Uma empresa nacional especializada em monitoramento e operação remota de usinas solares fotovoltaicas, a PV Operation, de Florianópolis, SC, a partir do início de 2024 vai incluir em sua plataforma operacional um sistema de inteligência artificial de machine learning, cujo algoritmo vai antecipar necessidades de manutenção nas mais de 50 mil usinas, com total de 2,2 GW, que utilizam o software da empresa no Brasil .

Desenvolvido pela própria PV Operation, em projeto de pesquisa de 24 meses que contou com a participação da Instituto Federal de Santa Catarina, unidade da Embrapii, e com agência de inovação suíça Innosuice, o desenvolvimento foi apresentado por seu CEO, Siqueira Neto, em painel sobre operação e manutenção durante o congresso Intersolar 2024 nesta quinta (29).

Segundo ele, o projeto, que envolveu cerca de 4 milhões de reais (70% da Suíça e o restante da PV e da Embrapii), foi finalizado e será publicado em uma revista internacional de ciência computacional. “E agora vamos para a fase de integrar o algoritmo com o ambiente de operação do dia-a-dia, com os alarmes atuais da nossa plataforma e também com o banco de dados real-time do software”, disse à FotoVolt.

A tecnologia será integrada no sistema supervisório Scada do software da PV, que é empregado por licenciados, mas também pela própria empresa, que tem central de controle próprio para monitorar 250 MW em usinas de GD solar fotovoltaica por todo o país.

Na explicação de Neto, a tecnologia em suma vai permitir que os donos das usinas não precisem ficar aumentando a quantidade de operadores conforme suas capacidades de geração aumentam e nem a alta especialização operacional, o que hoje é um déficit não só no Brasil como no mundo. “O sistema vai trazer essa inteligência de forma preditiva, ou seja, para entender que aquilo é um sinal de um evento futuro de falha antes de começar a ter perdas financeiras”, diz.

De início, o sistema foi  treinado, durante a pesquisa, principalmente para identificar problemas de sombreamento e para trazer análise de performance da usina, categorizando-a em um grade de 1 a 5. A partir do momento que o sistema começar a rodar nos clientes, porém,  o algoritmo passará a ser treinado para diferentes falhas, incluindo por exemplo identificação de pontos quentes (hot spots). “Estamos refinando para começar a abrir para cada um dos problemas”, explica.

Durante a fase de pesquisa, para treinar o algoritmo de machine learning de detecção de anomalias, foram utilizados dados de inversores de usinas de Santa Catarina por pelo menos um ano. Os inversores foram separados por região e porte para evitar comportamentos distintos naturais em função dos parâmetros. Após o tratamento de dados de potência, foi aplicada uma média móvel, por horário, com uma janela de 28 dias, para filtrar o sinal. Para isso, é utilizada a técnica de Autoencoder, que aprende o comportamento padrão de geração das usinas para determinada região e porte.

Depois de detectadas as anomalias, o sistema analisa o número no período dos últimos 30 dias e considera se elas são constantes, mais ou menos frequentes e se ocorrem no período da manhã ou tarde. Com base na análise e no número de anomalias, é indicado um nível de alerta para cada usina.