This work addresses the problem of fault diagnosis in photovoltaic systems, based on the importance of ensuring their proper operation. It is based on the premise that faults such as shading, dirt, disconnections, or component degradation negatively impact performance, making their timely detection essential. To this end, we propose an innovative approach based on Topological Data Analysis, a tool that extracts topological information from the electrical signals generated by the system. Unlike traditional statistical or machine learning methods, this technique analyzes the overall shape of the data, making it robust to noise and small operational variations. The general idea is based on comparing the topologies of data sets obtained daily against an ideal. The results obtained with real data and simulations demonstrate that the proposed tool is capable of detecting even subtle anomalies, achieving an effectiveness of 95.5% in discriminating between normal operating modes and anomalies. Furthermore, the extracted properties provide a way to differentiate between energy losses due to environmental conditions and internal module failures. The study concludes that the topological approach offers a promising, scalable, and automatable framework for fault diagnosis in photovoltaic systems, contributing to predictive maintenance and aiding in the transition to smart and sustainable energy systems.
Este trabajo aborda el problema del diagnóstico de fallas en sistemas fotovoltaicos, basándose en la importancia de garantizar un correcto funcionamiento de los mismos. Se parte de la premisa de que fallas como sombreado, suciedad, desconexiones o degradación de componentes impactan negativamente en el rendimiento, por lo cual resulta fundamental detectarlas oportunamente. Para ello, se propone un enfoque innovador basado en el Análisis Topológico de Datos, una herramienta que permite extraer información topológica de las señales eléctricas generadas por el sistema. A diferencia de los métodos tradicionales estadísticos o de aprendizaje automático, esta técnica analiza la forma global de los datos, lo que la hace robusta frente al ruido y a pequeñas variaciones operativas. La idea general se basa en la comparación de las topologías de los conjuntos de datos obtenidos día con día contra un ideal. Los resultados obtenidos al analizar los datos reales y comparar las fallas provocadas en los mismos demuestran que la herramienta propuesta es capaz de detectar anomalías incluso sutiles, alcanzando una efectividad del 95.5 %, en las pruebas realizadas, en la discriminación entre modos de operación normales y operación con anomalías. Además, las propiedades extraídas proporcionan una manera de diferenciar entre pérdidas energéticas por condiciones ambientales y fallas internas en los módulos. El estudio concluye que el enfoque topológico ofrece un marco prometedor, escalable y automatizable para el diagnóstico de fallas en sistemas fotovoltaicos, contribuyendo al mantenimiento predictivo, ayudando en la transición hacia sistemas energéticos inteligentes y sostenibles.
