La detección y localización precisas de paneles fotovoltaicos (PV) a partir de imágenes satelitales es esencial para la optimización de microrredes y redes de distribución activas (ADN). Los métodos existentes carecen de transparencia en cuanto a sus algoritmos o conjuntos de datos de entrenamiento, dependen de datos de entrenamiento fotovoltaicos de gran tamaño y alta calidad, y tienen dificultades para generalizarse a nuevas regiones geográficas o diversas condiciones ambientales sin un reentrenamiento exhaustivo. Estas limitaciones conducen a resultados de detección inconsistentes, lo que dificulta el despliegue a gran escala y la optimización de la red basada en datos. En este artículo, exploramos un método para abordar estos desafíos mediante el aprovechamiento de modelos de lenguaje a gran escala (LLM). Proponemos un marco de evaluación fotovoltaica con LLM (PVAL), que implica la descomposición de tareas, la normalización de salida, la indicación de pocos disparos y el ajuste fino utilizando un conjunto de datos fotovoltaicos curado y bien anotado. PVAL minimiza la sobrecarga computacional al tiempo que garantiza la transparencia, la escalabilidad y la adaptabilidad en conjuntos de datos heterogéneos.
