Desenvolvimento de uma ferramenta para detecção e predição de falhas em trackers para usinas fotovoltaicas de grande porte

Abstract

Este trabalho apresenta o desenvolvimento de uma ferramenta baseada em aprendizado de máquina para detecção e predição de falhas em trackers de usinas fotovoltaicas. A metodologia combina análise física, por meio da comparação entre ângulos reais e teóricos, com técnicas de machine learning. A detecção de anomalias permitiu classificar os trackers como saudáveis ou falhos, enquanto os modelos preditivos, um autoencoder não supervisionado e dois modelos XGBoost (classificador e regressor), anteciparam falhas com até dois dias de antecedência. Os melhores resultados foram obtidos para o horizonte de um dia utilizando o modelo regressor, com revocação de 73% e precisão de 80%. A solução inclui uma interface interativa em Streamlit para visualizaçãoe acompanhamento das falhas, contribuindo para um monitoramento proativo e eficiente da operação. Como diferencial, destaca-se a integração de abordagens supervisionadas e não supervisionadas, aliadas à modelagem física, otimizadas com métricas voltadas à detecção de eventos raros.

This work presents the development of a machine learning-based tool for fault detection and prediction in photovoltaic plant trackers. The methodology combines physical analysis, through the comparison between actual and theoretical angles, with machine learning techniques. The anomaly detection approach enabled the classification of trackers as healthy or faulty, while the predictive models, an unsupervised autoencoder and two XGBoost models (classifier and regressor), anticipated failures up to two days in advance. The best results were obtained for the one-day horizon using the regressor model, with a recall of 73% and a precision of 80%. The solution includes an interactive Streamlit interface for fault visualization and monitoring, contributing to proactive and efficient operational management. A key feature of the work is the integration of supervised and unsupervised approaches, combined with physical modeling and optimized using metrics focused on rare event detection.