Detección y diagnóstico de fallos en sistemas fotovoltaicos mediante inteligencia artificial y análisis tiempo–frecuencia

Mantener la energía solar funcionando sin contratiempos

A medida que los paneles solares se extienden por tejados y desiertos, mantenerlos en su mejor estado se vuelve crucial. Los problemas ocultos —como fallos en el cableado o paneles sombreados— pueden drenar silenciosamente energía y beneficios mucho antes de que alguien los detecte. Este estudio explora una nueva forma de escuchar automáticamente el “latido” de una planta solar usando herramientas avanzadas de reconocimiento de patrones de la inteligencia artificial, con el objetivo de detectar problemas de forma temprana, incluso cuando los datos son ruidosos y desordenados, como en la vida real.

Por qué los sistemas solares pueden fallar

Las grandes plantas solares están formadas por muchos paneles interconectados, y los problemas pequeños pueden acumularse. Algunas celdas pueden quedar en cortocircuito, cadenas enteras de paneles pueden estar cableadas incorrectamente, o secciones pueden quedar parcialmente sombreadas por árboles, suciedad o edificios cercanos. Estos problemas cambian cómo evolucionan a lo largo del día las magnitudes eléctricas del sistema —nivel de radiación, temperatura del panel, tensión, corriente y potencia—. Tradicionalmente, los ingenieros han buscado estos fallos con cámaras térmicas, inspecciones visuales o reglas elaboradas a mano. Estos enfoques requieren mucho trabajo, pueden pasar por alto problemas sutiles y a menudo tienen dificultades cuando ocurren varios fallos a la vez o cuando los sensores son antiguos y ruidosos.

Convertir números en imágenes que el ordenador pueda leer

Los investigadores proponen un giro poco habitual: en lugar de introducir números crudos en un ordenador, primero convierten las medidas eléctricas en pequeños mapas similares a imágenes que capturan cómo cambian las señales tanto en el tiempo como en la frecuencia. Utilizan una herramienta matemática llamada distribución de Wigner–Ville, que puede revelar patrones como saltos súbitos, desviaciones lentas o ondulaciones repetitivas que corresponden a distintos tipos de fallo. Para cada instantánea del sistema, cinco mediciones clave —radiación, temperatura y la tensión, la corriente y la potencia en el punto de máxima potencia— se transforman en tiras de bloques coloreados que representan su comportamiento durante aproximadamente una hora. Estas tiras, junto con una sexta que las mezcla, se apilan en un mosaico compacto de 6×12. Cada mosaico es una huella visual de cómo se comporta el sistema en ese momento.

Enseñar a un inspector digital a leer los patrones

Una vez que los datos parecen pequeñas imágenes, el equipo puede aplicar una clase de modelos de IA que destacan en el análisis de imágenes: las redes neuronales convolucionales. Primero construyen un modelo digital detallado de una matriz solar de 30 paneles y simulan 17 condiciones de funcionamiento diferentes: un estado sano y 16 tipos de fallo, que van desde algunos módulos en cortocircuito hasta sombreado parcial generalizado y fallos complejos entre líneas de cadenas. Para cada caso, y bajo cielos despejados y nublados, generan largas secuencias de lecturas realistas de los sensores, las convierten en mapas 6×12 y las etiquetan según el fallo subyacente. La red convolucional aprende entonces, a partir de miles de ejemplos, qué arreglos de color y forma en esos mapas corresponden a cada problema específico. Paralelamente, los autores también prueban redes neuronales más simples y herramientas clásicas de aprendizaje automático como máquinas de vectores de soporte y bosques aleatorios, todas entrenadas con los mismos datos transformados, para ver qué método resulta más preciso y más resistente.

Poner el método a prueba en condiciones ruidosas

En simulaciones perfectamente limpias, las redes neuronales tradicionales que trabajan directamente con las cinco entradas numéricas alcanzan una precisión casi perfecta —por encima del 99%— al diferenciar los distintos fallos. La red convolucional basada en imágenes también rinde muy bien, con una precisión algo superior al 97%. Pero las plantas solares no viven en un mundo limpio: los sensores envejecen, el clima es impredecible y las medidas se vuelven ruidosas. Cuando los investigadores introducen deliberadamente jitter realista en las lecturas de radiación, temperatura, tensión, corriente y potencia, las clasificaciones cambian drásticamente. Las redes más simples pierden gran parte de su ventaja, cayendo al rango bajo del 80% o peor. En contraste, la red convolucional, que observa los mapas estructurados tiempo–frecuencia, mantiene alrededor del 90% de precisión con niveles normales de ruido e identifica correctamente la mayoría de los fallos incluso cuando el ruido se triplica para imitar sensores muy antiguos o de mala calidad.

Qué significa esto para las futuras plantas solares

Para un lector no técnico, la conclusión es que la forma en que presentamos la información a un modelo de IA importa tanto como el propio modelo. Al convertir los datos crudos de energía solar en imágenes compactas que capturan tanto cuándo como cómo vibran las señales, los autores habilitan un inspector digital que no solo es preciso en condiciones ideales, sino también lo suficientemente robusto para manejar los datos desordenados de plantas solares reales. Su enfoque puede distinguir automáticamente una matriz sana de muchos tipos de fallo de aspecto similar, con mínima necesidad de reglas diseñadas por humanos. En la práctica, un sistema así podría funcionar en segundo plano en una gran granja fotovoltaica, avisando a los operadores con antelación sobre problemas específicos, reduciendo los tiempos de inactividad y haciendo la energía solar más fiable y rentable a largo plazo.

Cita: Seghiour, A., Bendjeddou, Y., Mostefaoui, I.M. et al. Fault detection and diagnosis in photovoltaic systems using artificial intelligence and time–frequency analysis. Sci Rep 16, 10056 (2026). https://doi.org/10.1038/s41598-026-39386-7

Palabras clave: detección de fallos solares, monitorización fotovoltaica, análisis tiempo-frecuencia, redes neuronales convolucionales, diagnóstico de energías renovables