Detecção e diagnóstico de falhas em sistemas fotovoltaicos usando inteligência artificial e análise tempo–frequência

Mantendo a Energia Solar Funcionando sem Interrupções

À medida que painéis solares se espalham por telhados e desertos, mantê-los operando em seu melhor desempenho torna-se crucial. Problemas ocultos — como falhas de fiação ou painéis sombreado — podem drenar silenciosamente energia e lucro muito antes que alguém perceba. Este estudo explora uma nova forma de escutar automaticamente o "batimento" de uma usina solar usando ferramentas avançadas de reconhecimento de padrões da inteligência artificial, com o objetivo de detectar problemas cedo, mesmo quando os dados são ruidosos e bagunçados, como na vida real.

Por que Sistemas Solares Podem se Comportar Mal

Grandes fazendas solares são compostas por muitos painéis interconectados, e pequenos problemas podem se somar. Algumas células podem estar em curto, strings inteiras de painéis podem ser conectadas incorretamente, ou trechos podem ficar parcialmente sombreado por árvores, sujeira ou edifícios próximos. Esses problemas alteram como as grandezas elétricas do sistema — nível de irradiância, temperatura do painel, tensão, corrente e potência — evoluem ao longo do dia. Tradicionalmente, engenheiros procuram essas falhas com câmeras térmicas, inspeções visuais ou regras manuais. Essas abordagens exigem muito trabalho, podem perder problemas sutis e frequentemente têm dificuldade quando várias falhas ocorrem ao mesmo tempo ou quando os sensores são antigos e ruidosos.

Transformando Números em Imagens que o Computador Pode Ler

Os pesquisadores propõem uma reviravolta incomum: em vez de alimentar números brutos em um computador, eles primeiro convertem as medições elétricas em pequenos mapas semelhantes a imagens que capturam como os sinais mudam tanto no tempo quanto na frequência. Eles usam uma ferramenta matemática chamada distribuição de Wigner–Ville, que pode revelar padrões como saltos súbitos, deriva lenta ou ondulações repetitivas que correspondem a diferentes tipos de falha. Para cada instantâneo do sistema, cinco medições-chave — irradiância, temperatura e a tensão, corrente e potência no ponto de máxima potência — são cada uma transformadas em uma faixa de blocos coloridos que representam seu comportamento ao longo de cerca de uma hora. Essas faixas, além de uma sexta que as combina, são empilhadas em um tile compacto 6×12. Cada tile é uma impressão digital visual de como o sistema está se comportando naquele momento.

Ensinando um Inspetor Digital a Ler os Padrões

Uma vez que os dados parecem pequenas imagens, a equipe pode aplicar uma classe de modelos de IA que se destacam na análise de imagens: redes neurais convolucionais. Eles primeiro constroem um modelo digital detalhado de um arranjo solar de 30 painéis e simulam 17 diferentes condições de operação: um estado saudável e 16 tipos de falha, que vão de alguns módulos em curto a sombreamento parcial generalizado e falhas complexas linha-a-linha entre strings. Para cada caso, e sob céu limpo e nublado, eles geram longas sequências de leituras de sensores realistas, convertem-nas em mapas 6×12 e as rotulam de acordo com a falha subjacente. A rede convolucional então aprende, a partir de milhares de exemplos, quais arranjos de cor e forma nesses mapas correspondem a cada problema específico. Em paralelo, os autores também testam redes neurais mais simples e ferramentas clássicas de aprendizado de máquina, como máquinas de vetor de suporte e florestas aleatórias, todas treinadas nos mesmos dados transformados, para ver qual método se mostra mais preciso e resiliente.

Colocando o Método à Prova em Condições Ruidosas

Em simulações perfeitamente limpas, redes neurais tradicionais que trabalham diretamente com as cinco entradas numéricas atingem precisão quase perfeita — acima de 99% — ao distinguir as diferentes falhas. A rede convolucional baseada em imagens também apresenta desempenho excelente, com acurácia pouco acima de 97%. Mas usinas solares não vivem em um mundo limpo: sensores envelhecem, o clima é imprevisível e as medições ficam ruidosas. Quando os pesquisadores injetam deliberadamente jitter realista nas leituras de irradiância, temperatura, tensão, corrente e potência, as classificações mudam drasticamente. As redes mais simples perdem grande parte de sua vantagem, caindo para a faixa baixa de 80% ou pior. Em contraste, a rede convolucional, que observa os mapas estruturados tempo–frequência, mantém cerca de 90% de acurácia em níveis normais de ruído e ainda identifica corretamente a maioria das falhas mesmo quando o ruído é triplicado para simular sensores muito antigos ou de baixa qualidade.

O Que Isso Significa para Futuras Fazendas Solares

Para um leitor leigo, a conclusão é que a forma como apresentamos a informação a um modelo de IA importa tanto quanto o próprio modelo. Ao transformar dados brutos de usinas solares em imagens compactas que capturam tanto quando quanto como os sinais variam, os autores possibilitam um inspetor digital que não é apenas preciso em condições ideais, mas também robusto o suficiente para lidar com os dados bagunçados de usinas reais. Sua abordagem pode distinguir automaticamente um arranjo saudável de muitos tipos de falha de aparência semelhante, com necessidade mínima de regras elaboradas por humanos. Na prática, tal sistema poderia rodar em segundo plano em uma grande fazenda fotovoltaica, alertando operadores cedo sobre problemas específicos, reduzindo tempo de inatividade e tornando a energia solar mais confiável e econômica a longo prazo.

Citação: Seghiour, A., Bendjeddou, Y., Mostefaoui, I.M. et al. Fault detection and diagnosis in photovoltaic systems using artificial intelligence and time–frequency analysis. Sci Rep 16, 10056 (2026). https://doi.org/10.1038/s41598-026-39386-7

Palavras-chave: detecção de falhas solares, monitoramento fotovoltaico, análise tempo-frequência, redes neurais convolucionais, diagnóstico de energias renováveis