IA na O&M de usinas fotovoltaicas: os desafios reais da detecção de anomalias

Enquanto eu escrevia este texto, e agora enquanto você está lendo, a maioria das usinas fotovoltaicas de grande porte está perdendo energia. E o time de O&M não tem a menor ideia.

Anomalia não é falha (e essa confusão custa dinheiro)

Antes de qualquer coisa, vale separar dois conceitos que o mercado usa como sinônimo:

Falha é quando a usina para de gerar ou reduz a geração de forma clara. Inversor desligou, string abriu, disjuntor atuou. Você vê no portal, o alarme dispara, alguém vai lá resolver.

Anomalia é qualquer desvio da normalidade dos dados monitorados. E aqui vem a parte que quase ninguém considera: gerar mais do que o esperado também é anomalia. Se a usina entregou acima do projetado, ou tem sensor descalibrado, ou tem alguma coisa acontecendo que você não mapeou.

A diferença importa porque a maioria das falhas “grita” e já a anomalia, “sussurra”. A falha para a usina por três horas e todo mundo corre. Já a anomalia pode tirar 4% da geração de uma zona durante seis meses, ninguém nota, e no fim do ano o número não fecha com o P50 do projeto. Ou seja, no final o ganho financeiro pode não ser o esperado pelo investidor.

Por que é tão difícil enxergar isso

Quando comecei a trabalhar com dados de usinas reais no LESF-MV, na Unicamp, a lista de obstáculos foi crescendo, fiz doutorado nesse tema e um pós-doutorado. Hoje eu resumo em nove pontos os desafios, que inclusive apresentei em uma palestra da InterSolar em 2025.

1. Volume de dados sem análise qualificada. Usina de grande porte gera dado a rodo. Dado não é informação. Ter dashboard bonito não significa que alguém está lendo aquilo com olhar crítico.

2. Tratamento de dados. Sensor dessincronizado, leitura faltando, formato inconsistente entre sistemas. Antes de qualquer análise, tem um trabalho braçal de pré-processamento e preenchimento de lacunas que ninguém mostra em apresentação comercial.

3. Falta de calibração e manutenção dos sensores. Piranômetro sujo, sensor de temperatura mal fixado. Se o dado de entrada está ruim, toda a análise vai pro lixo, e você vai tomar decisão errada com convicção.

4. Atributos insuficientes. Na literatura chamam de lack of discriminatory features. Na prática: as variáveis que você mede não conseguem diferenciar causas distintas. Queda de 8% na geração pode ser sujeira, sombreamento parcial, degradação, mismatch ou problema de conexão. O dado que você tem não diz qual.

5. Monitoramento agregado. Esse é o pecado capital. Medir só na saída do inversor esconde problema localizado. Um exemplo que a gente mediu em campo: módulo bom com Voc de 46,39 V, Isc de 9,15 A e 320 W. Módulo com problema no mesmo arranjo: Voc de 28,85 V, Isc de 8,73 A e 189,3 W. Perda de mais de 40% naquele módulo, e no inversor isso vira um ruído que ninguém vai investigar.

6. Pouco histórico de falhas. Quanto mais histórico de anomalia documentada você tem, mais fácil fica criar regra de monitoramento. Quem não registra o que aconteceu está condenado a redescobrir o mesmo problema todo ano. E dados de várias usinas também são importantes para treinar algoritmos, muitas vezes não temos esse acesso por confidencialidade.

7. Falta de padronização. Cada usina tem projeto, topologia e componente diferente. Não existe solução de prateleira que você pluga e funciona.

8. Fragmentação no acesso aos dados. Um sistema para o inversor, outro para o tracker, outro para estação solarimétrica, cada um com seu login e seu formato de exportação. Boa sorte fazendo correlação.

9. Classificação limitada. Mesmo detectando o desvio, dizer qual é a causa continua difícil. E sem causa você não consegue priorizar ação corretiva.

O que funciona na prática

• Monitorar as combiners. Sair do nível do inversor e descer pra string box. É investimento em instrumentação, mas é a diferença entre saber que tem problema e saber onde está o problema.

• Dividir a usina em zonas. Comparar zona com zona é muito mais poderoso que comparar a usina com a expectativa teórica. As zonas vivem o mesmo clima, então divergência entre elas é sinal forte.

• Cronograma de manutenção de verdade, incluindo calibração de sensor. Chato, sem glamour, resolve metade dos problemas.

• Imagens aéreas com drone e termografia, de forma periódica e não só quando o número não fecha.

• Sistemas unificados, com os dados chegando num lugar só.

• Algoritmo de IA + especialista. E o especialista não é opcional. Já volto nesse ponto.

O que eu aprendi com isso

A IA junto com o conhecimento do especialista transforma dado bruto em decisão rápida. Sozinha, a IA transforma dado bruto em dado bruto mais organizado.

Limiar dinâmico é o que separa ferramenta útil de gerador de spam. Limiar fixo em usina fotovoltaica não sobrevive a uma semana de céu variável.

IA ajuda, mas o sucesso da planta ainda precisa de um especialista. O algoritmo aponta onde olhar. Quem entende de eletrônica de potência, de módulo, de degradação e de campo é quem diz o que é. Quem vende detecção de anomalia 100% automatizada está vendendo alerta, não solução.

Quer se aprofundar?

SILVA, João Lucas de S.; DE PAULA, Marcelo V.; BARROS, Juliana de S. G.; BARROS, Tárcio A. dos S. Anomaly Detection Workflow Using Random Forest Regressor in Large-Scale Photovoltaic Power Plants. IEEE Access, mar. 2025.