Desenvolvimento de uma metodologia utilizando aprendizado de máquina para estimativa de perdas energéticas em usinas fotovoltaicas por falhas em trackers

Abstract

Diante da crescente demanda por fontes de energia renováveis, a energia solar tem ganhado destaque global por sua eficiência e sustentabilidade. Para maximizar a sua geração, usinas de grande porte utilizam trackers, dispositivos que ajustam a inclinação dos painéis solares conforme a posição do sol. No entanto, anomalias como o travamento desses dispositivos comprometem o desempenho das usinas, reduzindo a geração e demandando ações corretivas por parte dos operadores. Este trabalho propõe uma metodologia para estimar o percentual de perdas energéticas causadas por esse problema em uma usina solar de grande porte localizada no Brasil. O método foi desenvolvido em quatro etapas: tratamento e geração de dados, construção de uma tabela de perdas, criação de um modelo de Machine Learning, e aplicação em cenários reais. Como resultado, obteve-se uma regressão polinomial de segundo grau capaz de estimar perdas passadas e futuras de maneira simples e rápida, com precisão média de 86% quando comparada com a tabela de perdas gerada previamente, demonstrando o potencial do método tanto em aplicações acadêmicas quanto corporativas.

Given the growing demand for renewable energy sources, solar energy has gained global prominence for its efficiency and sustainability. To maximize generation, large-scale power plants employ trackers, devices that adjust the tilt of solar panels according to the sun’s position. However, anomalies such as the malfunctioning of these devices compromise plant performance, reducing energy generation and requiring corrective actions by op- erators. This work proposes a methodology to estimate the percentage of energy losses caused by this issue in a large-scale solar power plant located in Brazil. The method was developed in four stages: data processing and generation, construction of a loss table, creation of a Machine Learning model, and application in real scenarios. As a result, a second-degree polynomial regression was obtained, capable of estimating past and future losses in a simple and fast manner, with an average accuracy of 86% when compared to the previously generated loss table, demonstrating the method’s potential for both academic and corporate applications.