Automatic fault detection of photovoltaic solar generators applying aerial infrared thermography

Abstract

A termografia aérea (aIRT) é uma técnica de inspeção de sistemas fotovoltaicos (FV) que vem ganhando atenção nos últimos anos por ser um método de inspeção rápido, não-destrutivo e sem contato necessário com o módulo solar FV, além de poder ser aplicado em condições operacionais em tempo real. No entanto, a avaliação visual das imagens capturadas pela aIRT e a análise de um grande número de imagens é um processo demorado e trabalhoso. Este trabalho propõe um método para automatizar o procedimento de detecção de falhas combinando a aIRT com ortogeorreferenciamento e um algoritmo de aprendizado profundo (Deep Learning ? DL). O trabalho inicia com uma revisão da literatura sobre métodos para a automatização das diversas etapas do processo de aIRT. Com isso, são escolhidos os métodos de DL para a detecção de falhas em imagens (Mask-RCNN) e o método de produção de ortomosaico para a visualização de falhas nas usinas FV. Para o treinamento do método de detecção de falhas, foi necessária a criação de um banco de dados de imagens de aIRT. Para isso, uma campanha de voos sobre usinas FV brasileiras foi realizada. Com os dados obtidos, foi formado o banco de dados de imagens aIRT que foi utilizado para treinar um algoritmo de DL para detecção de falhas. As imagens com suas falhas detectadas foram então utilizadas para formar um orthomosaico com as falhas da usina FV. O método foi testado com dois casos testes de duas pequenas usinas FV e os resultados obtidos demonstraram a viabilidade de utilizar o método para facilitar a localização de falhas de sistemas FV. Especialmente no caso de detecção de pontos quentes e subséries FV (substrings) desconectadas, a técnica provou ter alta acurácia (em torno de 10% de falsos positivos), em um curto espaço de tempo, com poucos recursos computacionais necessários. Mesmo com conjuntos de dados pequenos, foi possível detectar visualmente as diferentes falhas nos ortomosaicos térmicos produzidos. O desenvolvimento do método tem uma importância grande para o desenvolvimento da energia solar, especialmente no Brasil, onde as usinas de grande porte (que ocupam centenas de hectares) começam a dominar o espaço, e pode ser desenvolvido com um maior conjunto de dados para melhorar a inspeção utilizando aIRT em qualquer lugar deste grande país e do mundo.

Abstract: Aerial thermography (aIRT) is an inspection technique for photovoltaic (PV) systems that has been gaining attention in recent years as it is a fast, non-destructive inspection method with no contact required with the module. In addition, it can be applied in realtime operational conditions. However, visually evaluating the images captured by aIRT and analyzing many image frames is a time-consuming and labor-intensive process. This work proposes a method to automate the fault detection procedure combining aIRT with orthomosaicking and a deep learning (DL) algorithm. The work begins with a review of the literature on methods for automating the various stages of the aIRT process. Thus, the DL methods are chosen for the detection of faults in images (MaskRCNN) and the orthomosaic production for the visualization of faults in PV plants. To train the failure detection method, it was necessary to create an aIRT image database. For this, a campaign of flights over Brazilian PV plants was carried out. With the obtained data, the aIRT image database was produced, which was used to train a DL algorithm for fault detection. The images with their detected faults are then used to form an orthomosaic with the faults of the PV plant. The method was tested with two test cases of two small PV plants and the results obtained demonstrated the feasibility of using the method to facilitate the location of faults in PV systems. Especially in the case of detection of hot spots and disconnected substrings, the technique proved to have high accuracy (around 10% false positives), in a short time, with few computational resources needed. Even with small datasets, it was possible to visually detect the different faults in the thermal orthomosaics produced. The development of the method is of great importance for the development of solar energy and can be developed with a larger dataset to improve inspection using aIRT in Brazil.