Cross-Technology Prediction of PV Cell Output Power Using a Convolutional Hierarchical Mixture of Experts Model

La predicción precisa de la potencia de las celdas fotovoltaicas (PV) a partir de imágenes de electroluminiscencia (EL) es un factor clave para la evaluación automatizada de la calidad y el rendimiento en la fabricación y diagnóstico de PV. Sin embargo, la mayoría de los modelos existentes de aprendizaje profundo basados en imágenes se desarrollan y evalúan para una sola tecnología de célula fotovoltaica, lo que limita su capacidad para generalizar a la gran variedad de tipos celulares utilizados en la práctica. Este trabajo investiga el impacto de la tecnología de células fotovoltaicas en la precisión de la predicción de potencia y propone una novedosa arquitectura de Mezcla Jerárquica Convolucional de Expertos (CHME) para superar estas limitaciones de generalización. En primer lugar, se evalúan redes neuronales convolucionales y modelos de aprendizaje automático basados en características en múltiples tecnologías de células fotovoltaicas. Aunque los modelos convolucionales específicos de tecnología alcanzan bajos errores absolutos medios (MAE) de 0,02–0,04 cuando se prueban en el mismo tipo de celda, su rendimiento se deteriora sustancialmente (MAEs de 0,08–0,23) cuando se aplican a diferentes tecnologías. Los modelos basados en características muestran mayor robustez entre tecnologías, pero a costa de una menor precisión en la predicción. Para abordar estas limitaciones, el modelo CHME propuesto combina múltiples expertos convolucionales específicos de tecnología preentrenados con una red discriminadora que identifica automáticamente la tecnología de la célula fotovoltaica y selecciona al experto más adecuado para la predicción de potencia. Los resultados experimentales demuestran que el CHME logra el mejor rendimiento global, reduciendo la MAE a 0,0262 frente a 0,0298 para el mejor modelo convolucional independiente, mientras preserva la adaptabilidad a conjuntos de datos heterogéneos. Estos resultados demuestran que tener en cuenta explícitamente la tecnología de células PV mejora significativamente la predicción de potencia basada en imágenes y que el marco jerárquico de mezcla de expertos propuesto proporciona una solución precisa, escalable y fácilmente reentrenable para sistemas de diagnóstico fotovoltaico en el mundo real.