Energetica XXI. Mayo 2024

Diseño de la operación En esta etapa, se estudia el “cómo, cuándo y con qué” se va a realizar la operación. Se establece la forma en la que se va a afrontar la operativa de captura de datos en planta, definiendo la cantidad de vuelos y sus tra- yectorias, además de estudiar cómo se ges- tionarán los datos tras su captura. Entran en acción factores como las condiciones climatologías o las barreras legislativas que pueda presentar el espacio aéreo; variables que pueden condicionar la calidad de la ins- pección y juegan un rol determinante en la dificultad del desarrollo de ésta. Es necesario dimensionar los equipos que se vayan a utili- zar y verificar que cumplen con los requisitos de la operación y que las prestaciones de es- tos no sean ningún condicionante. Como detalle relevante, se puede resaltar que la etiqueta que contiene el número de serie representa aproximadamente el 0,1% del tamaño total del módulo, teniendo en cuenta que puede tener unas dimensiones de hasta 2m de alto y 1m de ancho y el ta- maño de una etiqueta no sobrepasa los 6cm de ancho y 3cm de alto. Este factor impacta en variables como la altura de vuelo, la con- figuración de las cámaras y la metodología de captura. Ejecución de la operación Una vez en planta, el piloto se puede enfren- tar a situaciones que no pueden tenerse en cuenta en la fase anterior y a las que se debe aportar solución sobre el terreno. En las primeras horas de sol, junto con el rocío, se crean películas de condensación en los paneles que inhabilitan cualquier tipo de lectura, dejando imágenes con etiquetas cu- biertas por gotas de agua. A medida que va avanzando el día y según la orientación y posición de los paneles, pue- den aparecer tanto sombras por los marcos de aluminio de los módulos contiguos como deslumbramientos por culpa de los refle- jos del sol. Esto, obliga al piloto a tener que adaptarse y realizar los cambios necesarios en la configuración de su equipo con el ob- jetivo de obtener imágenes con la mejor ca- lidad posible. Además, la homogeneidad del paisaje al sobrevolar una mesa de paneles, cuando esta se compone de numerosas filas y co- lumnas, conlleva la posibilidad de perder la noción de la posición sobre el seguidor en el que se esté volando, por lo que el piloto debe ser capaz de capturar todos los módu- los previstos: en orden y sin omisiones. Organización de la información tras la captura de datos Tras la captura de datos, toda la información generada por los sensores del dron debe ser organizada según la configuración diseñada. Se debe de establecer la correlación entre la imagen del módulo y su posición en la plan- ta. Al fin y al cabo, uno de los objetivos de realizar esta compleja tarea, es poder tener conocimiento de la ubicación exacta del mó- dulo en la matriz del conjunto fotovoltaico. En esta etapa es donde se comprueba si se han capturado todos los módulos previstos. La experiencia acumulada ha permitido es- tablecer métodos efectivos para verificar po- sibles repeticiones u omisiones, mediante la utilización de los geodatos incorporados en las imágenes. Es importante tener en cuenta, que, al estar trabajando con archivos de alta resolución, es necesario disponer de una gran capacidad computacional y mantener un control del flujo de datos constante: cada imagen puede tener un peso medio de 35Mb y es necesario una foto por módulo, equi- vale a 350 Gb de información para 10 000 paneles, no obstante, las plantas actuales pueden contar con más de 300 000 paneles, entonces, se estaría trabajando con más de 10Tb de información. Además, los datos se capturan y se tratan en dos emplazamientos diferentes, por lo tanto, es imprescindible sa- ber gestionar los sistemas de transmisión de información: a nivel virtual y físico ◉ El análisis y tratamiento de los datos mediante inteligencia artificial En el campo de la visión por computador, las imágenes, para ser analizadas, deben ser procesadas previamente. Se busca disminuir la carga computacional y reducir al máximo la carga de trabajo del motor IA, reduciendo ruido, quitando información innecesaria o aplicando operaciones de convolución. La herramienta cuenta con una red neuronal artificial convolucional (CNN) entrenada para detectar y leer números de serie en mó- dulos fotovoltaicos a corta y media distancia, con un banco de imágenes variado con mul- titud de tipologías de etiquetas y módulos diferentes. Este modelo cuenta con una pre- cisión de predicciones del 98,7%, teniendo en cuenta que parte de las etiquetas son no legibles y/o no detectables. Dado que existen variables de entorno no controlables, se impone la necesidad de de- finir procesos de validación que refuercen la consistencia de los resultados. Como ejem- plo, la presencia de cuerpos externos (fauna y flora) o el estado físico de la etiqueta (de- gradación por el sol o corrosión del módulo por humedad), son algunos de las posibles situaciones que podrían darse. Seguimiento y validación de resultados Se debe de contar con un sistema de segui- miento y de validación de resultados, donde se puedan visualizar aquellos casos que han generado un error no esperado y así poder actuar sobre estos. Además, usarlos de pun- to de apoyo que permiten la escalabilidad de la herramienta, mejorando las métricas del motor y dotándole de nuevo conocimiento. Como conclusión, la integración de inteli- gencia artificial en procesos de inspección de plantas fotovoltaicas proporciona un au- mento tanto de eficiencia como de eficacia a distintos niveles operativos, pero también genera la necesidad de adaptarse a las condi- ciones que imponen las variables de entorno que están presentes en cada una de las fases de la operación. Tal y como se ha expuesto en el presente caso de uso, entre los retos que se presentan, es imperativo disponer de uname- todología de trabajo estructurada y consisten- te, que permita actuar y tener control sobre estos factores y así poder atenuar su impacto en la generación de resultados ◉ Ejemplo de imagen capturada para la lectura de su número de serie fotovoltaica i+d 97 ENERGÉTICA XXI · 236 · MAY 24