Detecção de falhas em sistemas fotovoltaicos através de abordagem baseada em aprendizado de máquina

Abstract

A energia solar fotovoltaica emergiu como um pilar fundamental na transição para uma matriz energética limpa e sustentável. Com a crescente demanda por eletricidade e a urgência em reduzir emissões de carbono, os sistemas fotovoltaicos destacam-se por seu potencial de gerar energia renovável em escala. No entanto, para maximizar seu impacto, é essencial garantir sua eficiência operacional e confiabilidade, fatores diretamente ligados à capacidade de monitorar seu desempenho e prever falhas com precisão. Nesse contexto, previsões precisas de geração e detecção automática de anomalias tornam-se ferramentas indispensáveis para otimizar a produção de energia, reduzir custos operacionais, aumentar a vida útil e melhorar o planejamento energético. Este trabalho propõe uma abordagem baseada em aprendizado de máquina para estimativa de potência e detecção de falhas em sistemas fotovoltaicos, com foco em sete classes de anomalias: três níveis de sombreamento parcial, acúmulo de sujeira, módulo em curto-circuito, circuito aberto e diodo de bypass em curto-circuito. Na estimativa de geração em condições normais, um modelo de Vetor de Suporte Regressor foi comparado com um modelo teórico, demonstrando superioridade com Erro Médio Absoluto de 0,037 kW, que equivale a um desvio médio de 4,02% em relação à potência real do sistema, enquanto o modelo teórico apresentou superestimação de 0.105 kW, que é equivalente a um desvio médio de 11,41%. Para detecção de falhas, Máquinas de Vetores de Suporte e Redes Neurais Artificiais foram otimizados via algoritmo genético. A Rede Neural obteve desempenho excepcional, com acurácia de 99,99% em dados não filtrados, superando Máquinas de Vetores de Suporte com 98,84% em dados completos e 99,87% após filtragem. A análise de sensibilidade mostrou que erros acima de 5% na medição de irradiância degradam significativamente a acurácia, reforçando a necessidade de sensores precisos. Os resultados indicam que modelos baseados em aprendizado de máquina, especialmente a Rede Neural, são eficazes para monitoramento fotovoltaico, permitindo detecção precoce de falhas e melhorando a eficiência energética. A integração dessas técnicas em sistemas de gestão pode reduzir custos operacionais e aumentar a confiabilidade da geração solar.

Photovoltaic solar energy has emerged as a fundamental pillar in the transition to a clean and sustainable energy matrix. With growing electricity demand and the urgent need to reduce carbon emissions, photovoltaic systems stand out for their potential to generate renewable energy at scale. However, to maximize their impact, it is essential to ensure their operational efficiency and reliability, factors directly linked to the ability to monitor performance and predict failures accurately. This work proposes a machine learning-based approach for power estimation and fault detection in photovoltaic systems, focusing on seven anomaly classes: three levels of partial shading, dirt accumulation, short-circuited modules, open circuits, and short-circuited bypass diodes. For power estimation under normal conditions, a Support Vector Regression model was compared to a theoretical model, demonstrating superior accuracy with a Mean Absolute Error of 0.037 kW, corresponding to an average deviation of 4.02% from the actual system power. In contrast, the theoretical model exhibited an overestimation of 0.105 kW, equivalent to an average deviation of 11.41%. For fault detection, Support Vector Machines and Artificial Neural Networks were optimized via genetic algorithm. The Neural Network achieved exceptional performance with 99.99% accuracy on unfiltered data, outperforming Support Vector Machines with 98.84% on complete data and 99.87% after filtering. Sensitivity analysis revealed that measurement errors above 5% in irradiance significantly degrade accuracy. The results indicate that machine learning models, particularly Neural Networks, are effective for photovoltaic monitoring, enabling early fault detection and improved energy efficiency. Integrating these techniques into management systems can reduce operational costs and enhance solar generation reliability.