Deteção inteligente de anomalias na produção de energia solar

Plataforma web para monitorizar painéis solares, detetar anomalias e avaliar o desempenho energético.

O aumento da utilização de sistemas de energia solar gera volumes crescentes de dados que nem sempre são fáceis de analisar manualmente. Com o apoio da AI-Center Testbed, uma empresa que desenvolve soluções para cidades inteligentes criou o SolarGuard, uma plataforma web que processa dados provenientes de sensores, aplica diferentes métodos de deteção de anomalias e apresenta os resultados através de tabelas e dashboards analíticos.

O DESAFIO
O Problema

A monitorização de painéis solares depende da análise contínua de dados de produção e de outras métricas recolhidas pelos sensores instalados nos sistemas. Quando estes registos são disponibilizados em grandes volumes, a análise manual torna-se demorada e pouco adequada à identificação atempada de valores fora do comportamento esperado. Leituras anormalmente elevadas ou reduzidas podem estar associadas a problemas nos sensores, perda de eficiência, falhas no sistema ou dados que não representam corretamente a produção real. No entanto, a variabilidade natural da produção solar, influenciada pela hora do dia e pelas condições meteorológicas, torna esta análise especialmente exigente.

Setor e Área de Atuação:

Setor da energia, com aplicação inicial na monitorização de sistemas de produção solar em contexto residencial.

Definição e Objetivos:

O SolarGuard é uma plataforma web que permite carregar dados de sensores, configurar o método de análise e identificar automaticamente leituras consideradas anómalas. A solução suporta ficheiros CSV e Excel e integra diferentes métodos estatísticos e de Machine Learning. O utilizador pode configurar parâmetros como limiares, proporção esperada de anomalias, separador decimal e colunas a analisar. O objetivo é tornar a análise de grandes volumes de dados mais rápida e apoiar a identificação de comportamentos que possam justificar uma inspeção técnica.

IMPACTO

Vantagens competitivas

ImageBox Image

Identificação mais rápida de comportamentos anómalos

O processamento automático reduz o esforço necessário para analisar manualmente milhares de leituras e destaca os registos que exigem maior atenção.

Apoio à manutenção preventiva

A identificação antecipada de desvios pode ajudar as equipas a investigar problemas nos sensores, perdas de eficiência ou comportamentos inesperados antes de estes se agravarem.

ImageBox Image

Maior capacidade de análise

A utilização de diferentes métodos permite adaptar o processo de deteção às características dos dados e comparar os resultados obtidos.

O DESAFIO
Desenvolvimento e Testes:

O desenvolvimento do SolarGuard começou com a análise dos requisitos associados à monitorização de sistemas solares e à interpretação dos dados produzidos pelos sensores. Numa primeira fase, foram organizados e preparados conjuntos de dados em formato CSV e Excel. Este trabalho incluiu a verificação da estrutura dos ficheiros e a preparação da informação para evitar que irregularidades nos dados condicionassem a análise. Em seguida, foram testados diferentes métodos de deteção de outliers.

Implementação e Resultados Iniciais:

O piloto permitiu desenvolver uma plataforma funcional e demonstrar o processo completo de análise de um conjunto representativo de dados provenientes de painéis solares. Para cada anomalia, o sistema apresentou o índice da linha, o valor registado, a pontuação e o método utilizado. Os resultados puderam ainda ser exportados para CSV e consultados no dashboard. Estes resultados demonstram a capacidade técnica da plataforma para processar grandes conjuntos de dados e sinalizar valores fora do padrão. O produto evoluiu de um TRL 3 - prova de conceito experimental para um TRL 6 — tecnologia demonstrada em ambiente relevante. A solução ficou preparada para uma fase de validação continuada com fluxos reais de dados.

PERSPETIVAS FUTURAS

Os próximos passos

A operação continuada da solução pode permitir melhorar os critérios de deteção, reduzir falsos positivos e adaptar os modelos ao comportamento específico de diferentes sistemas solares.