Análise comparativa de algoritmos de aprendizado de máquina para a detecção de pontos quentes fotovoltaicos usando dados de sensores em climas tropicais
Palavras-chave:
Pontos quentes; painéis fotovoltaicos; Random Forest; Multilayer Perceptron (MLP); dados de sensores.Resumo
Este artigo analisa a detecção automática de pontos quentes em módulos fotovoltaicos usando dados térmicos e ambientais capturados por sensores em condições climáticas tropicais. A metodologia CRISP-DM foi usada para limpar e normalizar 9.996 registros temporais, e variáveis derivadas, como a diferença de temperatura entre o painel e o ambiente, foram calculadas para um esquema de classificação binária de eventos de superaquecimento. Estima-se que a detecção tardia de superaquecimento reduz a eficiência energética e acelera a degradação do módulo, aumentando os custos de operação e manutenção. Os modelos Random Forest e Multilayer Perceptron foram treinados e comparados usando métricas de validação temporal e classificação. Os resultados mostram melhor desempenho para o Random Forest (AUC=0,87; precisão=0,779; F1=0,758), apoiando seu uso para monitoramento preditivo e priorização de inspeções em instalações fotovoltaicas em climas tropicais, com validação em uma instalação localizada no Equador.
Referências
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
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Ambar Cristhina Chancay Ureta, Víctor Alfonso Martínez Falcones
Este trabalho está licenciado sob uma licença 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>)
