano: revisión crítica 2020-2025. Revista Alfa, 9(27), 59-67. https://revistaalfa.org/index.php/revistaalfa/article/download/544/1212/3530
Hernandez, A., & Löschenbrand, M. (2022). Una revisión sistemática de técnicas de aprendizaje automático relacionadas con comunidades energéticas locales. Cuaderno activa, 13(1), 113-121. https://www.sciencedirect.com/science/article/pii/S1364032122005433?via%3Dihub
Herrera, R. (2022). Propuesta de modelo predictivo inteligente para una planta fotovoltaica. Repositorio Universidad de las Ciencias Informáticas. https://www.redalyc.org/journal/3783/378370413010/html/
Naranjo, L., & Escudero, A. (2025). Random Forest como herramienta para mejorar la precisión en la imputación de datos meteorológicos en Chimborazo, Ecuador. Esprint Investigación, 4(2), 358-375. https://rei.esprint.tech/index.php/esprint-investigacion/article/view/169
Oyeniyi, A., & Meyer, E. (2022). Solar Photovoltaic Modules’ Performance Reliability and Degradation Analysis—A Review. Energies, 15(16), 5964. https://www.mdpi.com/1996-1073/15/16/5964
Sarián González, M., Bruna Román, C., Robles Lagos, C., & Vaca Lombana, G. (2025). Gestión empresarial de la sostenibilidad, RSE e Inteligencia Artificial. Una nueva frontera en las decisiones. Región Científica, 4(1), 2025382. https://doi.org/10.58763/rc2025382
Ramírez, E., & Garrido, A. (2023). Effect of temperature on the efficiency of photovoltaic panels. Repositorio Universidad Tecnológica de Tecámac. https://repository.uaeh.edu.mx/revistas/index.php/icbi/article/download/11841/10933
Ramos, J. (2022). Análisis de defectos en Paneles Solares de Plantas Fotovoltaicas mediante Termografía y Electroluminiscencia. Respositorio Universidad de Valladolid. https://uvadoc.uva.es/bitstream/handle/10324/52181/TFG-I-2139.pdf?sequence=1
Robayo, M. (2025). Análisis comparativo de algoritmos de machine learning aplicados a la predicción de fallas en un motor eléctrico basados en datos sensoriales. Repositorio Universidad Nacional de Chimborazo. http://dspace.unach.edu.ec/bitstream/51000/15742/1/Robayo%2C%20Mar%C3%ADa%20Cristina%20%282025%29.%20An%C3%A1lisis%20comparativo%20de%20algoritmos%20de%20machine%20learning%20aplicados%20a%20la%20predicci%C3%B3n%20de%20fallas.pdf
Silvestrini, S., & Lavagna, M. (2022). Deep Learning and Artificial Neural Networks for Spacecraft Dynamics, Navigation and Control. Drones, 6(10), 270. https://www.mdpi.com/2504-446X/6/10/270
Tirado, V. (2024). Redes Neuronales Artificiales como Modelo de Prediccion de los Factores Climaticos en Nicaragua en el Periodo 2021-2022. Ciencia Latina Revista Científica Multidisciplinar, 8(1), 1458-1474. https://ciencialatina.org/index.php/cienciala/article/view/9541
Yang, C., & Sun, F. (2024). Un estudio de los métodos de superposición de paneles fotovoltaicos y detección de fallos. ResearchGate. https://www.researchgate.net/publication/378111531_A_Survey_of_Photovoltaic_Panel_Overlay_and_Fault_Detection_Methods
Yaqoob, A., Kumar Verma, N., & Ahmad, M. (2025). SGA-Driven feature selection and random forest classification for enhanced breast cancer diagnosis: A comparative study. Scientific Reports, 15(1), 10944. https://pmc.ncbi.nlm.nih.gov/articles/PMC11955515/
Yaulilahua, R., & Sumarriva, L. (2025). Sistemas de energía fotovoltaica: Una revisión sistemática. Revista Alfa, 9(27), 31-50. https://revistaalfa.org/index.php/revistaalfa/article/download/542/1208/3526
Zhao, W., Chen, H., & Murat, D. (2025). Few-shot learning and deep predictive models for cost optimization and carbon emission reduction in energy-water management. Journal of environmental management, 389, 126077. https://www.sciencedirect.com/science/article/pii/S0301479725020535?via%3Dihub
Published
Issue
Section
License
Copyright (c) 2026 Ambar Cristhina Chancay Ureta, Víctor Alfonso Martínez Falcones
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
CC Reconocimiento-NoComercial-SinObrasDerivadas 4.0
.jpg)
![](https://clustrmaps.com/site/1bhn8" title="Visit tracker"><img src="//www.clustrmaps.com/map_v2.png?d=2WTJsN7QOuRFRD2DOJOZtvZ6v94bxB6RU96I-iXx-_s&cl=ffffff"></a>)
