Análise de degradação de módulos fotovoltaicos utilizando combinação de técnicas de inteligência artificial

Abstract

O trabalho investiga a degradação de módulos fotovoltaicos por meio de técnicas de Inteligência Artificial, com foco na classificação do estado de funcionamento em diferentes níveis de desempenho. A partir de parâmetros técnicos de módulos comerciais, foi construída uma base de dados sintética que contempla variáveis como irradiância, temperatura do módulo, tensão de circuito aberto, corrente de curto-circuito e eficiência ajustada, representando cenários de bom funcionamento, mau funcionamento e não funcionamento. Foram avaliados quatro algoritmos supervisionados baseados em árvores de decisão, Random Forest, XGBoost, LightGBM e CatBoost, em uma tarefa de classificação multiclasse. Os resultados mostraram acurácia, precisão e F1-Score superiores a 0,997 para todos os modelos, com destaque para o LightGBM, que apresentou os melhores indicadores médios. A abordagem proposta demonstra potencial para automatizar o diagnóstico de módulos fotovoltaicos, permitindo identificar precocemente degradações e contribuir para a otimização da eficiência de sistemas de geração de energia solar.

This work investigates the degradation of photovoltaic modules using Artificial Intelligence techniques, focusing on classifying the operating state into different performance levels. A synthetic dataset was built from technical parameters of commercial modules, including variables such as irradiance, module temperature, open-circuit voltage, short- circuit current and adjusted efficiency, representing scenarios of good operation, poor operation and non-operation. Four supervised tree- based algorithms,Random Forest, XGBoost, LightGBM and CatBoost, were evaluated in a multiclass classification task. The results showed accuracy, precision and F1-Score above 0.997 for all models, with LightGBM achieving the best average metrics. The proposed approach shows potential to automate the diagnosis of photovoltaic modules, enabling early detection of degradation and contributing to the optimization of the efficiency of solar energy generation systems.