Executive Secretary
21st International Symposium on Electrical Engineering
SIE 2025
Abstract
The increasing adoption of photovoltaic systems has highlighted the high vulnerability of solar inverters, responsible for 47% of faults in solar plants. Traditional monitoring methods show low accuracy, and current machine learning models struggle to capture temporal dependencies or require excessive resources. To develop a hybrid model based on LSTM and XGBoost for fault prediction in solar inverters with high accuracy and low latency, enabling deployment on edge hardware. A four-phase simulation-validation approach was employed: digital twin modeling in MATLAB/Simulink, synthetic data generation, hybrid model development in Python, and cross-validation via a REST API connecting both environments. Techniques such as DTW, Kalman filtering, and adaptive attention mechanisms were integrated. The proposed model achieved an AUC-ROC of 0.947, over 95% precision, and an average prediction latency of 12.7 ms. The hybrid LSTM-XGBoost architecture is a highly effective and efficient solution for predictive maintenance of solar inverters, reducing false alarms by 63% and increasing system availability.
Resumen
La creciente adopción de sistemas fotovoltaicos ha resaltado la alta vulnerabilidad de los inversores solares, responsables del 47% de las fallas en plantas solares. Los métodos tradicionales de monitoreo presentan baja precisión, y los modelos actuales de aprendizaje automático enfrentan limitaciones para capturar dependencias temporales o demandan recursos excesivos. El objetivo de esta investigación es desarrollar un modelo híbrido basado en LSTM y XGBoost que permita predecir fallas en inversores solares con alta precisión y baja latencia, facilitando su implementación en entornos de hardware perimetral. Se empleó un enfoque de simulación-validación en cuatro fases: modelado de un gemelo digital en MATLAB/Simulink, generación de datos sintéticos, desarrollo del modelo híbrido en Python y validación cruzada mediante una API REST entre ambos entornos. Se integraron técnicas como DTW, filtro Kalman y mecanismos de atención adaptativa. El modelo propuesto alcanzó un AUC-ROC de 0.947, con una precisión superior al 95% y una latencia de predicción promedio de 12.7 ms. La arquitectura híbrida LSTM-XGBoost demuestra ser una solución eficaz y eficiente para el mantenimiento predictivo de inversores solares, reduciendo falsas alarmas en un 63% y aumentando la disponibilidad del sistema.
About The Speaker
Jovannys
Discussion