Aplicação de aprendizagem de máquina para detecção de falhas potenciais em inversores fotovoltaicos em parques de geração centralizada

Abstract

A expansão da geração de energia solar fotovoltaica e o aumento das limitações de geração (curtailment) intensificam a necessidade de otimização dos processos de Operação e Manutenção (O&M) em usinas de geração centralizada. Os inversores fotovoltaicos, por serem componentes críticos para a disponibilidade da usina e apresentarem índices de confiabilidade relativamente baixos ao longo do tempo, demandam estratégias de manutenção eficientes para evitar altos impactos financeiros. Este trabalho tem como principal objetivo aplicar ferramentas de aprendizagem de máquina e estatística para desenvolver um método capaz de identificar falhas potenciais em inversores fotovoltaicos, com foco em falhas térmicas e de isolamento, utilizando dados operacionais provenientes de sistemas de supervisão e controle. A metodologia desenvolvida englobou a limpeza dos dados brutos e a construção de funções limite que modelam o comportamento normal de variáveis como a temperatura do líquido de refrigeração, temperatura dos transistores dos módulos de fase do inversor, resistência de isolação e potência de fuga em relação à potência aparente e à umidade do ar. O algoritmo não supervisionado K-Nearest Neighbors (KNN) foi empregado para a detecção de anomalias, em conjunto com o redimensionamento por Robust Scaler e técnicas de tratamento de dados, como a inserção de ruído e deslocamento (offset), para mitigar a incidência de falsos positivos. Os resultados quantitativos alcançaram um F-score de até 74,59%. Ademais, a análise qualitativa comprovou a eficácia do modelo em identificar falhas reais relatadas em campo, como a quebra de ventiladores de resfriamento e a degradação da resistência de isolação do arranjo, normalizando suas predições após as manutenções. Conclui-se que o modelo proposto é promissor para a aplicação de manutenção preditiva contínua, permitindo uma melhor alocação das equipes de campo e a potencial redução dos custos de O&M.

The expansion of photovoltaic solar energy generation and the increase in generation limitations (curtailment) intensify the need to optimize Operation and Maintenance (O&M) processes in centralized power plants. Photovoltaic inverters, being critical components for plant availability and presenting relatively low reliability indexes over time, require efficient maintenance strategies to avoid high financial impacts. The main objective of this work is to apply machine learning and statistical tools to develop a method capable of identifying potential faults in photovoltaic inverters, focusing on thermal and insulation faults, using operational data from supervision and control systems. The developed methodology encompassed cleaning raw data and building mathematical limit functions that model the normal behavior of variables such as coolant temperature, temperature of the inverter phase module transistors, insulation resistance, and leakage power in relation to apparent power and air humidity. The unsupervised K-Nearest Neighbors (KNN) algorithm was used for anomaly detection, in conjunction with Robust Scaler resizing and data treatment techniques, such as noise insertion and offset, to mitigate the incidence of false positives. Quantitative results achieved an F-score of up to 74.59%. Furthermore, the qualitative analysis proved the model’s effectiveness in identifying real faults reported in the field, such as cooling fan breakdowns and array insulation resistance degradation, normalizing its predictions after maintenance actions. It is concluded that the proposed model is promising for the application of continuous predictive maintenance, allowing for a better allocation of field teams and the potential reduction of O&M costs.