Como usamos dados de satélite e estatística simples para encontrar falhas em usinas fotovoltaicas

Neste artigo vamos discutir e mostrar uma proposta para detecção de anomalias em usinas fotovoltaicas de menor porte, os resultados foram publicados na IEEE Open Journal Industry Electronics, com título: Power Prediction and Anomaly Detection Using Statistical Thresholds and Satellite-Based Solar Data in Photovoltaic Systems, pelo autores Michelle Melo, João Lucas, João Frederico, Juliana Barros e Tárcio Barros.

Imagine a usina solar instalada no telhado do ginásio da Unicamp: 1.248 módulos, 336 kWp, cinco inversores. Num dia de sol, ela produz bastante energia. Agora imagine que ela está produzindo 8% menos do que poderia. Pode ser poeira nos módulos, uma sombra nova, uma string desconectada, um inversor entrando em proteção térmica no calor da tarde.

O detalhe é: nada disso acende uma luz vermelha. A usina não para. Ela só entrega menos. E, sem uma referência para comparar, ninguém percebe.

O problema: comparar com o quê?

Para saber se a geração está boa, você precisa saber quanto sol chegou ali naquele momento. Sem isso, 200 kW podem ser um resultado ótimo (dia nublado) ou péssimo (céu limpo de dezembro).

Uma boa opção é o sensor de irradiância, porém é caro, e ainda precisa de calibração periódica, suja, descalibra, falha e deixa buracos na série de dados. A maioria das usinas de pequeno e médio porte simplesmente não tem esse sensor, e se tivesse teria que ter essa manutenção.

A ideia do artigo: pedir a informação do sol para o satélite

Satélites meteorológicos já medem, há décadas, quanta radiação solar chega em cada pedaço do planeta, a cada 10 ou 15 minutos. Esses dados estão organizados em bases públicas e comerciais. Usamos duas: a NSRDB (do laboratório norte-americano NREL, gratuita) e a Solcast (comercial).

A pergunta que guiou a pesquisa foi direta: dá para monitorar uma usina usando o sol visto do espaço?

Passo 1: ensinar um modelo a prever quanto a usina deveria gerar

Juntamos os dados de satélite com a física do módulo fotovoltaico e treinamos modelos de aprendizado de máquina (regressão linear, random forest, extra trees e XGBoost) para responder: "com esse sol, nesse horário, nesse mês, quanta potência essa usina deveria estar entregando?"

O treino usou 2020 e 2021. O teste usou 2022, um ano que o modelo nunca tinha visto. É como um mecânico experiente que escuta o motor e diz, antes de abrir o capô, o que deveria estar acontecendo ali.

Dois detalhes de física fizeram diferença. Primeiro, o que importa não é o sol no plano horizontal, e sim o sol que chega no plano inclinado do módulo (a irradiância POA). Segundo, módulo com maior temperatura gera menos. Por isso estimamos também a temperatura de célula.

O resultado: os modelos explicaram entre 77% e 84% da variação da geração, com erro médio de aproximadamente 4,3 a 4,6 kW. Parece muito, mas equivale a cerca de 1,3% da capacidade instalada da usina.

Passo 2: descobrir o que é "normal" em cada mês e cada hora

Uma usina em dezembro às 11h não se parece em nada com a mesma usina em julho às 16h. Então, em vez de um único limite fixo, construímos a curva característica de cada mês, hora por hora, e definimos uma faixa de operação esperada: um teto e um piso estatísticos.

Aqui está o grande diferencial do trabalho. Essa faixa não foi construída com a potência medida da usina, e sim com a potência prevista pelo modelo. Por quê? Porque se você usa o histórico medido, todas as falhas, sujeiras e quedas do passado entram na conta do que é considerado "normal". A régua nasce torta. A previsão via satélite é lisa, contínua e não carrega defeito de inversor dentro dela.

Passo 3: três tipos de alarme

Com a régua pronta, a detecção combina critério estatístico e critério físico:

•     Tipo I — física estranha: a irradiância está subindo e a potência está caindo.

•     Tipo II — fora da faixa: a geração ficou abaixo (ou acima) do esperado para aquele mês e aquela hora.

•     Tipo III — os dois ao mesmo tempo: raro, e é exatamente o que a equipe de manutenção deveria olhar primeiro.

O que os dados contaram na instalação analisada

Dezembro e janeiro concentraram os alarmes de Tipo I (15,0% e 12,6% das medições). E isso faz todo sentido: é o pico do verão brasileiro, módulo fervendo, eficiência caindo por temperatura e inversor operando perto do limite, às vezes acionando proteção térmica. Não é necessariamente defeito. É comportamento térmico, e ele aparece nos dados.

Maio, outubro e junho concentraram os de Tipo II (10,9%, 10,1% e 9,5%). São meses de transição, com nuvem passageira e tempo instável. O satélite entrega uma média espacial suavizada, enquanto a usina vive a nuvem que passa exatamente sobre ela. Essa diferença vira desvio.

Já o Tipo III ficou sempre abaixo de 2,3%. Isso é boa notícia por dois motivos: mostra que a usina é confiável e, quando esse alarme aparece, é um candidato forte a falha real, inversor desligando parcialmente, string fora do ar, sujeira concentrada em período de alta irradiância.

E não, o modelo não é uma caixa preta

Abrimos o modelo com SHAP, uma técnica que mostra o peso de cada variável em cada previsão. O que ele aprendeu foi física: a irradiância manda no resultado e a temperatura penaliza. Isso importa muito, porque a previsão é a régua da detecção. Se a régua estiver certa pelo motivo errado, todo alarme vira ruído.

Por que isso é útil na prática

O método monitora a geração sem depender de sensor no local. É escalável: a mesma receita vale para um inversor ou para mil, em qualquer coordenada com cobertura de satélite. E é barato, especialmente com base gratuita.

Uma ressalva honesta: isso não substitui um sensor bem calibrado. Onde existe boa medição local, use a medição local. A proposta é para o cenário mais comum do mundo real, quando não há sensor, quando ele está descalibrado ou quando a série tem buracos.

O que ainda falta

Os resultados vêm de uma única usina, então generalizar exige cuidado. Também não havia registro de manutenção rotulado para confirmar cada anomalia detectada, o que é típico do setor e, ao mesmo tempo, uma limitação. Ao aplicar em outra planta, é preciso retreinar o modelo com dados locais.

Os próximos passos são testar o método em climas e configurações diferentes, avaliar bases abertas como ERA5 e CAMS, e validar contra falhas documentadas em campo.

Artigo completo (acesso aberto): "Power Prediction and Anomaly Detection Using Statistical Thresholds and Satellite-Based Solar Data in Photovoltaic Systems". IEEE Open Journal of the Industrial Electronics Society, v. 7, p. 1019–1036, 2026. DOI: 10.1109/OJIES.2026.3702813. Licença CC BY 4.0.

Autores: Michelle Melo Cavalcante, João Lucas de Souza Silva, João Frederico Souza de Paula, Juliana de Souza Granja Barros e Tárcio André dos Santos Barros (FEEC e FEAGRI/Unicamp).