Detecção de anomalias em usinas solares utilizando métodos de inteligência artificial.

Abstract

O monitoramento eficiente de usinas fotovoltaicas (UFV) é fundamental para garantir a rentabilidade e a segurança operacional, especialmente diante do crescimento exponencial da Geração Distribuída no Brasil. A inspeção manual de grandes volumes de dados de telemetria é impraticável em larga escala e suscetível a erros. Métodos automatizados baseados em regras estáticas frequentemente falham ao emitir falsos alertas durante quedas de geração causadas por sombreamento natural de nuvens. Este trabalho propõe e avalia um sistema multidimensional de detecção de anomalias baseado em técnicas de Aprendizado de Máquina Não Supervisionado. Para suprir a ausência de instrumentação meteorológica local, a telemetria elétrica dos inversores foi integrada a variáveis climáticas consumidas via API (Open-Meteo). Adicionalmente, desenvolveu-se uma engenharia de atributos focada na construção de uma "Curva Ideal Sazonal", transformando o problema temporal em uma análise de desvio relativo ao comportamento físico esperado em dias de céu claro. Foram implementados e comparados quatro algoritmos clássicos: Isolation Forest, One-Class SVM, K-Means e K-Nearest Neighbors (KNN), além de uma estratégia agnóstica de Ensemble por Votação Múltipla. O sistema foi validado com dados reais operacionais de quatro usinas no estado de Minas Gerais. Através de Validação Cruzada Temporal e testes estatísticos de McNemar e Wilcoxon, os resultados comprovaram a incidência do Teorema No Free Lunch: não existe um modelo universal. O agrupamento geométrico (K-Means) obteve desempenho superior (p<0.05) em usinas de padrão de geração estável (UFV-A), enquanto o Isolation Forest foi estatisticamente o mais eficaz para detectar desvios em cenários de raras anomalias operacionais (UFV-B). O Ensemble por Votação provou ser a estratégia mais segura para monitoramento cego, mitigando drasticamente os falsos alarmes meteorológicos ao exigir consenso matemático, atuando como um filtro de ruído estocástico. Conclui-se que a hibridização de engenharia de domínio (Curva Ideal) com algoritmos multidimensionais capazes de "ler o clima" resulta em sistemas O&M robustos e com alta transparência de diagnóstico para os operadores.